刘嘉宁，王建卫

国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院影像诊断科，北京 100021

肺癌是全球恶性肿瘤相关死亡的主要原因之一，2020年中国约有81.6万肺癌新发病例和71.5万肺癌死亡病例，分别占所有恶性肿瘤新发病例和死亡病例的17.9%和23.8%，居中国恶性肿瘤发病谱和死因谱首位[1]。据第8版肺癌病理分期，ⅠA1期肺癌患者的5年生存率为90%，而ⅢC期肺癌患者的5年生存率为12%[2]。因此，对肺癌进行早期筛查和诊断十分必要[3]。

早期肺癌通常表现为孤立性肺结节，可通过胸部CT检出[4]。肺结节根据密度可进一步分为实性结节和亚实性结节，其中实性结节密度高，血管及支气管影像被掩盖[5]。实性结节的恶性概率较亚实性结节低，然而，一旦结节为恶性，与亚实性结节相比，实性结节的恶性程度较高，可较早发生转移，预后较差，复发风险更高[6-10]。Ye等[9]研究表明，实性结节患者的淋巴结转移率明显高于部分实性结节患者（27.0%vs2.2%，P＜0.01），实性结节患者的5年肺癌特异性无复发生存率（lung cancerspecific recurrence-free survival，LCS-RFS）和肺癌特异性总生存率（lung cancer-specific overall survival，LCS-OS）分别为58.09%、80.27%，均明显低于部分实性结节患者（91.74%、98.13%）和磨玻璃结节患者（99.43%、100%）。Sun等[10]研究报道，对于cT1aN0M0期肺癌，表现为亚实性结节的患者预后良好，而实性肺结节虽然小于1 cm，但其复发风险更高。此外，恶性实性肺结节的体积倍增时间短、生长快，增加了早期诊断的紧迫性[11]。研究报道，恶性实性肺结节的平均体积倍增时间为267天，而表现为亚实性结节的浸润性腺癌的平均体积倍增时间为（1436.0±1188.2）天[12-13]。因此，早期精准诊断实性肺结节是改善肺癌患者预后的关键因素之一。

在影像研究中，实性肺结节良恶性的判断是难点，尤其是对于6～15 mm的实性肺结节，良恶性结节的影像学特征具有较多重叠，增加了诊断难度[11,14]。不同年资和经验的医师对同一结节的良恶性判断可能不同，会带来延误诊断或过度诊断的风险[15]。目前大多数肺结节无临床症状，主要依靠影像学检查进行诊断。对于大部分无法定性诊断的实性肺结节，需要定期随诊观察，国内外均有相关指南制定了诊断和处理策略，但各大指南尚未达成共识[5,16-19]。本文就传统影像学检查、血液生物标志物、危险因素分析及临床预测模型、计算机辅助诊断技术在实性肺结节良恶性鉴别诊断中的应用进展进行综述，旨在为临床和科研工作提供借鉴。

1 传统影像学检查

1.1 CT在实性肺结节良恶性分析中的研究进展

CT是目前最常用的肺结节检出和诊断工具，CT影像学特征是临床鉴别良恶性结节的重要依据[8]。结节大小、边缘、轮廓、内部特征（CT值、空洞结节的壁厚和空气支气管征）、卫星灶、晕征等影像学特征有助于鉴别实性结节的良恶性[20]。恶性肿瘤的可能性与结节直径呈正相关，直径＜4 mm、4～7 mm、8～20 mm及＞20 mm的结节发生恶变的可能性分别为0.2%、0.9%、18.0%、50.0%[21]。良性结节通常具有清晰的边缘和光整的轮廓，恶性结节通常具有毛刺、分叶或不规则轮廓，但部分良性病灶也可表现出毛刺，20%～30%的恶性实性结节表现为边界清晰和边缘光整[22]。弥漫型、中央型、层状和爆米花样钙化通常提示良性，10%的恶性肿瘤可检测出钙化，包括点状、偏心和无定形钙化[23]。空洞可见于感染和炎症，如脓肿、感染性肉芽肿、血管炎和肺梗死，也可见于恶性肿瘤，良性结节空洞通常厚度均匀，内缘光滑，恶性结节空洞通常壁厚且不规则；空气支气管征在恶性结节（29%）中比在良性结节（6%）中更常见，可见于腺癌、淋巴瘤或感染患者[20]。胸膜凹陷征更常见于恶性结节，Seemann等[24]研究发现，胸膜凹陷征在恶性和良性结节中的比例分别为59%和17%。孔芳等[25]提出血管集束征是恶性实性结节的危险征象，分别占恶性和良性结节的92%和56%。这些特征是实性结节良恶性判断的关键和基础，但由于这些特征是基于医师的视觉评估进行主观判断，可能会造成评估者间和评估者内部的不一致，并且部分特征在亚厘米（≤1 cm）的实性肺结节中表现并不明显[8,22]。

随着CT技术的不断发展，针对实性肺结节的诊断更加多样化。徐新峰等[26]采用128层螺旋CT对50例实性肺结节进行动态增强扫描，结果发现，恶性肺结节的平均增强峰值位于静脉期60 s，且高于良性肺结节的平均增强峰值（P＜0.05）。迟淑萍[27]的研究指出，CT灰度直方图在实性肺结节良恶性鉴别中具有重要价值，其中偏度是灰度直方图统计分布偏斜方向和程度的度量，是直方图分布非对称程度的数字特征，而峰度描述了直方图分布聚集的情况，反映灰度直方图曲线顶端尖峭或扁平程度，研究结果证实良性结节的偏度小于恶性结节，峰度大于恶性结节，差异均有统计学意义（P＜0.05），二者受试者工作特征（receiver operating characteristic，ROC）曲线的曲线下面积（area under the curve，AUC）分别为 0.894、0.996。能谱CT是一种新的成像技术，可提供物质的定量分析指标，其多参数成像有助于肺结节的良恶性鉴别[28]。已经有研究报道了能谱CT对孤立性肺结节良恶性的鉴别诊断价值，Zhang等[29]研究指出，宝石能谱CT生成物质分离图像是一种有前景的定量方法，良性结节的标准化碘浓度（normalized iodine concentration，NIC）、能谱曲线斜率（λHU）和70 keV的CT净增值均小于恶性结节，其中NIC和λHU在动脉期ROC曲线的AUC分别为0.89和0.86，在静脉期分别为0.96和0.89，以0.3作为静脉期NIC的阈值，诊断恶性结节的灵敏度和特异度分别为93.8%和85.7%。Chen等[30]进一步比较了能谱CT成像参数对实性结节和磨玻璃结节良恶性的鉴别诊断价值，发现对于两种类型的肺结节，良性结节均比恶性结节具有更大的40 keV的CT净增值、λHU和静脉期碘浓度。

1.2 正电子发射体层成像（positron emission tomography，PET）/CT在实性肺结节良恶性分析中的研究进展

PET/CT技术作为一种准确、无创的影像学检查被广泛应用于肺部恶性病变的诊断，PET可反映肿瘤的代谢情况，CT可以提供准确的解剖定位[31-32]。标准摄取值（standardized uptake value，SUV）是评价肺结节的常用方法之一，其大小与肺结节的良恶性相关[33]。最大标准摄取值（maximum standard uptake value，SUVmax）为 2.5 通常被用作18F-氟代脱氧葡萄糖（fluorodeoxyglucose，FDG）PET诊断肺部恶性肿瘤的阈值，但有研究提出该值的灵敏度低于视觉评估[34-35]。对于SUV＜2.5的实性肺结节，Hashimoto等[35]比较了基于视觉评估和半定量分析的诊断效能，发现目测到的微弱摄取判断结节良恶性的灵敏度为100%，特异度为63%，阳性预测值为62%，阴性预测值为100%；SUV为1.59作为阳性结果的阈值时，灵敏度为81%，特异度为85%，阳性预测值为77%，阴性预测值为89%，提示半定量分析并未提高诊断准确度。常婵等[36]研究表明，18FFDG PET/CT双时相显像有助于区分硬化性肺细胞瘤（pulmonary sclerosing pneumocytoma，PSP）与孤立性实性结节性肺癌（solitary solid nodule lung cancer，SSNLC），PSP的早期SUVmax、延迟期SUVmax及滞留指数（retention index，RI）分别为（3.21±1.13）、（3.34±1.04）和（6.33±12.56）%，分别低于SSNLC 的（4.81±2.26）、（5.68±2.31）和（21.34±13.07）%，早期SUVmax、延迟期SUVmax、RI及三者联合诊断SSNLC的AUC分别为0.724、0.817、0.788及0.976。SUV值受到多种因素的影响，除了生物学因素，设备和物理因素例如感兴趣区的形状、部分容积效应、衰减校正、重建方法和扫描仪器的参数等也会影响SUV的计算，其中重建矩阵对其影响较大[33,37]。周锦俊等[38]研究指出，与常规重建矩阵（128×128）相比，大矩阵重建（256×256）对孤立性实性肺结节良恶性的诊断准确度更高（77.5%vs95.0%），误诊率、漏诊率更低。Hattori等[31]对189例亚厘米（≤1 cm）非小细胞肺癌（non-small cell lung cancer，NSCLC）患者的术前PET检查结果进行了回顾性研究，发现SUVmax反映了肿瘤的侵袭性，对亚厘米NSCLC的预后也有很大影响，尤其是当肿瘤在薄层CT扫描中表现为实性结节时，高SUVmax组（SUVmax＞2）和低SUVmax组（SUVmax≤2）患者的3年无复发生存率（recurrence-free survival，RFS）分别为76.7%和91.7%。

由于18F-FDG显像剂的非特异性，一些急性感染和炎症过程，如结核病、隐球菌感染和类风湿结节等也会具有高摄取，通常与快速生长和未分化肿瘤的SUV重叠，导致假阳性[33]，而对于直径＜8 mm的肺结节及低度恶性肿瘤则会出现假阴性[39]。Chen等[40]对初始未见摄取的实性肺结节进行随访，其中18.2%的结节在平均37.6个月时发展为恶性肿瘤，对于此类结节需慎重诊断，随访时间仍需进一步探讨。

1.3 MRI在实性肺结节良恶性分析中的研究进展

MRI具有软组织分辨率高、无电离辐射、对比剂不良反应少等优点，在胸部疾病诊断中的应用有所增加[41]。动态对比增强MRI（dynamic contrast enhanced-MRI，DCE-MRI）和弥散加权MRI（diffusion weighted-MRI，DW-MRI）可用于良恶性结节的鉴别诊断[41-42]。Kumar等[43]评估了 DCE-MRI和DW-MRI参数在区分＞2 cm实性肺结节良恶性中的作用，结果发现，容积转移常数（volume transfer constant，Ktrans）在所有参数中表现最佳，当 Ktrans以0.250 min-1为阈值时，诊断恶性结节的灵敏度为65.2%，特异度为100%，准确度为74.2%；平均表观扩散系数（apparent diffusion coefficient，ADC）是DWI参数的最佳预测指标，当平均ADC以1209.0×10-6mm2/s为阈值时，灵敏度为65.2%，特异度为87.5%，准确度为71.0%，平均ADC和Ktrans具有相似的灵敏度和准确度。Feng等[41]进一步研究了DCE-MRI联合DWI对直径＞10 mm实性肺结节良恶性的鉴别诊断效能，其中DCE-MRI采用放射状容积内插屏气检查（radial volumetric interpolated breath-hold examination，r-VIBE）序列，结果显示，良性结节的Ktrans、反流速率常数（rate constant，Kep）均低于恶性结节，ADC高于恶性结节，良性组的 Ktrans、Kep、ADC 值分别为（0.12±0.07）min-1、（0.38±0.21）min-1、（1.32±0.25）×10-3mm/s，恶性组的 Ktrans、Kep、ADC 值分别为（0.21±0.15）min-1、（0.78±0.60）min-1和（0.99±0.24）×10-3mm/s。Ktrans、Kep和ADC诊断良恶性结节的AUC分别为0.775、0.837和0.867，其中腺癌的Ktrans高于鳞状细胞癌和小细胞癌（P＜0.05），Ktrans有助于肺癌亚型的评估。DCE-MRI易受到呼吸运动伪影的影响，导致图像质量降低[44]，r-VIBE可有效减少运动伪影，与传统容积内插屏气检查（conventional volumetric interpolated breath-hold examination，C-VIBE）相比提高了实性肺结节的检出率，尤其对4～6 mm的实性结节，C-VIBE（62.0%）和r-VIBE（93.1%）的检出率存在显著差异[45]。

目前MRI的研究多集中在应用不同序列以提高肺小结节的检出率[46-47]，针对实性肺结节良恶性鉴别的MRI新技术仍有待进一步开发和研究。

2 血液生物标志物

近年来血液生物标志物在临床中得以推广和应用，对于肺结节良恶性的鉴别诊断有着重要的参考价值[48]。目前临床中肺癌的血清肿瘤标志物主要包括癌胚抗原（carcinoembryonic antigen，CEA）、神经元特异性烯醇化酶（neuron specific enolase，NSE）、鳞状细胞癌抗原（squamous cell carcinoma antigen，SCC-Ag）、细胞角质蛋白19片段抗原 21-1（cyto-keratin 19 fragment antigen 21-1，CYFRA21-1）和胃泌素释放肽前体（pro-gastrin-releasing peptide，ProGRP）等。Fang等[49]研究指出，对于≤20 mm的实性肺小结节，恶性组的SCC-Ag、NSE、ProGRP水平均明显高于良性组，其中鳞状细胞肺癌中SCC-Ag显著升高，而小细胞肺癌中NSE和ProGRP显著升高。有研究指出，血清CYFRA21-1和CEA联合检测鉴别诊断恶性和良性肺结节的阳性预测值为80.0%，阴性预测值为84.2%，AUC为0.863[50]。然而，这些肿瘤标志物鉴别诊断良恶性肺结节的特异度和灵敏度均较低，需要寻找新的生物标志物来辅助肺结节的诊断[51]。

目前的新型生物标志物主要包括肿瘤相关抗原自身抗体、循环肿瘤细胞（circulating tumor cell，CTC）、DNA甲基化、微小RNA（microRNA，miRNA）等血液组分。Ajona等[52]评估了特异性检测补体C4d诊断不确定性肺结节的潜力，在病例对照研究中，血液C4d诊断恶性结节的AUC为0.82，对于8～30 mm的肺结节患者，C4d诊断良性肺结节的阴性预测值为84%，阳性预测值为54%，特异度为89%，灵敏度为44%。近年来，液体活检在肺结节诊断中受到越来越多的关注，其中CTC在肺部良恶性结节的诊断中取得了较大进展[53]。研究表明，恶性肺结节患者的平均CTC数量明显多于良性肺结节患者，ⅠB/Ⅱ/Ⅲ期肺癌的CTC数量明显少于0/ⅠA期肺癌，CTC作为诊断标志物鉴别良恶性肺结节的灵敏度和特异度分别为92.7%和50.0%，AUC为0.713[54]。DNA甲基化是一种相对稳定的生化修饰，在早期肿瘤发生发展过程中起着十分重要的作用，血浆DNA甲基化的评估可用于鉴别肺结节的良恶性[55]。Zhao等[56]研究评估了RUNX家族转录因子3（RUNX family transcription factor 3，RUNX3）和Ras相关区域家族1A（Ras association domain family 1A，RASSF1A）基因启动子区域的甲基化在诊断≤10 mm肺结节中的作用，发现恶性肺结节患者的血清RUNX3和RASSF1A基因甲基化率均明显高于良性肺结节患者（65.5%vs12.3%、67.2%vs10.1%）。Li等[50]研究指出，恶性肺结节患者的血清miRNA-21-5p和miRNA-574-5p水平均明显高于良性肺结节患者[（6.63±14.39）vs（1.99±2.80）、（86.75±288.25）vs（2.59±2.92）]，血清miRNA-21-5p、miRNA-574-5p、CYFRA21-1和CEA联合诊断恶性肺结节的阳性预测值为80%，阴性预测值为89.5%，AUC为0.921。对于血液生物标志物诊断肺结节，单一的标志物难以同时实现较高的灵敏度和特异度，采用多种肿瘤标志物联合检测、筛选最佳组合、生物标志物和影像学检查的综合分析是目前的发展趋势。

3 危险因素分析及临床预测模型

临床和影像学特征是医师判断肺结节良恶性的关键，实用而准确的临床模型可以预测肺结节的良恶性，应用于临床有利于降低医疗保健成本、辐射剂量和死亡风险[57]。目前的研究大多是对整体肺结节进行危险因素分析和建立模型，如Mayo模型、Herder模型、VA模型、Gurney模型、PKUPH模型、Brock模型等[58]，但与恶性亚实性结节相比，恶性实性结节具有不同的病因、遗传模式和临床行为，需要单独分析处理[57]。对于实性肺结节，BIMC模型具有良好的诊断效能，AUC为0.893，其中结节大小、强化程度、形态和体积倍增时间是恶性肿瘤的最佳预测指标[59]。研究表明，BIMC模型在预测实性肺结节良恶性方面较Mayo模型、Gurney模型和PKUPH模型的准确度更高，不确定结节和假阳性结果更少[60]。

不同于上述模型，喻微等[61]开发了针对实性肺结节的良恶性预测模型，结果显示，年龄、肿瘤既往史和家族史、边界清晰、分叶征、毛刺征、空气支气管征及钙化均是恶性结节的独立危险因素，利用筛选出的预测因子建立的诊断模型的AUC为0.922，诊断准确度为84.89%。王欢等[62]选取经胸部高分辨率CT（high resolution CT，HRCT）检查发现的实性肺结节并建立Logistic回归分析模型，指出女性、肿瘤家族史、分叶征、毛刺征、血管集束征均是恶性实性孤立性肺结节的独立预测因素，模型的诊断准确度为85.4%，灵敏度为90.8%，特异度为79.8%。

Zhang等[57]研究将实性肺结节按大小分为≤15 mm组和＞15 mm且≤30 mm组，对不同大小的肺结节分别建立诊断模型，两组模型的验证集AUC分别为0.71和0.81，前者的独立预测因子为年龄、形状、毛刺征、淋巴细胞、CEA，后者为年龄、性别、恶性肿瘤史、形状、毛刺征、残气量与总肺活量的比值（residual volume/total vital capacity，RV/TLC）、CEA、CYFRA21-1、NSE。亚厘米（直径≤1 cm）实性肺结节是T分期中直径最小的结节，影像诊断尤为困难，有研究指出，高龄、结节位于上叶、边缘不光滑、分叶征、空泡征、血管集束征均是恶性结节的独立危险因素[58]。汤继征等[8]研究指出，对于＜1 cm的实性肺结节，结节最长径、最大CT值、分叶征和毛刺征对鉴别肺恶性结节和肺内淋巴结更为重要，根据Logistic回归分析结果建立预测模型，得到AUC为0.877。

以上模型的建立大多基于CT检查结果和临床资料，Guo等[63]则建立了基于PET/CT的预测模型，应用Logistic回归分析模型，发现恶性实性结节的独立预测因素分别为年龄、男性、吸烟史、病灶直径、分叶征、空腔和SUV，模型的训练集和验证集AUC分别为0.858和0.809，与其他模型相比具有较高的灵敏度和准确度。

4 计算机辅助诊断（computer-aided diagnosis，CAD）技术

医师可以通过分析CT图像中肺结节的信息如形态、大小、纹理特征等诊断肺癌，但注意力不集中、疲劳和缺乏相关临床经验等可能会影响判断的准确性[64]。CAD技术的发展旨在减轻医师的工作压力并提高诊断效率和准确性[65]。近年来随着人工智能技术的发展，基于影像组学和深度学习的CAD在实性肺结节的诊断中取得了一定的进展。

4.1 影像组学

影像组学可以高通量地提取医学图像的大量定量图像特征，将医学影像转化成具有挖掘价值的数据，以量化肿瘤在医学图像中显示的差异[66]。研究表明，与临床模型相比，影像组学模型和列线图在预测＜2 cm不确定性实性肺结节中表现出更高的效能[67]，而将影像组学特征与临床特征相结合，将有望进一步提升模型的诊断效能。Zhuo等[68]回顾性分析313例证实为肺腺癌和肺结核瘤的实性肺结节患者的临床资料，根据6个临床特征（毛刺征、空泡征、结节最小直径、纵隔淋巴结肿大、性别、年龄）和15个放射组学特征建立列线图模型，训练集和验证集的AUC分别为1.00（95%CI：0.99～1.00）和 0.99（95%CI：0.98～1.00），结合了影像组学特征和临床特征的列线图模型优于单一的影像组学特征或临床模型（P＜0.05），显示出了良好的预测效果。Chen等[69]回顾了经手术病理证实为肺腺癌和肉芽肿病变的214例亚厘米实性肺结节患者的临床资料，将性别、分叶征与影像组学特征相结合构建模型，训练集和验证集的AUC分别为0.885（95%CI：0.823～0.931）和 0.808（95%CI：0.690～0.896）。此外，Zhang等[70]研究发现，与单一临床模型相比，结合影像组学和临床特征的模型可以更好地提升对实性结节良恶性的鉴别能力。

目前影像组学的关注点主要在于分析结节内部区域，如结节的形状、边缘、纹理特征等，而研究表明，结节周围区域特征可能与其良恶性有关[3,71]。Calheiros等[3]探讨了结节周围区域特征对实性肺结节分类的影响，与仅分析结节内部特征相比，结节周围区域和结节内部特征相结合可改善模型的诊断效能，其中表现最佳的模型的平均AUC为0.916，准确度为84.26%，灵敏度为84.45%，特异度为83.84%。

Delta影像组学引入了时间变量，即在治疗过程中的不同时间点对某一病灶提取定量特征，以监测病灶的发展过程[72]。研究发现，在预测肺结节良恶性中，Delta特征与常规组学特征相结合时模型的AUC为0.822，而仅常规组学特征时AUC为0.773[73]。目前尚无针对实性肺结节良恶性鉴别的Delta影像组学模型，Delta影像组学有望提升模型的分类性能，其在实性肺结节良恶性鉴别诊断方面的应用有待进一步研究和探讨。

4.2 深度学习

深度学习是机器学习的一种算法，具备端到端的学习能力[74]。深度学习与人脑结构相似，与具有浅层架构的传统机器学习算法不同，深度学习可实现多层非线性转换，无需人工手动提取特征，具有更高的效率和巨大的应用潜力[75]。近年来，基于深度学习的CAD在肺结节良恶性鉴别中取得了突破性的进展。卷积神经网络（convolutional neural network，CNN）是最常用的深度学习网络，但用于训练和测试的数据集较小，不利于提升模型的泛化能力[76]。生成对抗网络（generative adversarial network，GAN）可用于数据增强，GAN生成的样本可以提供更多的可变性，从而丰富数据集，Wang等[77]使用GAN技术扩充数据集和CNN分类相结合，与使用原始和普通增强图像的训练方法相比，GAN增强方法将分类准确度分别提高了23.5%和7.3%。深度学习模型的训练集通常需要大量已标记的图像来学习数百万个参数，这需要医师为每个结节提供良性或恶性标签，而获得高质量的标记图像非常费时费力，半监督学习方法提出将少量标记数据与大量未标记数据相结合，弥补了标记训练数据不足的问题，有研究提出一种结合三维CNN模型的半监督聚类算法用于诊断肺结节的良恶性，模型的准确度为94.4%，AUC为0.931[78]。此外，为了更有效地根据医学图像的特点提取信息，以及使深度学习网络结构和训练策略与医学图像更好地匹配，有研究提出了基于视觉注意机制的多尺度CNN算法对肺结节进行良恶性鉴别，其准确度高于其他深度学习方法，且具有良好的鲁棒性[79]。此外，Wang 等[80]采用以 DenseNet为主干的滤波器引导金字塔网络（filter-guided pyramid network，FGPN）构建深度学习诊断模型判断肺结节良恶性，结果显示，其诊断效能与放射科医师相当，AUC为0.706（95%CI：0.626～0.777）。

以上深度学习技术的进展多是针对所有类型肺结节的良恶性分类，而鲜少有专用于实性肺结节的深度学习诊断模型。Sun等[81]采用ResNet建立诊断模型用于区分实性孤立性肺结节或肿块的良恶性，测试集的 AUC 为 0.91（95%CI：0.83～0.99）。已有研究显示，基于深度学习的人工智能辅助检测软件有助于提高低年资医师对不同大小尤其是≤4 mm的肺实性结节的检出效能[82]，但深度学习对实性尤其是亚厘米结节的良恶性鉴别能力仍有待进一步研究和探讨。

5 小结与展望

实性肺结节的良恶性鉴别一直是临床工作中的难点，其中小结节尤其是亚厘米结节缺少明显的影像特征，诊断更为困难。此外，实性结节比亚实性结节恶性程度高、易转移、预后差。因此，实现对恶性实性肺结节早期且准确的诊断十分重要。传统影像学检查中的CT是鉴别实性结节良恶性的基础，影像学特征中的形态、大小、边缘等特点与良恶性息息相关。CT新技术的发展可以实现多角度对实性肺结节的评估；PET/CT可通过反映细胞的代谢情况进行辅助诊断，但其造成的假阳性与假阴性仍不可忽视；MRI不同序列参数有望用于良恶性鉴别，但其临床实用性还有待更多研究。血液生物标志物的诊断灵敏度和特异度有限，需要采用多种标志物联合诊断，最佳的组合仍待探讨。越来越多的临床诊断模型被开发出来，能较为准确地预测实性肺结节的良恶性，但计算繁琐，且只能作为临床医师的参考。随着人工智能技术的不断发展，影像组学和深度学习在肺结节诊断中展现出良好的效能和巨大的潜力。深度学习在放射学中的应用目前还处于起步阶段，针对实性肺结节良恶性诊断的深度学习模型仍有待进一步开发。