尹 柯，张久权，伍建林，巴文娟，林 琳，沈 晶，熊婧彤，张伟杰

(1.重庆大学附属肿瘤医院影像科，重庆 400030；2.大连大学附属中山医院放射科，辽宁 大连 116001；3.扬州大学附属医院放射科，江苏 扬州 225003；4.大连医科大学附属第二医院放射科，辽宁 大连 116023；5.陕西渭南神州德信医学成像技术有限公司，陕西 渭南 714099)

2011年，国际肺癌研究协会、美国胸科学会和欧洲呼吸学会[1]基于高分辨率CT-病理学相关性研究提出新的肺腺癌国际多学科分类体系，以供临床医师预测肺腺癌组织病理学亚型、患者预后及规划临床干预措施[2]。近年来，胸部影像学深度学习(deep learning,DL)图像分析成为研究热点，主要用于评估CT所检出的良、恶性肺结节[3-6]，并日渐成熟[8-9]，现阶段面临的挑战是利用DL分类不同性质肺结节。微浸润腺癌(minimally invasive adenocarcinoma,MIA)与不典型腺瘤性增生(atypical adenomatous hyperplasia,AAH)、原位腺癌(adenocarcinoma in situ,AIS)同为浸润前病变(pre-invasive lesion,PIL)[10-12]；对PIL均可行亚肺叶切除术，术后5年生存率近100%，而对浸润性腺癌(invasive adenocarcinoma,IA)则推荐行肺叶切除加淋巴结清扫或取样术，术后5年生存率60%～88%，故术前有效区分两者对选择手术方式及改善患者预后具有重要意义[9,13-14]。本研究比较基于胸部CT建立的卷积神经网络(convolutional neural network,CNN)分类模型与放射科主治医师鉴别磨玻璃结节(ground glass nodule,GGN)中的PIL与IA的效能。

1 资料与方法

1.1 一般资料 回顾性分析2013年1月—2018年12月1 086例经手术病理确诊PIL或IA患者的胸部CT；男414例，女672例，年龄18～78岁，平均 (55.5±12.2)岁；共检出1 214枚GGN，其中974例检出1枚、96例检出2枚、16例检出3枚。纳入标准：①术前1个月内接受胸部薄层CT检查；②组织病理学证实为PIL或IA；③GGN最长径≤30 mm。排除标准：①术前接受化学或放射治疗；……