杨建丽，牛海亚，于 静，韩文倩，祁马莉亚，穆学涛

肺癌是影响人类健康的重大疾病，肺腺癌的亚型与肺结节的生长方式及成分相关[1]。根据磨玻璃结节(ground glass nodule, GGN)是否含有实性成分分为纯磨玻璃结节(pGGN)和混合磨玻璃结节(mGGN)。GGN通常生长缓慢，但也有些结节在随访期间生长迅速，导致对这些结节的治疗难以作出规划[2]。肺腺癌根据浸润程度可分为癌前病变[非典型增生性肺腺癌(atypical adenomatous hyperplasia，AAH)、原位癌(adenocarcinoma in situ，AIS)]、微浸润性腺癌(microinvasive adenocarcinoma，MIA)和浸润性腺癌(invasive adenocarcinoma，IAC)[3,4]。现阶段GGN诊疗方案一般根据肺腺癌亚型进行制定，许多胸外科医师更愿意直接手术切除来进行诊断和治疗，主要原因是手术能更好地发现 CT 特征和组织病理学之间的相关性[5]。而非手术活检仍作为可疑结节明确性质的诊断标准，在放射诊断基础上经皮 CT 引导下对 GGN的活检具有高特异度和敏感度，但磨玻璃成分较少或直径<1 cm 的GGN 诊断准确性往往较低，这使得胸外科医师不愿对这些小GGN 进行术前活检[6,7]。如果能够根据CT量化参数对肺腺癌亚型做出预判，对后续的治疗决策非常重要。人工智能(artificial intelligence，AI)技术在基于医学影像的肺结节辅助诊断(检测和分类)领域已有广泛研究，一定程度上提高了医师的工作效率[8]。目前的深度学习算法可解释性问题仍然是AI领域亟待解决的问题，对于肺结节分类(良性/恶性)的区分不是很好[9]。本研究旨在探讨AI肺结节辅助诊断软件分析GGN的CT定量参数预判对肺腺癌亚型的诊断效能，为GGN的临床处理提供参考。

1 资料与方法

1.1 一般资料 回顾性选取新疆医科大学第一附属医院昌吉分院2017-01至2021-12经手术病理证实的肺内磨玻璃结节患者97例。纳入标准：(1)患者术前30 d内行胸部CT检查；(2)连续薄层扫描，所有病灶在CT图像上大小为0.5～3 cm；(3)病理切片保存完整，能够复审。纳入本研究患者93例，共97个结节，90例1个结节，2例2个结节，1例3个结节。年龄27～82岁，平均(59.08±11.35)岁。

1.2 宝石能谱CT扫描 均使用 HDCT 扫描仪(Discovery HD750，General Electric Company，GE，US)进行胸部扫描，从胸廓入口到肺基底部。扫描参数设定：120 kV，100～200 mA，重建层厚0.625 mm，层间距0.125 mm。同时采用标准算法、高分辨算法进行图像重建，并行多平面重组。

1.3 图像分析 依据GGN病灶病理诊断上的浸润程度设立非浸润组(AAH、AIS、MIA)和浸润组(IAC)，将术前胸部CT图像导入AI肺结节辅助诊断软件(北京推想医疗科技股份有限公司3.0版)分析GGN：在推想配置后台可选择AI肺结节辅助诊断软件自动测量的GGN的CT定量参数，配置后对全局成效。病灶列表即可显示结节最大径、体积、实性成分所占比和平均CT值。

1.4 病理诊断标准 (1)AAH，局灶性病变(≤0.5 cm)，上皮细胞轻、中度不典型增生，沿肺泡或呼吸性支气管壁生长，无间质性炎性反应和纤维增生；(2)AIS，局灶性病变(≤3.0 cm)，肿瘤细胞沿肺泡壁伏壁式生长，无间质、血管或胸膜浸润；(3)MIA，局灶性病变(≤3.0 cm)，腺癌细胞以伏壁式生长为主且浸润灶≤0.5 cm；(4)IAC，局灶性病变(≤3.0 cm)，病变浸润范围>0.5 cm[10]。由两名具有中级职称的病理科医师共同认定。

2 结 果

2.1 CT及病理结果 典型病例CT图像及病理切片见图1、2。

图1 右肺上叶前段浸润性腺癌(女，68岁)

图2 磨玻璃结节病理切片(HE，×200)

2.2 AI分析两组GGN诊断指标的比较 经检验非浸润组44例(AAH 7例，AIS 14例，MIA 23例)和浸润组(IAC 53例)，两组间性别及年龄无统计学差异(P>0.05)；最大径、体积、平均CT值及实性成分占比差异均有统计学意义(P<0.05，表1)。

表1 AI分析两组GGN诊断参数指标的比较

2.3 ROC曲线分析 各CT定量参数对GGN侵袭性的预测价值从高到低依次是实性成分占比(AUC=0.925)、平均CT值(AUC=0.897)、最大径(AUC=0.837)、体积(AUC=0.800)，差异有统计学意义(P<0.05，表2、图3)。综合分析GGN的实性成分占比、平均CT值、最大径及体积可明显提高预测价值。

表2 各CT定量参数预测肺腺癌亚型的价值

图3 GGN的受试者各项诊断指标工作特征ROC曲线

2.4 二元Logistic回归分析 GGN的实性成分占比(OR=1.264，P<0.05)和平均CT值(OR=1.010，P<0.05，表3)为预测侵袭程度的独立影响因子。

表3 肺腺癌亚型CT参数二元Logistics回归分析

3 讨 论

近年来，由于环境因素的改变、人口老龄化的加剧及民众健康意识增强，肺结节的发病率及检出率明显上升。值得注意的是，部分肺结节患者，具有肺癌高危风险[11]。GGN是早期肺腺癌或癌前病变的一种表现形式，而CT作为肺部检查的重要手段，对肺癌早期筛查及临床诊疗有重要意义，尤其近年来CT结合AI技术应用于肺结节的检出和评估[12]。

3.1 AI分析GGN的长径和体积的预测效能 目前，关于GGN的大小对病灶病理类型的诊断价值存在争议，有学者认为恶性GGN的平均直径长于AAH，GGN越小，密度越低，良性可能性越大[13]。但也有学者认为GGN的大小对其良恶性的诊断无价值[14]。本研究数据经检验最大径、体积在非浸润组和浸润组间差异均有统计学意义。邓灵波等[15]指出，与测量GGN直径长短相比，体积测量的可重复性和准确性更高，能够反映GGN在三维空间内的变化，更加准确地评估GGN大小及有无生长。然而，本研究结果通过ROC曲线分析在GGN侵袭性的预测价值方面，GGN的体积相较直径长短并没有显示出优势，不排除与样本量较小且分组后数据出现偏倚有关。

3.2 AI分析GGN的平均CT值、实性成分占比的预测效能 本研究纳入的97例GGN中，根据GGN实性成分进一步分类，包括26例pGGN和71例mGGN。其中浸润前病变44例中，AAH 7例中包括6例pGGN，1例mGGN；AIS 14例中有12例pGGN，2例mGGN；MIA 23例中8例pGGN，15例mGGN；IAC 53例均为mGGN。AAH、AIS在CT图像上多为pGGN，而MIA和IAC多为mGGN，少量为pGGN。这可能与pGGN病灶较小，血供不如实性结节丰富，易受呼吸、心脏、大血管及血流伪影、体积等因素的影响有关。并初步证实平均CT值和实性成分占比对预测肺腺癌的浸润具有一定的价值，这与胡小琴等[16]和梁云等[17]的研究基本一致。

目前已有研究表明CT定量参数可以预判肺腺癌的侵袭性，最常用的定量参数是平均CT值。据报道AAH和AIS的CT值-500～-400 HU范围内的平均CT值作为临界密度值，提示GGN的平均CT值在其良恶性判断中有一定价值。CT值小于-700可能为良性，随CT值渐进性增高时，恶性率也逐渐增大，这是Eguchi等[18]对pGGN的动态随访中得出的结论。本研究中非浸润组的CT值范围为-812～-499 HU，浸润组的CT值范围为-604～-50 HU。

肿瘤组织的浸润在CT图像上多表现为实性成分，目前在CT图像上如何测量GGN内实性成分比例的相关标准尚不明确[19]。目前研究发现mGGN中体积、平均CT值的升高与病理分级相关，是诊断IAC的有效预测因子[20]，这与本研究结果基本相符。有些GGN在随访时直径长短没变甚至缩短，但密度增加，即其内实性成分增加，对于这样的结节单纯测量直径长短和体积可能会误判。故相比GGN的体积和直径长短，平均CT值及实性成分所占比能够更加全面地反映GGN有无生长变化。提示术前通过AI在CT图像上分析所显示出GGN的平均CT值及实性成分百分比，对预判肺腺癌亚型具有一定的可行性，与病理诊断基本相符，结果显示诊断正确率较高。

目前人工智能肺结节辅助诊断系统已广泛应用于临床。AI分析CT定量参数预测肺腺癌的研究已有大量文献，对肺腺癌的诊断效能已被不断证实。比较此类不同文献发现也存在相互矛盾的结果，提示个体或者软件分析中存在一定的差异，这需要进一步通过大数据证实。本研究存在一定的局限性：首先在病例选择方面小于5 mm的GGN未入组，但这种选择可以最大限度地减少因容积效应的干扰而引起的平均CT值和实性成分占比的测量误差；其次研究样本量相对较小且分布不均匀，可能会存在统计差异，在后期的研究中，需要进一步完善。

综上所述，本研究结果表明，AI用于临床影像肺结节的诊断明显提高了GGN的检出率和敏感度，并且AI可通过分析GGN的实性成分占比和平均CT值对肺腺癌亚型作出有效预判，值得临床推广应用。