根据CT分型，肺结节可分为实性、纯磨玻璃结节和亚实性结节(PSNs)，在现阶段广泛应用于评估肺结节恶性风险的Brock模型中，PSNs是重要的癌症预测因子。肺腺癌可分为原位癌(AIS)、微浸润癌(MIA)或浸润癌(IA)三种亚型，由于这三种亚型有不同的临床病理学特征，因此临床的处理原则和治疗方案差异很大。此外,组织学研究证据表明，肺结节的实性成分与腺癌的浸润性成分密切相关。在肺腺癌的不同亚型中，IA预后最差，其他亚型的生存率几乎为100%。

在临床实践中，虽然放射科医师能够通过结节的CT特征(如直径、实性成分比例等)和病史来评估PSN的恶性可能，但这种方式受主观性及经验依赖性的限制，且工作负担较大。与人工测量相比，自动体积分析有助于量化结节体积和平均密度且具有更高的可重复性。定量图像分析，或称放射组学，可从影像图像中自动提取成百上千个图像特征及其与临床和临床结果的相关性，为进一步自动化图像分析提供了支持。

近日，发表在Radiology杂志的一项研究开发和验证诊断PSN中浸润性肺腺癌的放射组学特征，并将预测性能与Brock模型、临床语义特征和体积模型进行比较，为人工智能在肺癌诊断上的进一步应用开辟了道路，同时也为临床提供了一个全自动识别及诊断PSN的影像学手段。

本项回顾性多中心研究从2013年1月至2017年10月期间纳入了291例患者(中位年龄60岁;四分位数范围，55-65岁）共有297例PSN肺腺癌，分为训练(n = 229)和测试(n = 68)数据集。从不同的区域提取放射组学特征(肿瘤总体积[GTV]、实性成分、磨玻璃及结节周围)。随机森林模型使用临床语义、体积和放射组学特征进行训练，并使用在线结节计算器计算Brock模型。模型的性能使用标准指标进行评估，如曲线下面积(AUC)、准确性和校准。应用综合判别改进方法评价模型加入结节周围特征后的性能变化。

基于磨玻璃和实性成分特征的放射组学模型在测试数据集上得出的AUC为0.98（95％置信区间[CI]：0.96，1.00），显著高于Brock （AUC，0.83 [95％CI] ：0.72，0.94]; P = .007）、临床语义（AUC，0.90 [95％CI：0.83，0.98]; P = .03）、体积GTV（AUC，0.87 [95％CI：0.78，0.96] ; P = .008）和放射组学GTV模型（AUC，0.88 [95％CI：0.80，0.96]; P = .01）。其准确性也最高（93％[95％CI：84％，98％]）。此模型和增加了结节周边特征的模型均显示出良好的校准效果，而增加了结节周边特征的模型并没有提高性能（综合分辨力提高-0.02; P = .56）。

图2 图中显示了不同模型的受试者工作特性(AUC)曲线下面积。GG&S =磨玻璃和实性成分区，GG&S&P =磨玻璃、实性成分和结节周围区域，GTV =肿瘤总体积。

图2 图中显示了两种放射组组学模型在测试数据集上的校准图。A，基于磨玻璃和实性成分特征的放射组学模型。B，基于磨玻璃、实性成分和结节周围区域特征的放射组学模型。

本研究表明结合磨玻璃和实性成分的亚实性结节特征的放射组学模型的诊断性能优于其他5个测试模型:Brock、临床语义模型、体积模型、仅基于肿瘤总体积和结节周围特征的放射组学模型。本研究为人工智能在临床肺癌筛查中的进一步应用提供了数据支持，也为进一步的前瞻性研究开拓了思路。

原文出处：

Guangyao Wu,Henry C Woodruff,Jing Shen,et al.Diagnosis of Invasive Lung Adenocarcinoma Based on Chest CT Radiomic Features of Part-Solid Pulmonary Nodules: A Multicenter Study.DOI:10.1148/radiol.2020192431