刘海洋 张晓菊

2019年全国癌症报告显示，2015年全国新发恶性肿瘤约为392.9万例，其中，肺癌的发病人数和死亡人数均居恶性肿瘤首位[1]。肺癌5年生存率仅为18%，大部分患者确诊时处于晚期，错过了最佳治疗时机。美国国家肺癌筛查试验(NLST)结果显示，采用低剂量CT(LDCT)对肺癌高危人群进行筛查，肺结节检出率为24.2%，其中良性结节达96.4%，与胸部X线摄片(简称“胸片”)相比，LDCT可使肺癌死亡率下降20%[2]。而在通过LDCT筛查发现的肺癌中，Ⅰ期占71%，10 年生存率为80%，1个月内施行手术治疗的患者10年生存率高达92%[3]。而在恶性肺结节中约18.5%为惰性肺癌，每预防1例癌症死亡可能产生1.38例过度诊断[4]。所以，肺结节的恶性风险评估至关重要，且成为了肺癌早期诊断与随访管理中面临的巨大挑战。

预测模型是一种具有客观、精确、稳定及可重复等优点的评估工具，能够协助首诊医生给予肺结节患者个体水平的肺癌风险评估，根据计算出的恶性概率将患者进行风险分层，随后制定出个体化的诊疗和管理方案，实现合理配置医疗资源的同时，达到患者利益最大化[5]。随着大数据时代的到来，越来越多的“数据”产生越来越多的“预测模型”，主要目的是实现尽早对恶性肺结节进行干预的同时避免过度手术治疗。本文就预测模型在肺癌早期诊断中的应用现状进行综述及评价。

一、预测模型的建立、验证与更新

(一)包含传统预测因素的经典预测模型

早在1997年，Swensen等[6]建立了Mayo模型，并在多个指南中推荐作为肺结节恶性风险分层的工具[5, 7]。……