陶晶莹 刘雪 郭依楠 吴林玉②

随着低剂量CT及薄层CT的普遍应用，GGN的检出率明显提升，且磨玻璃结节（ground-glass nodule，GGN）的恶性程度要高于实性结节[1]。本文从万方、中国知网等数据库检索常规CT影像表现、CT影像组学特征等形态学特征指标及定量指标对GGN型肺腺癌浸润性研究论文进行综述，以协助放射科医生更好地认识和鉴别肺结节。

1 GGN概述

GGN指的是在薄层CT上局灶性、类圆形、云雾状密度增高影，且不掩盖肺内部支气管和血管结构[2]。GGN是一种非特异性病变，多种肺部疾病在CT上均可以表现为GGN，其病因可以是炎症和癌前病变等良性病变，也可以是肿瘤等恶性病变，属于“异病同影”[3]。根据GGN是否含有实性成分，可将其分为纯 GGN（pure GGN，pGGN）和混合GGN（mixed GGN，mGGN）两种[4]。

肺腺癌常表现为GGN，其自然发展过程被认为从非典型腺瘤性增生（atypical adenomatous hyperplasia，AAH）、 原 位 腺 癌（adenocarcinoma in situ，AIS）、 微 浸 润 性 腺 癌（minimally invasive adenocarcinoma，MIA） 到 浸 润 性 腺 癌（invasive adenocarcinoma，IAC）[4]。根据研究，AAH、AIS手术后5年生存率几乎高达100%，而IAC预后明显较AAH、AIS、MIA患者差，术后5年生存率低于80%[5]。因此术前准确鉴别肺腺癌的浸润程度具有重要临床意义，对于浸润性病变若及时手术，可提高患者的存活率。

2 传统CT影像形态学特征指标及定量指标

目前，肺部病变最常用的检查方法是CT。GGN的CT形态学特征指标包括内部及外部，外部形态学特征有分叶、毛刺、胸膜凹陷征等；内部形态学特征有空泡征、支气管血管束、空洞等[6]。CT定量参数常包括GGN的直径、体积、CT值、实性成分比例（consolidation/tumor ratio，CTR）、质量等。

2.1 形态学特征指标

对于外部形态学特征，郑慧等[7]研究发现血管改变、毛刺征和脐凹征是浸润性腺癌的独立危险因素，联合诊断的ROC曲线下面积（area under the curve，AUC）为0.805。Jiang等[8]研究发现IAC的分叶征和毛刺征出现率明显高于MIA。Chu等[9]研究发现MIA/IAC组较AAH/AIS组更常出现密度不均匀、形状不规则、分叶征、毛刺征、胸膜凹陷征和血管改变等影像学特征表现。

对于内部形态学特征，Hsu等[10]研究发现，当pGGN出现分叶和空腔时，IAC的可能性更大，其中空腔是IAC的重要预测因子。Yanagawa等[11]研究显示支气管不规则扩张和破坏及实性部分直径等均有助于鉴别肺腺癌浸润性，其中支气管不规则的扩张和破坏及大于0.8 cm的实性部分与GGN浸润性密切相关，联合诊断的AUC为0.94。Liu等[12]研究显示血管改变是鉴别浸润性腺癌和癌前病变的重要因素。

2.2 定量指标

GGN的直径和体积是鉴别肺腺癌浸润性的重要因素。Zhang等[13]研究发现，GGN直径≥12.2 mm且实性成分直径≥6.7 mm有助于鉴别IAC和AIS、MIA。Li等[14]研究发现，与AIS、MIA相比，IAC的直径和体积明显增大，这可能是因为IAC中肿瘤组织成分增多和肺泡间隔增厚。

较高的CT值也是浸润性肺腺癌的危险因素。GGN的CT值与其所保留的含气腔隙密切相关，含气腔隙减少，实性成分增加，CT值较高[15]。Chu等[9]研究显示浸润性pGGN的CT值常大于-632 HU。Li等[16]研究发现GGN的平均CT值和最大CT值对区分AAH/AIS、MIA与IAC具有重要意义。AAH/AIS与MIA、IAC平均CT值临界值分别为-548、-364.59 HU，最大 CT 值分别为 -419.75、-16.98 HU。除CT值外，质量也是浸润性GGN的预测因子。Liu等[17]研究显示在薄层CT上直径≥11.25 mm、质量＞386 mm3的pGGN与IAC显著相关。

实性成分比例（CTR）是指GGN实性成分最大径占结节最大径的比例，又称实性/肿瘤（C/T）比[4]。实性成分的比例或大小对鉴别肺腺癌的浸润性有重要意义。Lu等[18]研究显示多层螺旋CT上，实性成分≥0.9 mm时可有效鉴别浸润性腺癌，病灶大小和实体成分大小联合诊断的AUC高达0.984。符浩男等[19]研究发现，实性成分比例＞0.333，GGN最大径 ＞0.90 cm，mGGN CT 值 ＞-436.5 HU 时浸润性肺腺癌的可能性较大。

3 影像组学定量分析

影像组学能高通量地从CT、MRI或PET/CT等影像中提取许多影像学特征，实现病灶感兴趣区的分割、特征的提取和模型的建立，并且提供肿瘤的基因表型、分期的预测等信息[20]。回归模型、支持向量机（SVM）、随机森林、卷积神经网络是使用较普遍的影像组学模型，其中在临床应用最广的是Logistic回归模型[21]。

与传统CT相比，影像组学模型在鉴别肺腺癌浸润性上具有更高的诊断价值。Fan等[22]回顾性分析了160例表现为GGN的肺腺癌患者的CT图像，从中提取355个放射组学特征，在原始队列和3个验证队列中的AUC分别是0.917、0.971、0.942、0.936，要高于传统CT（AUC=0.872）[17]，表明影像组学比传统CT有更好的鉴别能力。

将放射组学模型与其他模型融合可以产生1+1＞2的效果。Xia等[23]提出了一种基于U网的卷积神经网络来分割GGN并构建了DL和放射组学融合的新模型来鉴别浸润性肺腺癌，研究纳入了373个GGN，将DL模型、放射组学模型、融合的新模型的诊断进行比较，结果表明与DL模型和放射组学模型（AUC分别为0.83±0.05、0.87±0.04）相比，新融合模型（AUC为0.90±0.03）提高了鉴别IAC的诊断性能。Song等[24]回顾性分析187个pGGN，建立了三个预测模型（临床、放射组学和临床-放射组学模型），结果显示临床-放射组学模型的判别能力最佳，训练集和测试集的AUC值分别为0.934和0.929，表明影像组学模型联合临床特征可以进一步提升鉴别肺腺癌的能力。Liu等[25]纳入239例GGN患者，利用影像组学特征和临床信息建立诺模图，计算得出训练集和验证集AUC分别为0.831和0.816，高于单纯影像组学模型。

随着临床和影像学研究的飞速发展，以及对GGN精准诊疗的需求不断扩大，探讨GGN型肺腺癌浸润性的研究进展，不仅有助于肺腺癌术前病情的评估和治疗方案的选择，也为未来的研究指明了方向。本文主要概述了常规CT形态学特征指标及定量指标、影像组学建模等影像学手段在鉴别表现为磨玻璃结节的肺腺癌浸润性方面的研究进展。综合发现，CT的形态学特征指标及定量指标对鉴别GGN型肺腺癌浸润程度具有较大的价值但诊断性能略低于影像组学。近年来，影像组学建模在医学诊断中广泛应用，在诊断肺腺癌浸润性方面已显示出较大价值，且与其他模型（如临床信息预测模型）融合具有更高的敏感性和准确性。未来在提升常规CT等对GGN型肺腺癌浸润程度的鉴别能力的基础上，联合其他技术如影像组学、人工智能等有望进一步提高GGN型肺腺癌浸润度的鉴别诊断能力，也是未来研究发展的趋势。