肺结节患者恶性肿瘤预测模型的评估

肺结节模型的评价指标主要包括以下几种：
1. 精确度（Precision）：预测为正样本中实际为正样本的概率。

2. 召回率（Recall）：实际为正样本的样本中被预测为正样本的概率。

3. F1值（F1-score）：精确度和召回率的调和平均数。

4. AUC（Area Under Curve）：ROC曲线下的面积，用于衡量模型的分类性能。

5. 诊断准确率：对肺结节进行良恶性判断的准确率。

6. 灵敏度（Sensitivity）：又称真阳性率，实际为正样本的样本中被预测为正样本的概率。

7. 特异性（Specificity）：又称真阴性率，实际为负样本的样本中被预测为负样本的概率。

这些评价指标用于评估肺结节模型的性能和诊断准确性。

在实际应用中，需要根据实际需求和关注点选择合适的评价指标。

㊃肿瘤专栏㊃[收稿日期]2023-03-17[基金项目]广安市肺结节/肺癌全程管理研究(2020S Y F 03)[作者简介]黄语嫣(1994-),女,四川德阳人,川北医学院附属医院医学硕士研究生,从事呼吸肿瘤诊治研究㊂*通信作者㊂E -m a i l :l a n q i l i l y@163.c o m 肺结节良恶性概率预测模型的建立与验证黄语嫣1,邓太兵2,庞 敏1,姜永杰1,蒋 莉1*(1.川北医学院附属医院呼吸与危重症医学科,四川南充637000;2.四川省广安市人民医院呼吸与危重症医学,四川广安638001) [摘要] 目的通过分析肺结节的临床特征和影像学表现,筛选影响肺结节良恶性的因素,并建立及验证预测模型,为肺结节良恶性的鉴别提供参考依据㊂方法选取肺结节患者1160例为研究对象,所有患者按2ʒ1随机分为2组,建模组773例,验证组387例㊂建模组数据进行单因素分析,差异有统计学意义的变量纳入二元L o g i s t i c 回归分析,获得肺结节良恶性病变的独立预测因子,建立良恶性概率预测模型㊂验证并比较本研究模型与传统经典模型M a yo 模型㊁B r o c k 模型㊁V A 模型㊁北京大学人民医院模型之间的预测性能㊂结果性别㊁年龄㊁肺癌家族史㊁结节质地㊁结节直径㊁分叶征㊁空泡征㊁血管集束征㊁钙化征㊁细支气管征㊁胸膜牵拉征为肺结节良恶性病变的独立预测因子(P <0.05)㊂本研究模型的受试者工作特征曲线下面积(0.856)高于M a y o 模型(0.604)㊁B r o c k 模型(0.447)㊁V A 模型(0.569)及北京大学人民医院模型(0.677),其预测敏感度为86.10%,特异度为73.70%㊂结论本研究构建的预测模型具有良好的诊断效能,可能优于传统经典模型,对临床医生鉴别肺结节的良恶性有一定的参考价值㊂[关键词] 多发性肺结节;肺肿瘤;预测模型 d o i :10.3969/j .i s s n .1007-3205.2024.03.005 [中图分类号] R 734.2 [文献标志码] A [文章编号] 1007-3205(2024)03-0278-06E s t a b l i s h m e n t a n dv a l i d a t i o no f p r o b a b i l i t yp r e d i c t i o nm o d e l f o r b e n i gn a n dm a l i g n a n t p u l m o n a r y no d u l e s HU A N G Y u -y a n 1,D E N G T a i -b i n g 2,P A N G M i n 1,J I A N G Y o n g -ji e 1,J I A N GL i 1*(1.D e p a r t m e n t o f R e s p i r a t o r y a n dC r i t i c a lC a r eM e d i c i n e ,t h eA f f i l i a t e d H o s p i t a l o f No r t hS i c h u a n M e d i c a lC o l l e g e ,N a n c h o n g 637000,C h i n a ;2.D e p a r t m e n t o f R e s p i r a t o r y an d C r i t i c a lC a r eM e d i c i n e ,G u a n g 'a nP e o p l e 'sH o s pi t a l ,S i c h u a nP r o v i n c e ,G u a n g'a n 638001,C h i n a )[A b s t r a c t ] O b j e c t i v e T oa n a l y z e t h e c l i n i c a l c h a r a c t e r i s t i c s a n d i m a g i n g m a n i f e s t a t i o n so f p u l m o n a r y n o d u l e s ,t o s c r e e n t h e f a c t o r s t h a t a f f e c t t h em a l i g n a n c y o f p u l m o n a r y no d u l e s ,a n d t o e s t a b l i s ha n dv a l i d a t e p r e d i c t i o nm o d e l s ,t h u s p r o v i d i n g a r e f e r e n c e b a s i s f o r t h e d i f f e r e n t i a t i o n o f b e n i g na n d m a l i g n a n t p u l m o n a r y n o d u l e s .M e t h o d s At o t a lo f1160p a t i e n t sw i t h p u l m o n a r y n o d u l e sw e r e s e l e c t e da s t h e r e s e a r c hs u b j e c t s ,a n dt h e nr a n d o m l y d i v i d e d i n t o t w o g r o u psa t a r a t i oo f 2ʒ1:am o d e l i n gg r o u p (n =773)a n dav a l i d a t i o n g r o u p (n =387).U n i v a r i a t ea n a l ys i s w a sc o n d u c t e d o n t h e d a t a o f m o d e l i n g g r o u p ,a n d v a r i a b l e s w i t h s t a t i s t i c a l l y s i g n i f i c a n t d i f f e r e n c e sw e r e i n c l u d e di nb i n a r y l o g i s t i cr e g r e s s i o na n a l y s i st oo b t a i ni n d e pe n d e n t p r e d i c t i v ef a c t o r s f o rb e n ig na n d m a l i g n a n t p u l m o n a r y n o d u l e s ,a n dt oe s t a b l i s ha p r o b a b i l i t ypr e d i c t i o n m o d e l f o r b e n i g n a n dm a l i g n a n t l e s i o n s .T h e p r e d i c t i v e p e r f o r m a n c e o f t h i sm o d e l w i t h t r a d i t i o n a l ㊃872㊃第45卷第3期2024年3月河北医科大学学报J O U R N A L O F H E B E I M E D I C A L U N I V E R S I T YV o l .45 N o .3M a r . 2024c l a s s i cm ode l s s u c ha s M a y o m o d e l,B r o c k m o d e l,V A m o d e l,a n d m o d e l o fP e k i n g U n i v e r s i t y P e o p l e's H o s p i t a lw a sv e r if i e da n dc o m p a r e d.R e s u l t s Ag e,g e n d e r,f a m i l yhi s t o r y o fl u n g c a n c e r,n o d u l e t e x t u r e,n o d u l ed i a m e t e r,l o b u l a t i o ns i g n,v a c u o l a r s i g n,v a s c u l a rb u n d l es i g n, c a l c i f i c a t i o ns i g n,b r o n c h i o l i t i ss i g n,a n d p l e u r a l t r a c t i o ns i g n w e r ei n d e p e n d e n t p r e d i c t o r so fb e n i g na n d m a l i g n a n t p u l m o n a r y n o d u l e s(P<0.05).T h ea r e au n d e rt h er ec e i v e ro p e r a t i n gc h a r a c t e r i s t i c(R O C)c u r v e(A U C)o f t h i sm ode l(0.856)w a s h i g h e r t h a n t h a t of t h eM a y om o d e l(0.604),B r o c km o d e l(0.447),V A m o d e l(0.569),a n d m o d e lo fP e k i n g U n i v e r s i t y P e o p l e'sH o s p i t a l(0.677),w i t ha p r e d i c t i v e s e n s i t i v i t y o f86.10%a n d a s p e c i f i c i t y o f73.70%.C o n c l u s i o n T h e p r e d i c t i o nm o d e l c o n s t r u c t e d i n t h i s s t u d y i sw i t h g o o dd i a g n o s t i c e f f i c a c y,w h i c h m a y b e s u p e r i o r t o t h e t r a d i t i o n a lm o d e l s,w h i c hh a s g r e a t e r r e f e r e n c ev a l u e f o r c l i n i c i a n s t od i s t i n g u i s h t h eb e n i g na n dm a l i g n a n t p u l m o n a r y n o d u l e s.[K e y w o r d s] m u l t i p l e p u l m o n a r y n o d u l e s;l u n g n e o p l a s m s;p r e d i c t i o nm o d e l肺结节是影像学上直径ɤ3c m的局灶㊁密度增高的肺部阴影,性质为实性或亚实性,可以是孤立性或多发性,且无肺不张㊁肺门淋巴结肿大及胸腔积液[1]㊂由于近年来人们对体检的重视及低剂量计算机断层扫描(l o w-d o s e h e l i c a l c o m p u t e d t o m o g r a p h y,L D C T)的广泛应用,肺结节的检出率明显升高㊂研究[2]显示,在北美㊁欧洲和东亚地区,肺结节的发病率分别为23%㊁29%㊁35.5%,恶变率分别为1.7%㊁1.2%㊁0.54%㊂如今,肺癌仍为世界癌症死亡的主要原因㊂肺癌的5年生存率从I A1期至I V B期为92%~100%㊂早期诊断肺癌尤为重要㊂美国肺癌筛查结果显示,L D C T的应用使肺癌病死率相对降低20%㊂但C T筛查可出现大量假阳性结果[3],增加后期随访及治疗的经济负担和精神负担㊂活检为有创检查,不必要情况下需尽量避免㊂因此,运用肺结节良恶性预测模型,在活检之前评估肺癌的概率十分重要㊂基于此,本研究旨在通过分析肺结节的临床特征和影像学表现,筛选影响肺结节良恶性的因素,并建立及验证预测模型,为肺结节良恶性的鉴别提供参考依据㊂1资料与方法1.1一般资料选取2019年1月 2021年11月川北医学院附属医院和广安市人民医院收治的肺结节患者1160例为试验组,其中男性544例,女性616例,平均年龄(56.37ʃ10.56)岁,恶性结节共805例,占69.40%,良性结节共355例,占30.60%㊂纳入标准:①胸部C T示直径介于5~30mm的肺结节病例;②肺部原发,病理诊断明确,恶性可为外科手术和小活检标本,良性为外科手术标本;③病理诊断前半年内在研究中心拍摄过胸部C T㊂排除标准:①完全钙化结节;②临床信息不完整,无法采集数据;③既往肺癌病史㊂本研究通过医院伦理委员会批准㊂所有患者及其家属均知情同意且签署知情同意书㊂1.2数据收集收集患者的临床资料㊁结节的影像学特征㊂临床资料包括性别㊁年龄㊁吸烟史㊁年吸烟量㊁粉尘接触史㊁合并症(慢性阻塞性肺病㊁弥漫性肺纤维化㊁既往肺结核㊁尘肺)㊁既往恶性肿瘤史㊁恶性肿瘤家族史㊁肺癌家族史㊁非肺癌恶性肿瘤家族史㊂影像学特征包括结节质地(实性结节㊁混合磨玻璃结节㊁纯磨玻璃结节)㊁结节直径(mm)㊁结节位置(右肺上㊁中㊁下叶;左肺上㊁下叶)㊁结节形态㊁边缘光滑与否㊁毛刺征㊁分叶征㊁钙化征㊁空洞征㊁空泡征㊁血管集束征㊁细支气管征㊁胸膜牵拉征㊂影像学特征由影像科医生判读结果为准㊂1.3构建及验证模型所有患者按2ʒ1随机分为2组,建模组773例,验证组387例㊂建模组数据进行单因素分析,差异有统计学意义的变量纳入二元L o g i s t i c回归分析,获得肺结节良恶性病变的独立预测因子,建立良恶性概率预测模型㊂绘制受试者工作特征(r e c e i v e ro p e r a t i n g c h a r a c t e r i s t i c,R O C)曲线,计算曲线下面积(a r e au n d e r c u r v e,A U C),确定最佳诊断分界点,计算敏感度(s e n s i t i v i t y,S e)㊁特异度(s p e c i f i c i t y,S p)㊁阳性预测值(p o s i t i v e p r e d i c t i v ev a l u e,P P V)㊁阴性预测值(n e g a t i v e p r e d i c t i v ev a l u e,N P V)㊁正确率(a c c u r a c y,A c c)㊂将验证组代入M a y o模型㊁B r o c k模型㊁V A模型㊁P K U P H模型及本研究模型,绘制R O C曲线,计算不同模型的A U C㊁S e㊁S p㊁P P V㊁N P V㊁A c c,比较模型预测性能㊂1.4统计学方法应用S P S S26.0统计软件分析数据㊂计量资料比较采用t检验和M a n n-W h i t n e y U检验,计数资料比较采用χ2检验,采用二元㊃972㊃河北医科大学学报第45卷第3期L o gi s t i c 回归分析获得预测独立因子,绘制R O C 曲线检测最佳诊断分界点㊂P <0.05为差异有统计学意义㊂2 结 果2.1 建模组的单因素分析 良恶性病变组在性别㊁年龄㊁吸烟史㊁年吸烟量㊁肺癌家族史㊁结节质地㊁结节直径㊁结节边缘和形态㊁分叶征㊁钙化征㊁空泡征㊁血管集束征㊁细支气管征㊁胸膜牵拉征方面的比较差异有统计学意义(P <0.05),见表1㊂表1 建模组肺结节的单因素分析T a b l e 1 U n i v a r i a t e a n a l y s i s o f p u l m o n a r y n o d u l e s i n t h em o d e l i n g g r o u p组别例数性别(例数,%)男性女性年龄(x -ʃs ,岁)吸烟史(例数,%)有无年吸烟量(例数,%)ȡ400支/年<400支/年良性病变组262156(59.5)106(40.5)55.53ʃ10.3089(34.0)173(66.0)86(32.8)176(67.2)恶性病变组511216(42.3)295(57.7)57.78ʃ10.44136(26.6)375(73.4)126(24.7)385(75.3)χ2/t 值20.6962.8594.5405.804P 值<0.0010.0040.0330.016组别例数恶性肿瘤家族史(例数,%)有无肺癌家族史(例数,%)有无非肺癌家族史(例数,%)有无良性病变组2626(2.3)256(97.7)2(0.8)260(99.2)5(1.9)257(98.1)恶性病变组51120(3.9)491(96.1)17(3.3)494(96.7)5(1.0)506(99.0)χ2/t 值1.4054.7470.558P 值0.2360.0290.455组别例数胸膜牵拉征(例数,%)有无质地(例数,%)实性结节混合磨玻璃结节纯磨玻璃结节良性病变组262144(55.0)118(45.0)208(79.4)25(9.5)29(11.1)恶性病变组511334(65.4)177(34.6)300(58.7)156(30.5)55(10.8)χ2/t 值7.93843.864P 值0.005<0.001组别例数位置(例数,%)右上右中右下左上左下形态(例数,%)规则不规则良性病变组26294(35.9)17(6.5)62(23.7)48(18.3)41(15.6)25(9.5)237(90.5)恶性病变组511170(33.3)43(8.4)87(17.0)129(25.2)82(16.0)21(4.1)490(95.9)χ2/t 值8.7779.133P 值0.0670.003组别例数边缘(例数,%)光滑不光滑毛刺征(例数,%)有无细支气管征(例数,%)有无良性病变组26243(16.4)219(83.6)67(25.6)195(74.4)22(8.4)240(91.6)恶性病变组51155(10.8)456(89.2)164(32.1)347(67.9)174(34.1)337(65.9)χ2/t 值4.9923.51560.225P 值0.0250.061<0.001组别例数分叶征(例数,%)有无钙化征(例数,%)有无空洞征(例数,%)有无良性病变组262210(80.2)52(19.8)2(0.4)509(99.6)4(1.5)258(98.5)恶性病变组511442(86.5)69(13.5)16(6.1)246(93.9)13(2.5)498(97.5)χ2/t 值5.28024.8760.833P 值0.022<0.0010.361组别例数空泡征(例数,%)有无血管集束征(例数,%)有无良性病变组26221(8.0) 241(92.0)141(53.8)121(46.2)恶性病变组51170(13.7)441(86.3)442(86.5)69(13.5)χ2/t 值5.38699.782P 值0.020<0.0012.2 多因素分析结果 以肺结节病变良恶性为因变量(良性=0,恶性=1)以单因素分析中差异有统计学意义的变量为自变量(赋值表见表2),纳入二元L o g i s t i c 回归分析,结果显示性别㊁年龄㊁肺癌家族史㊁结节质地㊁结节直径㊁分叶征㊁空泡征㊁血管集束征㊁钙化征㊁细支气管征㊁胸膜牵拉征为肺结节良恶性病变的独立预测因子(P <0.05)㊂结节质地中,混合磨玻璃更易发生恶性病变(P <0.05)㊂见表3㊂㊃082㊃河北医科大学学报 第45卷 第3期表2L o g i s t i c回归分析法赋值T a b l e2L o g i s t i c r e g r e s s i o na n a l y s i s a s s i g n m e n t s变量赋值变量赋值变量赋值年龄连续变量年吸烟量<400支/年=0,ȡ400支/年=1肺癌家族史无=0,有=1性别男性=0,女性=1钙化征无=0,有=1结节直径连续变量吸烟史无=0,有=1质地纯磨玻璃结节=1,混合磨玻璃结节=2,实性结节=3血管集束征无=0,有=1分叶征无=0,有=1形态不规则=0,规则=1胸膜牵拉征无=0,有=1空泡征无=0,有=1边缘不光滑=0,光滑=1细支气管征无=0,有=1表3建模组肺结节的多因素分析T a b l e3M u l t i v a r i a t e a n a l y s i s o f p u l m o n a r y n o d u l e s i n t h em o d e l i n g g r o u p 指标回归系数标准误W a l dχ2值P值O R值95%C I 年龄0.0210.0104.7750.0291.0211.002~1.041性别0.9250.19921.543<0.0012.5211.706~3.725肺癌家族史1.6570.8114.1780.0415.2441.071~25.686结节质地纯磨玻璃结节0.8550.3147.4300.0062.3511.271~4.345混合性磨玻璃结节2.0800.30247.534<0.0018.0074.432~14.464结节直径0.0600.01613.144<0.0011.0611.028~1.096分叶征0.5690.2804.1360.0421.7661.021~3.054钙化征-4.2000.99917.676<0.0010.0150.002~0.106空泡征1.0930.32511.3240.0012.9821.578~5.634血管集束征1.9510.22475.785<0.0017.0374.535~10.918细支气管征1.6880.27437.862<0.0015.4113.160~9.265胸膜牵拉征0.5150.2175.6270.0181.6741.094~2.563 2.3构建和评价临床预测模型预测模型使用以下公式计算恶性概率:恶性概率(P)=e x/(1+e x),x=-4.890+(0.021ˑ年龄)+(0.925ˑ性别)+(1.657ˑ肺癌家族史)+(0.855ˑ纯磨玻璃结节)+(2.080ˑ混合磨玻璃结)+(0.515ˑ胸膜牵拉征)+(0.569ˑ分叶征)+(0.06ˑ结节直径+1.093ˑ空泡征-4.2ˑ钙化征+1.951ˑ血管集束征+1.688ˑ细支气管征)㊂其中,e为自然对数,X方程中,性别为女,取值为1,性别为男,取值为0;对于肺癌家族史㊁纯磨玻璃结节㊁混合磨玻璃结节㊁血管集束征㊁钙化征㊁空泡征㊁细支气管征㊁胸膜牵拉征㊁分叶征,有对应元素取值为1,否则为0㊂绘制建模组R O C曲线(图1),其A U C为0.852(95%C I:0.823~0.881)㊂模型最佳诊断分界点为0.667,S e为78.5%,S p为80.0%,P P V为87.0%,N P V 为78.0%,A c c为78.0%㊂2.4模型的验证及比较将验证组数据代入M a y o 模型㊁B r o c k模型㊁V A模型㊁P K U P H模型及本研究模型,绘制R O C曲线(图2),比较各模型的A U C㊁S e㊁S p㊁P P V㊁N P V㊁A c c,结果显示本研究模型A U C 明显高于其余4种模型,其预测敏感度为86.10%,特异度为73.70%,见表4㊂图1建模组的R O C曲线F i g u r e1R O Cc u r v e o f t h em o d e l i n g g r o u p图2验证组各模型的R O C曲线F i g u r e2R O Cc u r v e o f e a c hm o d e l i n t h e v a l i d a t i o n g r o u p㊃182㊃河北医科大学学报第45卷第3期表4 验证组各模型的预测性能T a b l e 4 P r e d i c t i o n p e r f o r m a n c e o f e a c hm o d e l i n t h e v a l i d a t i o n g r o u p模型A U CS e (%)S p (%)P P V (%)P V 值(%)A C C (%)95%C IM a yo 0.60451.4080.9082.0032.0056.000.541~0.666B r o c k 0.44710.4090.9074.000.0074.000.381~0.514P K U P H 0.67763.9064.6084.0038.0064.000.615~0.738V A 0.56968.1047.5079.0034.0063.000.503~0.634本研究0.85686.1073.7091.0065.0083.000.811~0.9013 讨 论M a yo 模型㊁B r o c k 模型㊁V A 模型㊁P K U P H 模型均在国内群体验证过且是最被感兴趣的国内外经典良恶性概率预测模型[4]㊂但M a yo 模型的影像学资料来源于胸部X 线片,约12%的肺结节无确切的良恶性诊断结果[5],可能导致模型的准确性欠佳㊂B r o c k 模型纳入的患者年龄50~75岁,均有吸烟史,且排除了既往肿瘤史患者[6],模型的适用人群范围可能较窄㊂V A 模型研究主体人群为老年白人男性,且90%以上的患者有吸烟史[7],导致模型在女性患者中应用受限㊂前3个模型均是基于非亚洲人群建立的,亚太结节评估指南指出,在非亚洲人群中开发的评估模型可能存在不适用性㊂P K U P H 模型基于国内人群建立,在国内应用较广泛,但该模型排除了5年内有恶性肿瘤史的患者[8],使得其运用范围受到一定的限制㊂而本研究分析了2个中心共1160例肺结节患者患者多达23项临床数据和影像学特征,所有病例都有完整的影像学数据及明确的病理诊断,经过单因素㊁多因素分析,筛选了11项肺结节良恶性独立预测因子,构建了新的预测模型,用于评估肺结节的恶性风险,验证并比较了新模型与M a yo 模型㊁B r o c k 模型㊁V A 模型㊁P K U P H 模型之间的预测性能,结果显示本模型的A U C 大于经典模型,证明本研究模型预测肺结节良恶性能力可能优于现有的4个模型,对于良恶性肺结节的鉴别可能有更高的临床价值㊂与上述4个经典预测模型一样,本研究模型中也包含性别㊁年龄㊁结节直径㊁钙化征,另外,本研究模型新增了结节质地(包括纯磨玻璃和混合磨玻璃)㊁血管集束征㊁空泡征㊁细支气管征㊁胸膜牵拉征㊁分叶征和肺癌家族史㊂M c W i l l i a m s 等[6]对1871例包括7008个肺结节的研究显示,混合磨玻璃结节类型是癌症的预测因素㊂本研究结果也显示结节质地是肺结节良恶性的危险因素,并且混合磨玻璃结节恶性风险更高㊂血管征是恶性肿瘤的重要指标,肿瘤的生长和转移依赖于新生血管㊂血管集束征在良性结节中占31%,恶性结节中占54%㊂Z h o u 等[9]建立的孤立性肺结节恶性肿瘤风险临床模型中,纳入血管集束征为危险因素㊂本研究结果与既往研究结果一致,认为有血管集束征的肺结节恶性风险更大㊂肺结节中直径<5mm 的低密度区为空泡征,而低密度区连续多个层面,直达结节外缘为细支气管征㊂本研究结果显示空泡征和细支气管征为恶性肺结节的危险因素,与既往研究结果一致㊂X i a 等[10]建立肺癌预测模型中包括了空泡征和细支气管征,Z h a o 等[11]也将细支气管征纳入预测模型,H o u 等[12]认为空泡征的存在与恶性结节相关㊂本研究模型中还包括胸膜牵拉征和分叶征,X i a 等[10]研究显示,胸膜牵拉征和分叶征均为恶性肺结节的独立预测因素,Z h a o 等[11]同样在肺结节的良恶性预测模型中纳入了胸膜牵拉征,Y u 等[13]开发的孤立性肺结节恶性预测模型中也包括了分叶征㊂肺癌家族史与肺癌风险相关并被用作肺癌风险的预测因子[14],M c W i l l i a m s 等[6]研究中建立的完整模型也将肺癌家族史归为癌症的预测因素㊂本研究模型中不包括毛刺征㊁上叶位置和吸烟史㊂毛刺征也可出现于良性病变中㊂荟萃分析[15]显示周围型肺癌和炎性假瘤都可有毛刺征,但肺癌的毛刺短而细,炎性假瘤的毛刺长而粗㊂W e i 等[16]研究表明肺结核也有毛刺表现,王新强等[17]在错构瘤中显示毛刺征,X i a o 等[18]报道了肺部炎性结节中有毛刺征㊂本研究单因素分析显示毛刺征在肺结节良恶性方面比较差异无统计学意义,可能与本研究中肺结核㊁炎性假瘤及炎性结节占比较大相关㊂对于上叶位置,其是我国肺结核好发部位,因此对于位于上叶位置的肺结节恶性概率大的说法并不完全适合我国[1]㊂本研究中腺癌比率明显高于鳞癌,与既往研究[4]一致㊂近年来,可能由于空气污染等原因,非吸烟肺癌患者比率逐年升高,且女性腺癌发病率较高㊂有对中国不同地区6家医院的8392名员工的体检资料的研究,结果也显示肺癌患者中非吸烟者多于吸烟者[19]㊂综上所述,本研究筛选出性别㊁年龄㊁肺癌家族史㊁结节质地㊁结节直径㊁分叶征㊁空泡征㊁血管集束㊃282㊃河北医科大学学报 第45卷 第3期征㊁钙化征㊁细支气管征㊁胸膜牵拉征是判断肺结节良恶性病变的独立预测因子㊂结节质地中,磨玻璃结节发生恶性病变的风险高于实性结节,且混合磨玻璃结节更容易发生恶性病变㊂本研究建立的预测模型区分度优于传统经典模型,但本研究模型在其他人群中的表现是否也优于传统模型,还需要更多研究验证㊂[参考文献][1]中华医学会呼吸病学分会肺癌学组.中国肺癌防治联盟专家组.肺结节诊治中国专家共识(2018年版)[J].中华结核和呼吸杂志,2018,41(10):763-771.[2]S u n g H,F e r l a y J,S i e g e lR L,e ta l.G l o b a lc a n c e rs t a t i s t i c s2020:G L O B O C A N e s t i m a t e s o fi n c i d e n c e a n d m o r t a l i t yw o r l d w i d e f o r36c a n c e r s i n185c o u n t r i e s[J].C A C a n c e rJC l i n,2021,71(3):209-249.[3] H e X,X u e N,L i u X,e t a l.A n o v e lc l i n i c a l m o d e lf o rp r e d i c t i n g m a l i g n a n c y o f s o l i t a r y p u l m o n a r y n o d u l e s:am u l t i c e n t e r s t u d y i n c h i n e s e p o p u l a t i o n[J].C a n c e rC e l l I n t,2021,21(1):115.[4]王昭珏,赵静,王孟昭.孤立性肺结节恶性概率预测模型的研究进展及临床应用[J].中国肺癌杂志,2021,24(9):660-667.[5]S w e n s e n S J,S i l v e r s t e i n M D,I l s t r u p D M,e t a l.T h ep r o b a b i l i t y o f m a l i g n a n c y i n s o l i t a r y p u l m o n a r y n o d u l e s.A p p l i c a t i o n t o s m a l l r a d i o l o g i c a l l y i n d e t e r m i n a t en o d u l e s[J].A r c h I n t e r n M e d,1997,157(8):849-855.[6] M c W i l l i a m sA,T a mm e m a g iM C,M a y oJ R,e t a l.P r o b a b i l i t yo f c a n c e r i n p u l m o n a r y n o d u l e s d e t e c t e d o n f i r s t s c r e e n i n g C T[J].NE n g l JM e d,2013,369(10):910-919.[7] G o u l d MK,A n a n t hL,B a r n e t tP G,e t a l.Ac l i n i c a lm o d e l t oe s t i m a t e t h e p r e t e s t p r o b a b i l i t y of l u ng c a n c e r i n p a t i e n t sw i t hs o l i t a r yp u l m o n a r y n o d u l e s[J].C h e s t,2007,131(2):383-388.[8]李运,陈克终,隋锡朝,等.孤立性肺结节良恶性判断数学预测模型的建立[J].北京大学学报(医学版),2011,43(3):450-454.[9] Z h o uL,Z h o uZ,L i uF,e t a l.E s t a b l i s h m e n t a n dv a l i d a t i o no fa c l i n i c a lm o d e l f o r d i a g n o s i n g s o l i t a r y p u l m o n a r y n o d u l e s[J].J S u r g O n c o l,2022,126(7):1316-1329.[10] X i aC,L i u M,L i X,e t a l.P r e d i c t i o n m o d e l f o r l u n g c a n c e r i nh i g h-r i s kn o d u l e s b e i n g c o n s i d e r e d f o r r e s e c t i o n:d e v e l o p m e n ta n dv a l i d a t i o n i na c h i n e s e p o p u l a t i o n[J].F r o n tO n c o l,2021,11:700179.[11] Z h a oH C,X uQ S,S h i Y B,e t a l.C l i n i c a l-r a d i o l o g i c a l p r e d i c t i v em o d e l i nd i f f e r e n t i a l d i a g n o s i so f s m a l l(ɤ20mm)s o l i t a r yp u l m o n a r y n o d u l e s[J].B M CP u l m M e d,2021,21(1):281.[12] H o u H,Y u S,X u Z,e ta l.P r e d i c t i o n o f m a l i g n a n c y f o rs o l i t a r y p u l m o n a r y n o d u l e s b a s e d o n i m a g i n g,c l i n i c a lc h a r a c t e r i s t i c sa n dt u m o r m a r k e rl e v e l s[J].E u rJ C a n c e rP r e v,2021,30(5):382-388.[13] Y u M,W a n g Z,Y a n g G,e ta l.A m o d e lo f m a l i g n a n tr i s kp r e d i c t i o n f o r s o l i t a r yp u l m o n a r y n o d u l e so n18F-F D GP E T/C T:B u i l d i n g a n d e s t i m a t i n g[J].T h o r a cC a n c e r,2020,11(5):1211-1215.[14] T o u m a z i s I,B a s t a n iM,H a nS S,e t a l.R i s k-b a s e d l u n g c a n c e rs c r e e n i n g:As y s t e m a t i c r e v i e w[J].L u n g C a n c e r,2020,147:154-186.[15] Z h e n g S,S h u J,X u e J,e ta l.C T S i g n s a n d d i f f e r e n t i a ld i a g n o s i s o f pe r i p h e r a l l u n g c a n c e r a n d i nf l a mm a t o r yp s e u d o t u m o r:am e t a-a n a l y s i s[J].JH e a l t h cE n g,2022,2022:3547070.[16] W e iS,S h i B,Z h a n g J,e t a l.D i f f e r e n t i a t i n g m a s s-l i k et u b e r c u l o s i sf r o m l u n g c a n c e rb a s e d o nr a d i o m i c sa n d C Tf e a t u r e s[J].T r a n s l C a n c e rR e s,2021,10(10):4454-4463.[17]王新强,王永广,李军.肺纤维平滑肌瘤型错构瘤C T表现与病理对照分析[J].国际医药卫生导报,2020,26(5):714-716.[18] X i a o Y D,L v F J,L i W J,e t a l.S o l i t a r y p u l m o n a r yi n f l a mm a t o r y n o d u l e:c t f e a t u r e s a n d p a t h o l o g i c a l f i n d i n g s[J].J I n f l a mm R e s,2021,14:2741-2751.[19] Z h a n g Y,J h e o nS,L iH,e ta l.R e s u l t so f l o w-d o s ec o m p u t e dt o m o g r a p h y a sar e g u l a rh e a l t he x a m i n a t i o na m o n g C h i n e s eh o s p i t a l e m p l o y e e s[J].JT h o r a cC a r d i o v a s cS u r g,2020,160(3):824-831.e4.(本文编辑:何祯)㊃382㊃黄语嫣等肺结节良恶性概率预测模型的建立与验证。

单、双指数模型DWI在良恶性肺结节鉴别诊断中的应用洪琴;江建芹;崔磊;胡春洪;王玉玲;徐高峰【摘要】目的:比较磁共振单、双指数模型DWI定量参数对肺结节良恶性的鉴别诊断价值.方法:对32例肺结节患者(男15例,女17例;良性11例,恶性21例;直径1.5～2.9 cm)行3.0T磁共振单指数(b=0、300和800 s/mm2)及体素内不相干运动(IVIM)双指数(10个b值,b-0～1000 s/mm2)DWI扫描.两位测量者分别在DWI(b=800 s/mm2)、ADC图及IVIM图像上测量病灶/脊髓信号比值(LSR8oo)、ADCmean、ADCmin、D、D*和f值.采用组内相关系数(ICC)评价测量者间的一致性.采用独立样本t检验(正态分布)比较各参数值在良恶性肺结节间的差异.使用ROC曲线分析获得鉴别肺结节良恶性的最佳参数和最佳阈值.结果:IVIM灌注参数中D*的测量者间可重复性相对较差(ICC=0.710).恶性肺结节的ADCmean明显低于良性肺结节[(1.25±0.21)×10-3 vs(1.51士0.33)×10-3mm2/s;t=2.749,P=0.010],其余参数值在两组间的差异无统计学意义(P=0.081～0.491).以ADCmean=1.44×10-3mm2/s为阈值,诊断恶性肺结节的敏感度为81.0％、特异度为72.7％,ROC曲线下面积为0.788.结论:建议采用单层ROI法测得的ADC均值进行肺结节的诊断,尚需改进IVIM扫描及后处理策略来提高其对肺部小病灶的诊断能力.【期刊名称】《放射学实践》【年(卷),期】2018(033)012【总页数】5页(P1256-1260)【关键词】肺结节;肺肿瘤;磁共振成像;扩散加权成像;体素内不相干运动【作者】洪琴;江建芹;崔磊;胡春洪;王玉玲;徐高峰【作者单位】224000江苏,盐城市第一人民医院影像科;224000江苏,盐城市第一人民医院影像科;226001江苏,南通大学第二附属医院影像科;215006江苏,苏州大学附属第一医院影像科;224000江苏,盐城市第一人民医院影像科;224000江苏,盐城市第一人民医院影像科【正文语种】中文【中图分类】R734.2;R445.2肺结节的诊断一直是临床的重点及难点。

㊃论著㊃孤立性肺结节危险因素及良恶性预测模型曹㊀芹１㊀李雪冰１㊀张㊀丽２㊀刘珂崎３ＤＯＩ：１０．３８７７／ｃｍａ．ｊ．ｉｓｓｎ．１６７４⁃６９０２．２０１９．０４．０１２作者单位：６２５０００四川省雅安市人民医院呼吸与危重症医学科１㊁放射科２㊁胸外科３通信作者：曹㊀芹，Ｅｍａｉｌ：ｃｑ＿２８６３１０９＠ｓｉｎａ．ｃｏｍʌ摘要ɔ㊀目的分析孤立性肺结节的危险因素并探讨肺部结节良恶性预测模型㊂方法收集雅安市人民医院２０１７年１月至２０１８年８月经胸外科手术切除且有明确病理诊断的１１２例孤立性肺结节患者的临床资料㊂回顾性分析其年龄㊁性别㊁吸烟史㊁肿瘤家族史㊁既往肿瘤史㊁血清癌胚抗原（ＣＥＡ）㊁神经元特异性烯醇化酶（ＮＳＥ）㊁细胞角蛋白１９片段（ＣＹＦＲＡ２１⁃１），以及肺部结节密度㊁直径㊁位置㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁空气支气管征㊁钙化等影像学特征㊂根据病理诊断分为良性㊁恶性两组，进行单因素分析，将单因素分析中有显著性差异的临床信息纳入Ｌｏｇｉｓｔｉｃ回归分析，筛选出恶性结节的独立危险因素并建立预测模型㊂结果单因数分析中年龄㊁既往肿瘤史㊁ＣＥＡ㊁ＣＹＦＲＡ２１⁃１㊁结节密度㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁钙化征有统计学差异（Ｐ＜０．０５）㊂Ｌｏｇｊｉｓｔｉｃ回归分析显示患者年龄㊁ＣＥＡ㊁ＣＹＦＲＡ２１⁃１㊁磨玻璃密度㊁分叶为恶性结节的独立危险因素㊂恶性肺部结节的预测模型公式为：Ｐ＝ｅｘ／（１＋ｅｘ），ｘ＝－８．８１６＋（３．０１８ˑ密度）＋（０．０７３ˑ年龄）＋（０．４８２ˑＣＥＡ）＋（０．４２６ˑＣＲＦＲＡ２１⁃１）＋（１．４２１ˑ分叶）㊂结论患者年龄㊁血ＣＥＡ㊁血ＣＹＦＲＡ２１⁃１㊁磨玻璃密度㊁分叶为恶性结节的独立危险因素，预测模型对恶性肺结节有较好的敏感性及特异性，诊断准确性较高㊂ʌ关键词ɔ㊀孤立性肺结节；㊀危险因素；㊀预测模型中图法分类号：Ｒ５６３文献标识码：ＡＡｎａｌｙｓｉｓｏｆｒｉｓｋｆａｃｔｏｒｓｏｆｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓａｎｄｅｘｐｌｏｒａｔｉｏｎｏｆｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｆｏｒｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ㊀㊀ＣａｏＱｉｎ，ＬｉＸｕｅｂｉｎｇ，ＺｈａｎｇＬｉ，ＬｉｕＫｅｑｉ．ＤｅｐａｒｔｍｅｎｔｏｆＲｅｓｐｉｒａｔｏｒｙａｎｄＣｒｉｔｉｃａｌＣａｒｅＭｅｄｉｃｉｎｅ，ＲａｄｉｏｌｏｇｙａｎｄＴｈｏｒａｃｉｃＳｕｒｇｅｒｙ，ＹａᶄａｎＰｅｏｐｌｅᶄｓＨｏｓｐｉｔａｌ，Ｙａᶄａｎ６２５０００，ＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ，ＣｈｉｎａＣｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＣａｏＱｉｎ，Ｅｍａｉｌ：ｃｑ＿２８６３１０９＠ｓｉｎａ．ｃｏｍʌＡｂｓｔｒａｃｔɔ㊀Ｏｂｊｅｃｔｉｖｅ㊀Ｔｏａｎａｌｙｚｅｔｈｅｒｉｓｋｆａｃｔｏｒｓｏｆｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓａｎｄｅｓｔａｂｌｉｓｈａｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｆｏｒｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ．Ｍｅｔｈｏｄｓ㊀Ｔｈｅｃｌｉｎｉｃａｌｄａｔａｏｆ１１２ｐａｔｉｅｎｔｓｗｉｔｈｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ，ｗｈｏｈａｄａｄｅｆｉｎｉｔｅｐａｔｈｏｌｏｇｉｃａｌｄｉａｇｎｏｓｉｓａｎｄｕｎｄｅｒｗｅｎｔｔｈｏｒａｃｉｃｓｕｒｇｅｒｙｉｎＹａᶄａｎＰｅｏｐｌｅᶄｓＨｏｓｐｉｔａｌｆｒｏｍＪａｎｕａｒｙ２０１７ｔｏＡｕｇｕｓｔ２０１８，ｗｅｒｅｒｅｖｉｅｗｅｄｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｉｒａｇｅ，ｇｅｎｄｅｒ，ｓｍｏｋｉｎｇｈｉｓｔｏｒｙ，ｆａｍｉｌｙｈｉｓｔｏｒｙｏｆｃａｎｃｅｒ，ｐａｓｔｃａｎｃｅｒｈｉｓｔｏｒｙ，ｓｅｒｕｍｃａｎｃｅｒｂｉｏｍａｒｋｅｒｓｉｎｃｌｕｄｉｎｇｃａｒｃｉｎｏｅｍｂｒｙｏｎｉｃａｎｔｉｇｅｎ（ＣＥＡ），ｎｅｕｒｏｎｓｐｅｃｉｆｉｃｅｎｏｌａｓｅ（ＮＳＥ）ａｎｄｃｙｔｏｋｅｒａｔｉｎ１９ｆｒａｇｍｅｎｔ（ＣＹＦＲＡ２１⁃１），ａｎｄｔｈｅｒａｄｉｏｌｏｇｉｃａｌｃｈａｒａｔｅｒｉｓｔｉｃｓｉｎｃｌｕｄｉｎｇｔｈｅｎｏｄｕｌｅｄｅｎｓｉｔｙ，ｄｉａｍｅｔｅｒ，ｌｏｃａｔｉｏｎ，ｌｏｂｕｌａｔｉｏｎ，ｂｕｒｒ，ｐｌｅｕｒａｌｉｎｄｅｎｔａｔｉｏｎ，ｖａｓｃｕｌａｒｃｌｕｓｔｅｒｓｉｇｎ，ｖａｃｕｏｌｅｓｉｇｎ，ａｉｒｉｎｆｏｒｍａｔｉｏｎｏｆｂｒｏｎｃｈｉａｌｓｉｇｎａｎｄｃａｌｃｉｆｉｃａｔｉｏｎｓｉｇｎ，ｗｅｒｅｓｕｍｍａｒｉｚｅｄ．Ｔｈｅｐａｔｉｅｎｔｓｗｅｒｅｄｉｖｉｄｅｄｉｎｔｏｔｗｏｇｒｏｕｐｓａｃｃｏｒｄｉｎｇｔｏｔｈｅｐａｔｈｏｌｏｇｉｃａｌｄｉａｇｎｏｓｉｓｏｆｔｈｅｉｒｂｅｎｉｇｎｏｒｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ．Ａｆｔｅｒａｕｎｉｖａｒｉａｔｅａｎａｌｙｓｉｓ，ｔｈｅｃｌｉｎｉｃａｌｉｎｆｏｒｍａｔｉｏｎｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｗａｓｃｈｏｓｅｎｆｏｒｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓａｎｄｔｈｅｓｅｉｎｄｅｐｅｎｄｅｎｔｒｉｓｋｆａｃｔｏｒｓｆｏｒｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｗｅｒｅｓｃｒｅｅｎｅｄ．Ｆｉｎａｌｌｙ，ａｐｒｅｄｉｃａｔｉｖｅｍｏｄｅｌｆｏｒｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｗａｓｅｓｔａｂｌｉｓｈｅｄ．Ｒｅｓｕｌｔｓ㊀Ｔｈｅｒｅｗｅｒｅｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｉｎａｇｅ，ｐａｓｔｃａｎｃｅｒｈｉｓｔｏｒｙ，ｓｅｒｕｍＣＥＡａｎｄＣＹＦＲＡ２１⁃１，ｎｏｄｕｌｅｄｅｎｓｉｔｙ，ｌｏｂｕｌａｔｉｏｎ，ｂｕｒｒ，ｐｌｅｕｒａｌｉｎｄｅｎｔａｔｉｏｎｓｉｇｎ，ｖａｓｃｕｌａｒｃｌｕｓｔｅｒｓｉｇｎ，ｖａｃｕｏｌｅｓｉｇｎａｎｄｃａｌｃｉｆｉｃａｔｉｏｎｓｉｇｎｂｅｔｗｅｅｎｔｈｅｐａｔｉｅｎｔｓｗｉｔｈｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ（Ｐ＜０．０５）．Ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｓｈｏｗｅｄｔｈａｔａｇｅ，ＣＥＡ，ＣＹＦＲＡ２１⁃１，ｇｒｏｕｎｄｇｌａｓｓｄｅｎｓｉｔｙａｎｄｌｏｂｕｌａｔｉｏｎｗｅｒｅｉｎｄｅｐｅｎｄｅｎｔｒｉｓｋｆａｃｔｏｒｓｆｏｒｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ．Ｏｎｅｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄａｓｆｏｌｌｏｗｉｎｇ：Ｐ＝ｅｘ／（１＋ｅｘ），ｘ＝－８．８１６＋（３．０１８ˑｄｅｎｓｉｔｙ）＋（０．０７３ˑａｇｅ）＋（０．４８２ˑＣＥＡ）＋（０．４２６ˑＣＲＦＲＡ２１⁃１）＋（１．４２１ˑｌｏｂｕｌａｔｉｏｎ）．Ｃｏｎｃｌｕｓｉｏｎ㊀Ａｇｅ，ＣＥＡ，ＣＹＦＲＡ２１⁃１，ｇｒｏｕｎｄｇｌａｓｓｄｅｎｓｉｔｙａｎｄｌｏｂｕｌａｔｉｏｎａｒｅｉｎｄｅｐｅｎｄｅｎｔｒｉｓｋｆａｃｔｏｒｓｆｏｒｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ．Ａｎｄｔｈｅｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｏｆｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｈａｓａｂｅｔｔｅｒｓｅｎｓｉｔｉｖｉｔｙａｎｄｓｐｅｃｉｆｉｃｉｔｙａｎｄａｈｉｇｈｄｉａｇｎｏｓｔｉｃａｃｃｕｒａｃｙ．ʌＫｅｙｗｏｒｄｓɔ㊀Ｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ；㊀Ｒｉｓｋｆａｃｔｏｒ；㊀Ｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌ㊀㊀近年来，随着人们健康意识的增强，低剂量薄层螺旋ＣＴ在健康体检中的应用日益广泛，肺部孤立性结节（ｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅ，ＳＰＮ）的检出率明显增高㊂ＳＰＮ通常是指肺内单一的㊁边界清楚的㊁直径ɤ３ｃｍ的圆形或类圆形病灶，周围由肺实质所包绕，不伴有肺门或纵隔淋巴结肿大㊁肺不张及胸腔积液［１］㊂大多数患者无症状，多为体检发现，少数患者有咳嗽㊁咯血㊁胸痛等症状㊂ＳＰＮ有良恶性，结节恶性率报道不一［２⁃４］㊂良性病变预后好，恶性病变早期手术切除预后良好，晚期不能手术的患者治疗效果差㊂早发现㊁早治疗是延长患者生存期，降低医疗开支的重要手段㊂周薇薇等［５］研究表明，肺癌是四川地区发病率及病死率第一的恶性肿瘤，需要重点防治㊂国内外多位学者建立了不同的肺癌预测模型，其中国际的Ｍａｙｏ模型㊁国内的李运模型，在临床应用最为广泛［６⁃７］㊂但上述预测模型未纳入肺癌血清肿瘤标志物㊁结节密度可能影响结节良恶性性质判断的因素㊂本文收集２０１７年１月至２０１８年８月于雅安市人民医院胸外科手术切除且有明确病理学诊断的孤立性肺结节患者资料，对其临床资料及影像特征㊁肺癌血清肿瘤标志物㊁结节密度等变量进行分析，建立预测诊断模型，并评估其对肺结节良恶性的诊断价值，旨在早期识别恶性结节，早期发现，早期干预，以期提高肺癌的诊治水平㊂资料与方法一㊁研究对象选择２０１７年１月至２０１８年８月在雅安市人民医院胸部ＣＴ发现肺部结节，在胸外科通过胸腔镜手术切除，有明确组织病理结果的患者１１２例，其中男性６０例，女性５２例，年龄１５ ７７岁，平均年龄（５３．１７ʃ１２．８４）岁㊂按病理结果分为良性及恶性组㊂恶性组患者７３例，其中腺癌６２例，细支气管肺泡癌１例，鳞癌１０例；良性组患者３９例，其中炎性结节１８例，肺结核球１２例，肺包虫２例，错构瘤２例，机化性肺炎２例，纤维瘤２例，肺内淋巴结尘结节１例㊂所有结节患者的手术方式均为经胸腔镜肺叶切除或肺段切除或肺叶楔形切除，病理结果由２名病理医生诊断，部分恶性病理类型不能确定者，行免疫组化确定㊂排除情况：（１）临床及影像资料不完整；（２）影像资料提示为多发结节，伴或不伴纵膈淋巴结肿大㊁胸腔积液㊁肺不张；（３）术前有针对肺结节治疗措施者㊂二㊁研究方法记录患者临床资料，包括年龄㊁性别㊁吸烟史㊁肿瘤家族史㊁既往肿瘤史和血清肿瘤标志物㊂肿瘤标志物癌胚抗原（ｃａｒｃｉｎｏｅｍｂｒｙｏｎｉｃａｎｔｉｇｅｎ，ＣＥＡ），神经元特异性烯醇化酶（ｎｅｕｒｏｎ⁃ｓｐｅｃｉｆｉｃｅｎｏｌａｓｅ，ＮＳＥ），细胞角蛋白１９片段（ｃｙｔｏｋｅｒａｔｉｎ１９ｆｒａｇｍｅｎｔ，ＣＹＦＲＡ２１⁃１）㊂所有患者术前均使用ＳＩＥＭＥＮＳＳＯＭＡＴＯＭＤｅｆｉｎｉｔｉｏｎＦｌａｓｈ扫描仪进行胸部ＣＴ检查㊂扫描参数如下：准直器１２８ｍｍˑ０．６ｍｍ，管电压１２０ＫＶ，层厚１ｍｍ，重组间隔０．５ｍｍ，管电流根据个体的体重㊁身高和体重指数计算，矩阵５１２ˑ５１２，螺距１．２︰１㊂影像结果由２位放射科医生诊断，包括结节密度（磨玻璃或实性或混合性）㊁直径㊁位置（上叶或非上叶）㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁空气支气管征㊁钙化征㊂三㊁统计学方法采用软件ＳＰＳＳ２１．０进行统计处理，计量数据用均数ʃ标准差（ｘʃｓ）表示，正态数据采用独立样本ｔ检验，非正态分布数据采用秩和检验㊂计数资料用例数和百分比表示，采用χ２检验和Ｆｉｓｈｅｒ精确检验，Ｐ＜０．０５为差异有统计学意义㊂将单因素分析Ｐ＜０．０５的变量进行多因数Ｌｏｇｉｓｔｉｃ回归分析，使用Ｅｎｔｅｒ法㊂结㊀㊀果一㊁患者临床资料良恶性患者的临床特征见表１，其中性别㊁吸烟史㊁肿瘤家族史㊁血ＮＳＥ无统计学差异（Ｐ＞０．０５）；年龄㊁既往肿瘤史㊁ＣＥＡ㊁ＣＹＦＲＡ２１⁃１有统计学差异（Ｐɤ０．０５）㊂影像学特征分析见表２，其中结节直径㊁位置㊁空气支气管征无统计学差异（Ｐ＞０．０５）；密度（实性或磨玻璃）㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁钙化征均有统计学差异（Ｐɤ０．０５）㊂恶性结节患者年龄平均为５５岁，明显高于良性结节患者的４９岁㊂血清ＣＥＡ㊁ＣＹＦＲＡ２１⁃１在恶性结节组的平均值明显高于良性结节组（ＣＥＡ：４．１９ｎｇ／ｍｌ＞２．９７ｎｇ／ｍｌ，ＣＹＦＲＡ２１⁃１：７．９３ｎｇ／ｍｌ＞３．０１ｎｇ／ｍｌ）㊂磨玻璃密度（９２．３％）㊁分叶（４３．８％）㊁毛刺（３５．６％）㊁胸膜凹陷征（２８．８％）㊁血管集束征（２４．７％）㊁空泡征（３２．９％）在恶性结节组的比例明显高于良性结节组；而钙化更多见于良性结节患者（１７．９％）㊂表１㊀良㊁恶性患者临床特征比较临床资料良性（３９例）恶性（７３例）ｔ值χ２值Ｐ值年龄（岁）４９．０５ʃ１３．４７５５．３７ʃ１２．０２２．４５３０．０１７性别㊀［ｎ（％）］１．５２７０．２１７㊀男性２４（６１．５）３６（４９．３）㊀女性１５（３８．５）３７（５０．７）吸烟史㊀［ｎ（％）］１．４５２０．２２８㊀有１２（３０．８）１５（２０．５）㊀无２７（６９．２）５８（７９．５）既往肿瘤㊀史［ｎ（％）］１１２．０００．０００㊀有１（２．６）７（９．６）㊀无３８（９７．４）６６（９０．４）肿瘤家族㊀史［ｎ（％）］１．２６４０．２６１㊀有３（７．７）１１（１５．１）㊀无３６（９２．３）６２（８４．９）ＣＥＡ㊀（ｎｇ／ｍｌ）２．９７ʃ１．３０４．１９ʃ２．６０２．７３７０．００７ＮＳＥ㊀（ｎｇ／ｍｌ）９．９２ʃ４．１８１１．２６ʃ６．６８１．１４２０．２５６ＣＹＦＲＡ２１⁃１㊀（ｎｇ／ｍｌ）３．０１ʃ１．４１７．９３ʃ１３．０８１．３７０．０２１二㊁多因素回归分析结果将单因素分析Ｐ＜０．０５的变量，即年龄㊁既往肿瘤史㊁血ＣＥＡ㊁血ＣＹＦＲＡ２１⁃１㊁密度㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁钙化征作为自变量，以病理结果作为因变量，纳入多因素Ｌｏｇｉｓｔｉｃ回归模型进行多因素分析，得到的Ｌｏｇｉｓｔｉｃ回归模型具有统计学意义，χ２＝７５．５５７，Ｐ＜０．０００５㊂结果显示密度㊁年龄㊁血ＣＥＡ㊁血ＣＹＦＲＡ２１⁃１㊁分叶征有统计学差异（Ｐ＜０．０５），为孤立性肺结节的独立预测因素，见表３㊂表３㊀二元ｌｏｇｉｓｔｉｃ分析结果因㊀素βＯＲ９５％ＣＩＰ值密度３．０１８２０．４５４㊀３．５２１ １１８．８２５０．００１年龄０．０７３１．０７６１．０１４ １．１４２０．０１６ＣＥＡ０．４８２１．６２０１．０８１ ２．４２８０．０１９ＣＹＦＲＡ２１⁃１０．４２６１．５３１１．０３７ ２．２５９０．０３２分叶１．４２１４．１４３㊀０．９９８ １７．１９５０．０５０常量－８．８１６０．０００－０．０００表２㊀良㊁恶性患者影像资料比较临床资料良性（３９例）恶性（７３例）ｔ值χ２值Ｐ值直径（ｃｍ）１．２４ʃ０．６８１．４３ʃ０．８５１．１９０．２３５密度［ｎ（％）］２２．６８３０．０００㊀实性３６（４９．３）３４（５０．７）㊀磨玻璃３（７．７）３９（９２．３）位置［ｎ（％）］０．７９７０．３７２㊀上叶１９（４８．７）４２（５８．９）㊀非上叶２０（５１．３）３１（４１．１）分叶［ｎ（％）］７．５０５０．００６㊀有７（１７．９）３２（４３．８）㊀无３２（８２．１）４１（５６．２）毛刺［ｎ（％）］６．５９９０．０１０㊀有５（１２．８）２６（３５．６）㊀无３４（８７．２）４７（６４．４）胸膜凹陷征㊀［ｎ（％）］５．０２３０．０２５㊀有４（１０．３）２１（２８．８）㊀无３５（８９．７）５２（７１．２）血管集束征㊀［ｎ（％）］４．８０２０．０２８㊀有３（７．７）１８（２４．７）㊀无３６（９２．３）５５（７５．３）空泡征㊀［ｎ（％）］３．９６６０．０４６㊀有６（１５．４）２４（３２．９）㊀无３３（８４６）４９（６７．１）空气支气管㊀征［ｎ（％）］０．０５９０．８０８㊀有６（１５．４）１０（１３．７）㊀无３３（８４．６）６３（８６．３）钙化征㊀［ｎ（％）］５．９８７０．０１４㊀有７（１７．９）３（４．１）㊀无３２（８２．１）７０（９５．９）㊀㊀三㊁恶性ＳＰＮ的诊断预测模型建立恶性结节诊断预测模型为：Ｐ＝ｅｘ／（１＋ｅｘ），ｘ＝－８．８１６＋（３．０１８ˑ密度）＋（０．０７３ˑ年龄）＋（０．４８２ˑＣＥＡ）＋（０．４２６ˑＣＲＦＲＡ２１⁃１）＋（１．４２１ˑ分叶）㊂其中，Ｐ为恶性预测概率，ｅ为自然对数，磨玻璃密度＝１，实性密度＝０；年龄单位为岁；ＣＥＡ及ＣＹＦＲＡ２１⁃１单位均为ｎｇ／ｍｌ；肺结节有分叶＝１，无分叶＝０㊂四㊁模型预测效力判断本组数据代入建立预测模型，计算恶性概率值，以病理结果为参照绘制ＲＯＣ曲线，图１，曲线下面积为（０．８９８ʃ０．０３），９５％置信区间为（０．８４０ ０．９５７），当最佳截点值为０．６４４时，敏感度为８４．９％，特异度为７９．５％，阳性预测值为９２．３％，阴性预测值为７２．３％㊂将预测值与病理结果进行Ｈｏｓｍｅｒ⁃Ｌｅｍｅｓｈｏｗ拟合优度检验，χ２＝４．９６３，Ｐ＝０．７６２＞０．０５，两者拟合较好，有良好预测精准度㊂1.00.80.60.40.20.00.00.20.40.60.81.0敏感度1-特异性R O C 曲线图１　受试者工作曲线讨㊀㊀论本文共纳入了１１２例经病理确诊的ＳＰＮ患者，总结分析了其临床资料与影像学特征，发现年龄㊁血ＣＥＡ㊁血ＣＹＦＲＡ２１⁃１㊁磨玻璃密度㊁分叶为恶性结节独立危险因素㊂按ＯＲ值大小，危险程度依次为密度＞分叶＞血ＣＥＡ＞血ＣＹＦＲＡ２１⁃１＞年龄㊂在临床特征中，年龄是较为公认的恶性结节危险因素㊂多个ＳＰＮ预测模型均确立年龄为独立危险因素［６⁃９］㊂Ｍａｙｏ模型年龄ＯＲ值为１．０１１，本组患者年龄ＯＲ值为１．０７６，与李运模型ＯＲ值（１．０７３）接近㊂ＣＥＡ是一种酸性糖蛋白，为非特异的肿瘤标志物，是预测结节良恶性的独立危险因素之一［１０⁃１２］㊂本文中恶性结节７３例，其中８５％为腺癌，在单因素和多因数分析中均提示ＣＥＡ为恶性结节危险因素的原因之一，且患者血清ＣＥＡ在良恶性组的单因素及二元Ｌｏｇｉｓｔｉｃ多因素分析中均有统计学差异，提示其为恶性结节独立危险因素㊂ＣＹＦＲＡ２１⁃１是一种酸性多肽，为可溶性片段，在肺鳞癌和肺腺癌中均有表达，是非小细胞肺癌的肿瘤标志物㊂本组恶性患者７３例均为非小细胞肺癌㊂研究显示ＣＹＦＲＡ２１⁃１在非小细胞肺癌组中的敏感性显著高于小细胞肺癌组及良性病变组，与本组患者数据相符［１３⁃１４］㊂项杨威等［１５］发现ＣＹＦＲＡ２１⁃１在良恶性结节之间无统计学差异㊂李笑莹等［１６］通过２５０例患者进行多因数回归分析，发现ＣＹＦＲＡ２１⁃１是恶性结节独立危险因素㊂本组中ＣＹＦＲＡ２１⁃１虽为独立危险因素，但本组数据样本量偏小，且恶性患者中刚好无小细胞肺癌，尚需大样本数据进一步验证㊂在本文的ＳＰＮ影像特征中，磨玻璃结节包括纯磨玻璃结节及混合磨玻璃结节㊂王欣等［１７］报道磨玻璃结节为孤立性肺结节独立危险因素，ＯＲ值为３．６８７，将其纳入恶性预测模型㊂喻微等［１８］等报道混杂磨玻璃结节及实性结节为结节的保护因素㊂姚羽等［１９］报道恶性实质结节较混合磨玻璃结节及纯磨玻璃结节，恶性程度最高㊂不同研究对结节密度影响良恶性判断争议较大㊂邱志新等［２０］报道磨玻璃结节多为腺癌，且不吸烟女性多于男性，病变部位右肺上叶多见，本研究提示磨玻璃密度为恶性结节独立预测因素，可能与本组数据女性腺癌患者较多有关，尚待更多相关大样本研究进一步证实㊂分叶征是指肺结节轮廓不是圆形或椭圆形，而呈现为凹凸不平㊂研究确定分叶为孤立性肺结节的独立危险因素，与本研究结果相符［１８，２１］㊂多个ＳＰＮ预测模型显示，结节大小为预测良恶性的独立预测因素，但本组患者结节大小在良恶性患者中无统计学差异，可能与本研究纳入患者多为体检发现，结节在较小时即切除有关［７⁃８，１７］㊂Ｍａｙｏ模型及ＶＡ模型中吸烟史均为危险因素，而本组患者良恶性中吸烟者均较少，女性腺癌患者较多有关㊂肿瘤既往史多因数分析差异无统计学意义，可能与样本量少及样本人群特征相关㊂我国推荐以Ｍａｙｏ模型对临床肺结节进行良恶性预测，但东西方人群差异的存在，加之我国结核病高发，位于肺上叶的结节为结核的概率可能性更大［２２］㊂Ｍａｙｏ模型预测国人结节结果并不理想［２１，２３］㊂国内李运等建立的预测模型能较好预测国人结节的良恶性［７，２４］㊂２０１３年ＭｃＷｉｌｌｉａｍｓ等［２５］建立Ｂｒｏｃｋ模型，是基于１８７１人的大样本人群在筛查基础上建立的预测模型，恶性率仅５．５％㊂其验证人群达１０９０人，恶性率仅为３．７％㊂适用于恶性程度低的人群㊂Ｚｈａｎｇ等［２６］建立包含血清ＣＹＦＲＡ２１⁃１因素预测模型，其ＡＵＣ为０．９１０，９５％ＣＩ（０．８５７，０．９６３），显著优于没有ＣＹＦＲＡ２１⁃１预测模型的０．８１２，９５％ＣＩ（０．７６３，０．８６１），且ＡＵＣ显著高于Ｍａｙｏ模型㊁李运模型及ＶＡ模型㊂但上述建立模型的纳入因素中未包括结节密度㊂王欣等［１７］将结节密度纳入多因素分析，建立磨玻璃结节为独立危险因素的预测模型，并与Ｍａｙｏ模型，李运模型及ＶＡ模型验证比较，诊断效能相当㊂但这一建立模型未纳入肿瘤标志物因素㊂多个研究将ＰＥＴ⁃ＣＴ纳入预测模型，ＲＯＣ曲线下面积显著增加，改善了经典模型对ＳＰＮＳ的预测能力［２７⁃２９］㊂但ＰＥＴ⁃ＣＴ诊断受阅片者的主观因素及临床经验影响较大，其对良性结节的识别较可靠，对恶性结节的识别出现假阳性率较高，且检查费用昂贵，对直径８ｍｍ结节不适用，临床应用受到限制㊂随着计算机辅助诊断（Ｃａｄ）的快速发展，２０１５年开发的ＳＰＮ风险预测模型：基于贝叶斯分析的恶性肿瘤计算器（ＢＩＭＣ）模型应用已日益广泛㊂Ｐｅｒａｎｄｉｎｉ等［３０⁃３１］研究显示ＢＩＭＣ模型预测结果可以提高医生对孤立性肺结节的诊断准确性，显著减低不确定结节数量㊂作者并将ＢＩＭＣ模型与其它模型对比验证，结果显示ＢＩＭＣ模型可能比Ｍａｙｏ㊁Ｇｕｒｎｅｙ和李运模型在术前ＳＰＮ定性时更有帮助㊂但ＢＩＭＣ模型主要纳入因素依然为临床及影像特征，并未纳入肿瘤标志物等因素㊂由于它是作为贝叶斯分类器发展起来的，所以它允许部分数据收集㊂该模型旨在成为以客观㊁可复制的方式整合所有现有数据的有用工具㊂基于各预测模型纳入变量的差异和观测方法的不同，目前并没有一个模型能较好的预测所有人群㊂本文立足本地，纳入多数研究没有纳入的血清肺癌肿瘤标志物及结节密度等因素，建立ＳＰＮ预测模型，并为二次文献分析提供原始实验数据㊂在‘肺结节诊治中国专家共识（２０１８年版）“中，推荐根据临床信息和影像学特征评估临床恶性肿瘤的概率，建议依据目标人群的特点㊁易用性以及验证的程度来选择预测模型，并根据预测概率将结节分为低度恶性（Ｐ＜５％），中高度恶性（Ｐ＝５％ ６５％），高度恶性（Ｐ＞６５％），选择合适的后续检查方法和随访模式［２２］㊂本文建立的结节预测模型，区分良恶性结节的敏感度８４．９％，特异度７９．５％，阳性预测值为９２．３％，阴性预测值为７２．３％，故特异度及阴性预测值略低，提示本模型可能更适用于结节恶性程度可能高的人群，也从侧面提示本组数据存在选择性偏倚，样本来源于手术患者，为恶性风险较高人群㊂从易用性来看，本模型需要检查血清肿瘤标志物和胸部薄层ＣＴ，检查医疗费用稍有增高㊂尽管运用预测模型为判断ＳＰＮ的性质提供了一种诊断手段，但仍无法代替病理检查㊂因此，需进一步开展大样本多中心的前瞻性研究，完善恶性结节预测模型，才能更精确地为临床上治疗提供有力帮助㊂参㊀考㊀文㊀献１㊀ＨａｒｚｈｅｉｍＤ，ＥｂｅｒｈａｒｄｔＲ，ＨｏｆｆｍａｎｎＨ，ｅｔａｌ．Ｔｈｅｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅ［Ｊ］．Ｒｅｓｐｉｒａｔｉｏｎ，２０１５，９０（２）：１６０⁃１７２．２㊀苏㊀雷，支修益，张㊀毅，等．胸腔镜治疗孤立性肺小结节的分析［Ｊ］．首都医科大学学报，２０１５，３６（４）：５２５⁃５２８．３㊀ＭａｎｃａＧ，ＤａｖｉｎＦ，ＴａｒｄｅｌｌｉＥ，ｅｔａｌ．ＣｌｉｎｉｃａｌＩｍｐａｃｔｏｆＲａｄｉｏｇｕｉｄｅｄＬｏｃａｌｉｚａｔｉｏｎｉｎｔｈｅＴｒｅａｔｍｅｎｔｏｆＳｏｌｉｔａｒｙＰｕｌｍｏｎａｒｙＮｏｄｕｌｅ：Ａ２０⁃ＹｅａｒＲｅｔｒｏｓｐｅｃｔｉｖｅＡｎａｌｙｓｉｓ．［Ｊ］？ＣｌｉｎＮｕｃｌＭｅｄ，２０１８，４３（５）：３１７⁃３２２．４㊀ＷａｎｇＭｅｍｏｌｉＪＳ，ＮｉｅｔｅｒｔＰＪ，ｅｔａｌ．ＳｉｌｖｅｓｔｒｉＧＡ，Ｍｅｔａ⁃ａｎａｌｙｓｉｓｏｆｇｕｉｄｅｄｂｒｏｎｃｈｏｓｃｏｐｙｆｏｒｔｈｅｅｖａｌｕａｔｉｏｎｏｆｔｈｅｐｕｌｍｏｎａｒｙｎｏｄｕｌｅ［Ｊ］．Ｃｈｅｓｔ，２０１２，１４２（２）：３８５⁃３９３．５㊀周薇薇，郑㊀荣，邓㊀颖，等．２０１３年四川省肿瘤登记地区恶性肿瘤发病和死亡分析［Ｊ］．中国肿瘤，２０１８，２７（７）：４８９⁃４９６．６㊀ＳｗｅｎｓｅｎＳＪ，ＳｉｌｖｅｒｓｔｒｉｎＭＤ，ＩｉｓｔｒｕｐＤＭ，ｅｔａｌ．Ｔｈｅｐｒｏｂａｂｉｌｉｔｙｏｆｍａｌｉｇｎａｎｃｙｉｎｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ：ａｐｐｌｉｃａｔｉｏｎｔｏｓｍａｌｌｒａｄｉｏｌｏｇｉｃａｌｌｙｉｎｄｅｔｅｒｍｉｎａｔｅｏｄｕｌｅｓ［Ｊ］．ＡｒｃｈＩｎｔｅｒＭｅｄ，１９９７，１５７（８）：８４９⁃８５５．７㊀李㊀运，陈克忠，隋锡朝，等．孤立性肺结节良恶性判断数学预测模型的建立［Ｊ］．北京大学学报：医学版，２０１１，４３（３）：４５０⁃４５４．８㊀ＧｏｕｌｄＭＫ，ＡｎａｎｔｈＬ，Ｂａｍｅｔｔｐｇ．Ａｃｌｉｎｉｃａｉｍｏｄｅｌｔｏｅｓｔｉｍａｔｅｔｈｅｐｒｅｔｅｓｔｐｒｏｂａｂａｂｉｌｉｔｙｏｆｌｕｎｇｃａｎｃｅｒｉｎｐａｔｉｅｎｔｓｗｉｔｈｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ［Ｊ］．Ｃｈｅｓｔ，２００７，１３１（２）：３８３⁃３８８．９㊀林㊀洁，唐㊀坤，殷薇薇，等．ＰＥＴ／ＣＴ及其数学预测模型对孤立性肺结节诊断价值的对比研究［Ｊ］．温州医科大学学报，２０１５，４５（５）：３５４⁃３５８．１０㊀ＹｏｎｅｍｏｒｉＫ，ＴａｔｅｉｓｈｉＵ，ＵｎｏＨ，ｅｔａｌ．Ｄｅｖｅｌｏｐｍｅｎｔａｎｄｖａｌｉｄａｔｉｏｎｏｆｄｉａｇｎｏｓｔｉｃｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ［Ｊ］．Ｒｅｓｐｉｒｏｌｏｇｙ，２００７，１２（６）：８５６⁃８６２．１１㊀夏㊀旭，胡宁东，袁海云，等．孤立性肺结节病变性质临床鉴别诊断预测模型的初探［Ｊ／ＣＤ］．中华肺部疾病杂志（电子版），２０１２，５（３）：２６５⁃２６９．１２㊀彭笑怒，黄海波，仲崇文，等．血清肿瘤标志物检测在孤立性肺内结节诊断中的价值［Ｊ］．中国实验诊断学，２００９，１３（３）：３５９⁃３６１．１３㊀ＳｅｅｍａｎｎＭＤ，ＥｉｎｅｒｌＴ，ＦｕｒｓｔＨ，ｅｔａｌ．Ａｎｅｖａｌｕａｔｉｏｎｏｆｔｈｅｔｕｍｏｒｍａｒｋｅｒｓ，ｃａｒｃｉｎｏｅｍｂｒｙｏｎｉｃａｎｔｉｇｅｎ（ＣＥＡ），ｃｙｔｏｋｅｒａｔｉｎｍａｒｋｅｒ（ＣＹＦＲＡ２１⁃１）ａｎｄｎｅｕｒｏｎ⁃ｓｐｅｃｉｆｉｃｅｎｏｌａｓ（ＮＳＥ）ｉｎｔｈｅｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｏｆｍａｌｉｇｎａｎｔｆｒｏｍｂｅｎｉｇｎｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｌｅｓｉｏｎｓ［Ｊ］．ＬｕｎｇＣａｎｃｅｒ，１９９９，２６（３）：１４９．１４㊀沈德义，沈敏棋，李㊀炯，等．ＣＹＦＲＡ２１⁃１检测对非小细胞肺癌的临床意义［Ｊ］．肿瘤研究与临床，２００１，２７（１）：４９⁃５０．１５㊀项杨威，孙益峰，高㊀文，等．实性孤立性肺结节良恶性预测模型的建立［Ｊ］．中华医学杂志，２０１６，９６（１７）：１３５４⁃１３５８．１６㊀李笑莹，刘㊀芳，车海杰，等．肿瘤标志物预测孤立性肺结节恶性概率模型的建立与初步评价［Ｊ］．山东大学学报（医学版），２０１７，５５（４）：６０⁃６４．１７㊀王㊀欣，徐跃华，杜紫燕，等．孤立性肺结节的ＣＴ影像学特征及良恶性预测模型的建立［Ｊ］．中华肿瘤杂志，２０１８，４０（２）：１１５⁃１２０．１８㊀喻㊀微，叶㊀波，续力云，等．预测恶性孤立性肺结节ｌｏｇｉｓｔｉｃ回归诊断模型的建立［Ｊ］．温州医科大学学报，２０１７，４７（９）：６６０⁃６６５．１９㊀姚㊀羽，徐㊀婷，林㊀勇，等．不同密度恶性孤立性肺结节临床及病理资料分析［Ｊ］．临床肺科杂志，２０１９，２４（１）：９０⁃９４．２０㊀邱志新，李为民．３２８例ＨＲＣＴ表现为孤立性磨玻璃结节肺癌患者的临床㊁病理及影像学特征分析［Ｊ］．中国呼吸与危重监护杂志，２０１８，１７（５）：４７０⁃４７６．２１㊀陈㊀婧，叶晓㊀丹，叶剑定，等．孤立性肺结节良恶性判断的数学预测模型建立与验证［Ｊ］．中国医学计算机成像杂志，２０１６，２２（６）：５７３⁃５７７．２２㊀中华医学会呼吸病学分会肺癌学组，中国肺癌防治联盟专家组．肺结节诊治中国专家共识（２０１８年版）［Ｊ］．中华结核和呼吸杂志，２０１８，４１（１０）：７６３⁃７７１．２３㊀朱㊀颖，许攀峰，姚亚克，等．恶性孤立性肺小结节的独立预测因子及预测模型［Ｊ］．中国肿瘤临床，２０１８，４５（１０）：４９７⁃５０２．２４㊀鲍㊀彤，肖㊀飞，郭永庆，等．对孤立性肺结节恶性概率预测模型的验证㊁比较和改良［Ｊ］．中国胸心血管外科临床杂志，２０１８，２６（６）：４７１⁃４７６．２５㊀ＭｃＷｉｌｌｉａｍｓＡ，ＴａｍｍｅｍａｇｉＭＣ，ＭａｙｏＪＲ，ｅｔａｌ．ＰｒｏｂａｂｉｌｉｔｙｏｆｃａｃｅｒｉｎｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｄｅｔｅｃｔｅｄｏｎｆｉｒｓｔｓｃｒｅｅｎｉｎｇＣＴ［Ｊ］．ＮＥｎｇｌＪＭｅｄ，２０１３，３６９（１０）：９１０⁃９１９．２６㊀ＺｈａｎｇＭ，ＺｈｏｕＮ，ＧｕｏＺ，ｅｔａｌ．Ｅｓｔａｂｌｉｓｈｍｅｎｔｏｆａｍａｔｈｅｍａｔｉｃｍｏｄｅｌｆｏｒｐｒｅｄｉｃｔｉｎｇｍａｌｉｇｎａｎｃｙｉｎｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ［Ｊ］．ＴｈｏｒａｃＤｉｓ，２０１５，７（１０）：１８３３⁃１８３４．２７㊀ＨｅｒｄｅｒＧＬ，ｖａｎＴｉｎｔｅｒｅｎＨ，ＧｏｌｄｉｎｇＲＰ，ｅｔａｌ．Ｃｌｉｎｉｃａｌｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｔｏｃｈａｒａｃｔｅｒｉｚｅｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ：ｖａｌｉｄａｔｉｏｎａｎｄａｄｄｅｄｖａｌｕｅｏｆ１８Ｆ⁃ｆｌｕｏｒｏｄｅｏｘｙｇｌｕｃｏｓｅｐｏｓｉｔｒｏｎｅｍｉｓｓｉｏｎｔｏｍｏｇｒａｐｈｙ［Ｊ］．Ｃｈｅｓｔ，２００５，１２８（４）：２４９０⁃２４９６．２８㊀ＧｉｂｓｏｎＧ，ＫｕｍａｒＡＲ，ＳｔｅｉｎｋｅＫ，ｅｔａｌ．Ｒｉｓｋｓｔｒａｔｉｆｉｃａｔｉｏｎｉｎｔｈｅｉｎｖｅｓｔｉｇａｔｉｏｎｏｆｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｉｎａｈｉｇｈ⁃ｒｉｓｋｃｏｈｏｒｔ：ｐｏｓｉｔｒｏｎｅｍｉｓｓｉｏｎｔｏｍｏｇｒａｐｈｙ／ｃｏｍｐｕｔｅｄｏｕｔｐｅｒｆｏｒｍｓｃｌｉｎｉｃａｌｒｉｓｋｐｒｅｄｉｃｔｉｏｎａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩｎｔｅｒｍＭｅｄＪ，２０１７，４７（１２）：１３８５⁃１３９２．２９㊀ＷａｎｇＬ，ＣｈｅｎＹ，ＴａｎｇＫ，ｅｔａｌ．Ｔｈｅｖａｌｕｅｏｆ１８Ｆ⁃ＦＤＧＰＥＴ／ＣＴｍａｔｈｅｍａｔｉｃａｌｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｎｄｉａｇｎｏｓｉｓｏｆｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ［Ｊ］．ＢｉｏｍｅｄＲｅｓＩｎｔ，２０１８，２０１８：９４５３９６７．３０㊀ＰｅｒａｎｄｉｎｉＳ，ＳｏａｒｄｉＧＡ，ＭｏｔｔｏｎＭ，ｅｔａｌ．Ｓｏｌｉｄｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｒｉｓｋａｓｓｅｓｓｍｅｎｔａｎｄｄｅｃｉｓｉｏｎａｎａｌｙｓｉｓ：ｃｏｍｐａｒｉｓｉｏｎｏｆｆｏｕｒｐｒｅｄｉｔｉｏｎｍｏｄｅｌｓｉｎ２８５ｃａｓｅｓ［Ｊ］．ＥｕｒＲａｄｉｏ，２０１６，２６（９）：３０７１⁃３０７６．３１㊀ＰｅｒａｎｄｉｎｉＳ，ＳｏａｒｄｉＧＡ，ＭｏｔｔｏｎＭ，ｅｔａｌ．ＥｎｈａｎｃｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｓｏｌｉｄｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｗｉｔｈＢａｙｅｓｉａｎａｎａｌｙｓｉｓ⁃ｂａｓｅｄｃｏｍｐｕｔｅｒ⁃ａｉｄｅｄｄｉａｇｎｏｓｉｓ［Ｊ］．ＷｏｒｌｄＪＲａｄｉｏ，２０１６，８（８）：７２９⁃７３４．（收稿日期：２０１９⁃０３⁃１９）曹㊀芹，李雪冰，张㊀丽，等．孤立性肺结节危险因素及良恶性预测模型［Ｊ／ＣＤ］．中华肺部疾病杂志（电子版），２０１９，１２（４）：４６３⁃４６８．。

肺部恶性小结节危险因素分析及恶性预测模型建立潘宴青;王朝;邹卫;马国栋;杨如松【摘要】目的分析肺部小结节恶性病变的危险因素,并建立恶性病变的数学预测模型,探讨有效检出恶性病变的理论依据.方法回顾性分析2017年1月至2017年6月南京市胸科医院胸外科手术治疗的100例肺部小结节患者的临床资料.收集患者的性别、年龄、肿瘤指标、以及胸部CT影像学特征等资料并进行单因素分析.采用多因素logistic回归分析筛选肺部恶性小结节的危险因素,并建立相应的数学预测模型.结果多因素logistic回归分析提示病灶位置(OR=4.218,P=0.042)、病灶类型为磨玻璃结节(GGN)(OR=24.625,P=0.000)、病灶类型为部分实性结节(PSN)(OR=6.228,P=0.052)、血管穿行征(OR=10.646,P=0.036)、分叶征(OR=18.162,P=0.027)及毛刺征(OR=8.054,P=0.018)为肺部恶性小结节的独立危险因素.恶性预测值(P)=ez/(1+ez),Z=-2.761+(3.204×GGN)+(1.829×PSN)+(1.439×位置)+(2.086×毛刺征)+(2.899×分叶征)+(2.365×血管穿行征).根据ROC曲线,选取预测概率0.64作为良恶性判断的临界值,模型预测的准确率为87.0%,敏感性为97.4%,特异性为54.2%,阳性预测值87.1%,阴性预测值为86.7%.结论肺部病灶位于上叶,CT影像特征表现为GGN、PSN、血管穿行征、毛刺征和分叶征的小结节,恶性概率较高.通过logistic回归建立的数学预测模型预测肺部小结节恶性概率具有较高的准确性.%Objective To analyze the risk factors of malignant small pulmonary nodules and establish the mathematical prediction model of malignant lesions,so as to provide theoretical basis for effective detection of malignantlesions.Methods The clinical data of 100 patients with small pulmonary nodules,underwent thoracic operation in our hospital from Jan 2017 to Jun2017,were retrospectively analyzed. Univariate analysis of such indexes as gender,age,tumor markers,and chest CT image features of all patients were performed.Multivariate logistic regression analysis was used to screen the risk factors of pulmonary malignant nodules, and with it the corresponding mathematical prediction model was established.Results Multivariatelogistic regression analysis showed that lesion location(OR=4.218;P=0.042), ground-glass nodule(GGN)of lesion type(OR=24.625;P=0.000), partial solid nodule(PSN)of lesion type(OR=6.228;P=0. 052),vascular breakthrough sign(OR=10.646;P=0.036), lobulation sign(OR=18.162;P=0.027)and spiculation sign(OR=8. 054;P=0.018)were independent risk factors formalignant pulmonary nodules.And their malignancy predictedvalue(P)was ez/(1+ez), whereas×Z×equaled to-2.761+(3.204×GGN)+(1.829×PSN)+(1.439×position)+(2.086×spiculation sign)+(2.899×lobu-lation sign)+(2.365×vascular breakthrough sign).Base d on the ROC curve,predictive probability of 0.64 was chosen as the critical value of benign neoplasm and malignancy judgment,with accuracy rate of model prediction 87%,sensitivity of 97.4%,specificity of 54.2%,and positive predicted value of 87.1%and negative predicted value of 86.7%.Conclusion If those small pulmonary lesions locate in the upper lobe and the CT images are characterized by GGN,PSN,and nodules with vascular breakthrough sign, spiculation and lobulation signs,the probability of malignancy would be higher.The mathematical prediction model established by logistic regression may have higher accuracy in the prediction of malignant probability of small pulmonary nodules.【期刊名称】《安徽医学》【年(卷),期】2018(039)002【总页数】4页(P189-192)【关键词】肺小结节;恶性肿瘤;危险因素;logistic回归分析【作者】潘宴青;王朝;邹卫;马国栋;杨如松【作者单位】210029 江苏省南京市胸科医院胸外科;210029 江苏省南京市胸科医院胸外科;210029 江苏省南京市胸科医院胸外科;210029 江苏省南京市胸科医院胸外科;210029 江苏省南京市胸科医院胸外科【正文语种】中文近年来，随着人们健康意识的提高以及高分辨率CT体检的普及，肺部小结节的检出率逐年上升。

第28卷第6期CT理论与应用研究Vol.28, No.6 2019年12月（677-683）CT Theory and Applications Dec., 2019易芹芹, 周宙, 黄国鑫. 基于CT表现的孤立性肺结节良恶性预测模型的研究[J]. CT理论与应用研究, 2019, 28(6): 677-683. doi:10.15953/j.1004-4140.2019.28.06.05.YI Q Q, ZHOU Z, HUANG G X. A predicting model to estimate the probability of malignancy in solitary pulmonary nodules basing on CT images[J]. CT Theory and Applications, 2019, 28(6): 677-683. doi:10.15953/j.1004-4140.2019.28.06.05. (in Chinese).基于CT表现的孤立性肺结节良恶性预测模型的研究易芹芹，周宙，黄国鑫（深圳市人民医院放射科，广东深圳518001）摘要：目的：筛选并分析影响肺结节良恶性的因素，建立预测模型、验证该模型并与梅奥模型、Brock模型对比。

方法：回顾性分析2015年1月至2017年12月深圳市人民医院有病理结果的孤立性肺结节病例319例，其中229例作为建模组（A组），90例作为验证组（B组），分析A组病例性别、年龄、直径、吸烟史、毛刺、位于上叶、边界不清楚、分叶征、空泡征、血管集束征、胸膜凹陷征、含磨玻璃密度及钙化，通过单因素分析及Logistic回归分析，筛选出独立影响因子，并建立回归方程。

用B组资料进行验证并将B组资料分别代入本研究模型、梅奥模型及Brock模型进行对比。

结果：单因素分析示年龄、直径、毛刺、上叶、边界不清楚、分叶、空泡、血管集束征、胸膜凹陷征、是否含有磨玻璃密度在良恶性结节中的差异具有统计学意义（P<0.05），Logistic回归分析示有毛刺、有分叶、边界不清楚和含有磨玻璃密度为恶性孤立性肺结节的独立影响因素，并据此建立的回归方程ROC曲线下面积为0.894，其灵敏度为91.3％，特异度为77.3％，阳性似然比为4.02，阴性似然比为0.11，阳性预测值为80.8％，阴性预测值为89.5％；本研究模型与梅奥模型的差异有统计学意义（P=0.0049），与Brock模型差异没有统计学意义（P=0.79）。

孤立性肺结节恶性概率估算临床预测模型的建立张晓辉;陈成;曾辉;宁卫卫;张楠;黄建安【摘要】Objective To screen the clinical risk factors of lung cancer in the patients with solitary pulmonary nodules ( SPN) ,and build the clinical prediction model to estimate the probability of malignancy.Methods A retrospective analysis was performed on the clinical data and chest imaging characteristics of 270 patients with SPN.Results Among 270 patients,there had 110 (40.7%) cases of lung cancer,and 160 (59.3%) benign lesions.On the analysis of imaging characteristics,lobulation, spiculated sign, pleural indentation sign, contrast enhancement, air bronchogram sign were associated with lung cancer ( P <0.05).Nodules with clear boundary,calcification,homogeneous density were associated with benign lesions (P<0.05).Single factor analysis showed that age, smoking history, malignant imaging characteristics and diameter were significantly affected the judgment of SPN whether it was benign or malignant(P<0.05).The multivariate analysis revealed that age,malignant imaging characteristics and diameter were independent risk factors of lung cancer in the patients with SPN (P<0.01).The clinical pre-diction model to estimate the probability of malignancy as following:P=ex/(1+ex),X=-5.882+0.050* age+1.672*ima-ging characteristic+0.123* the maximum diameter,where the e is the base of the natural logarithm.The cut-off value was 0.46. The sensitivity was 82%,specificity 85%,positive balue 80%,and negative predictive value 87%.The area under the ROC curve for our modelwas 0.901.Conclusion Age,malignant imaging characteristics and diameter are independent risk factors of lung cancer in the patients with SPN.Our prediction model is accurate and sufficient to estimate the malignancy of patients with SPN.%目的：筛选恶性孤立性肺结节（solitary pulmonary nodules，SPN）的危险因素，构建判断SPN良恶性的临床预测模型。

doi:10.3971/j.issn.1000-8578.2023.22.1209四种肺癌预测模型对体检人群孤立性肺结节预测效能的比较刘雪娇，李斌，李艳，陈思，李必强Evaluation of Four Predictive Models for Identifying Malignancy of Solitary Pulmonary Nodules in Health Check-up PopulationLIU Xuejiao, LI Bin, LI Yan, CHEN Si, LI BiqiangDepartment of Health Management Center, Chongqing General Hospital, Chongqing 401121, ChinaCorrespondingAuthor:LIBiqiang,E-mail:****************Abstract: Objective To compare and validate the efficiency of four models predicting the malignancy of solitary pulmonary nodules (SPN). Methods Patients diagnosed with SPN during health check-up were selected as the research subjects. Risk assessment was conducted using four predictive models. Outcomes were obtained through prospective follow-up. Statistical description and univariate analysis were performed for all risk factors of the four models. ROC curve was applied to compare the efficiency of the four predictive models. Results A total of 479 cases were included in this study. Among these patients, 82 were diagnosed with lung tumor, and the malignant rate was 17.12%. Age, nodule diameter, smoking, family history of tumor, history of extrapulmonary tumor ≥5 years, upper lobe site, unclear boundary, and spiculation rates were higher in the malignancy group than those in the benign group (P <0.05). The efficiency of Brock model was the best. Its AUC was 0.833, sensitivity was 80.49%, and specificity was 74.31%. Its Youden index, positive likelihood ratio, positive predictive value, and negative predictive value were the highest, and its negative lik elihood ratio was the lowest. The AUC, sensitivity, and specificity of Mayo model were 0.815, 81.71%, and 67.51%, respectively; those of PKUPH model were 0.754, 69.51%, and 73.55%, respectively; and those of V A model were 0.738, 68.29%, and 67.55%, respectively. Conclusion The Brock model might be the most appropriate predictive model for the risk assessment of SPN among the health check-up population, and the V A model is the worst. The combination of Brock, Mayo, and PKUPH models requires further study. Key words: Predictive models for lung cancer; SPN; Health check-up; ROC curve; Prospective study Funding: Chongqing Yuzhong District Research and Frontier Exploration Project (No. 20190110)Competing interests: The authors declare that they have no competing interests.摘 要：目的 比较四种肺癌预测模型对孤立性肺结节（SPN ）的预测效能。

2023年肺结节(8~30mm)的评估和处理(全文)1I胸部CT新发、实性、不确定的肺结节(8~30mm)2.单个不明原因结节直径＞8mm者：建议临床医生通过定性地使用临床判断和(或)定量地使用验证模型评估恶性肿瘤的预测概率。

3.单个不明原因结节直径＞8mm,且恶性肿瘤的预测概率为低.中度(5%~65%)者：建议行功能成像,有条件者可考虑PET-CT,以便更好地描述结节的特征。

4.单个不明原因结节直径＞8mm,且恶性W瘤的预测概率为高度(＞65%)者：视情况决定是否使用功能成像，对于高度怀疑肿瘤者可考虑直接行PET-CT,因其可同时进行手术前的预分期。

5.单个不明原因结节直径＞8mm者：建议讨论无法取得病理诊断的替代性管理策略的风险和益处，并根据患者对管理的意愿而决定。

6.单个不明原因结节直径＞8mm者，建议在下列情况下采用定期CT扫描随访：(1)当临床恶性概率很低时(＜5%);(2)当临床恶性概率低(＜30%~40%)且功能成像检测结果阴性(PET-CT显示病变代谢率不高，或动态增强CT扫描显示增强≤15HU);(3)当穿刺活检未确诊，或PET-CT显示病灶代谢率不高时;(4)当充分告知患者后，患者倾向选择非侵袭性方法时。

需注意的是：随访直径＞8mm的实性结节应使用低剂量CT平扫技术。

6.单个不明原因结节直径＞8mm者：建议在3~6个月.9~12个月及18~24个月进行薄层、低剂量CT扫描。

需注意的是：(1)定期CT扫描结果应与以前所有的扫描结果对比，尤其是最初的CT扫描;(2)如果有条件，可行手动和(或)计算机辅助测量面积、体积和(或)密度，以便早期发现病灶的生长。

7.单个不明原因结节直径＞8mm者：在定期的影像学随访中有明确倾向的恶性肿瘤增长证据时，若无特别禁忌，建议考虑非手术活检和(或)手术切除。

8.单个不明原因结节直径＞8mm者：建议在伴有下列情况时采取非手术活检：(1)临床预测概率与影像学检查结果不一致；(2)恶性肿瘤的概率为低、中度；(3)疑诊为可行特定治疗的良性疾病；(4)患者在被充分告知后，仍希望在手术前证明是恶性肿瘤，尤其是当手术并发症风险高时。

预测各种癌症早知道随着科技的不断进步和医学的发展，我们对癌症的认识越来越深入。

癌症是当今社会面临的一大健康威胁，其危害性和复杂性令人担忧。

然而，如果我们能够提前进行癌症的预测，那么我们有望早日发现并采取措施应对这一疾病。

有许多方法和技术可以预测各种类型的癌症，本文将介绍其中一些常见的预测方法和技术。

1. 遗传基因预测遗传基因预测是一种利用基因数据来评估一个人患癌症的风险的方法。

每个人的基因组中都携带了一系列与癌症相关的基因变异，这些变异会影响一个人患癌症的概率。

通过基因测序和分析，科学家可以检测出这些基因变异，从而预测个人患病的风险。

例如，BRCA1和BRCA2基因的突变会增加女性患乳腺癌和卵巢癌的风险。

遗传基因预测可以帮助高风险人群采取预防措施或定期进行筛查，以尽早发现癌症。

2. 定量影像预测定量影像预测是一种通过医学影像技术来评估癌症患者预后和治疗效果的方法。

医学影像技术如CT扫描、MRI和PET扫描等可以提供详细的身体结构和生理功能信息，这些信息对于癌症的早期诊断和预测具有重要意义。

例如，在肺癌的早期诊断中，定量影像预测可以通过分析肺部结节的大小、形状和密度等指标，来预测结节是良性还是恶性。

基于影像的预测方法可以帮助医生更早地发现癌症并制定个体化的治疗方案。

3. 生物标志物预测生物标志物预测是一种利用生物学指标来评估癌症风险和预后的方法。

癌症导致机体产生了一系列特定的生物分子，这些生物分子可以通过血液、尿液等体液样本进行检测。

例如，前列腺特异性抗原（PSA）是一种常用的前列腺癌生物标志物，其检测可以用于辅助癌症筛查和预测。

其他常用的生物标志物包括CA19-9（胰腺癌）、AFP（肝癌）等。

生物标志物预测为早期癌症筛查、疾病监测以及预后评估提供了重要的工具。

4. 综合模型预测综合模型预测是一种通过整合多种预测方法和指标来评估癌症风险的方法。

由于癌症的发展受到多种因素的影响，单一的预测方法可能无法全面准确地评估个体的癌症风险。

目的评估使用常规肺CT扫描数据训练的肺结节良恶性判别深度学习模型，在肺结节靶扫描CT图像上的良恶性分类效能。

方法回顾性分析上海市胸科医院2016年1月至2018年12月间胸部CT扫描发现肺结节并行手术切除的患者923例，共搜集有病理检测报告且在常规扫描和靶扫描数据集上可对应的结节969个。

使用基于常规扫描CT数据训练的深度学习良恶性分类模型，对于本研究中搜集的常规扫描和靶扫描数据集进行评测，评估指标包含两者的曲线下面积（AUC）、准确率、敏感度和特异度，并使用综合判别改善指数及Delong测试比较两者的性能差异。

结果常规扫描数据集上的曲线下面积、准确率、敏感度和特异度分别为0.80、82.0%、86.0%和56.6%，靶扫描数据集上的曲线下面积、准确率、敏感度和特异度分别为0.84、85.0%、88.8%和60.5%。

综合判别改善指数为0.056，差异有统计学意义（Z检验，P<0.05），且ROC 曲线下面积差异有统计学意义（Delong检验，P=0.01）。

结论基于常规肺CT扫描数据训练的深度学习肺结节良恶性分类模型，在肺部靶扫描数据上可以取得更好的诊断效能。

肺癌是世界范围内癌症相关死亡的主要原因。

国际肺癌研究协会（IASLC）证实，随着肿瘤的生长，生存率明显降低，早期发现和诊断是降低肺癌患者病死率的有效方法。

随着我国肺部低剂量CT扫描和肺癌筛查的广泛开展，肺结节的检出率大大提高。

在临床上术前鉴别肺结节的良恶性至关重要，相比于低剂量CT，超高分辨率CT靶扫描采集及重建技术的应用使影像的信息量明显增加，除在形态学上提供影像的鉴别特性外，其密度值更精确，为计算机的量化处理提供更充足的信息量。

另一方面，以深度学习为代表的人工智能技术目前已经在医学影像领域取得了一些突破性的进展。

然而，目前将深度学习技术应用于肺结节靶扫描CT影像的研究鲜有报道。

本研究使用基于常规CT扫描数据集上训练完成的深度学习良恶性判别模型，引入超高分辨率CT靶扫描的方法[5]，提高肺部结节CT影像的数据通量[6]，对比良恶性判别模型在常规CT影像和靶扫描CT影像上的诊断效能，为今后肺结节良恶性判别模型的建模方向提供参考依据。

作者单位：６５０１１８　昆明，云南省肿瘤医院昆明医科大学第三附属医院放射科作者简介：晏睿滢（１９９３－），女，云南宣威人，硕士，住院医师，主要从事胸部肿瘤影像诊断工作。

通讯作者：高德培，Ｅ－ｍａｉｌ：ｇａｏｄｅｐｅｉ３１１＠ｓｏｈｕ．ｃｏｍ基金项目：云南省科技厅－昆明医科大学应用基础研究联合专项资金面上项目［２０１７ＦＥ４６７（－０８４）］·胸部影像学·孤立性肺结节良恶性预测模型的建立及验证晏睿滢，李华秀，丁莹莹，李振辉，陈小波，高德培【摘要】　目的：通过分析长径５～１５ｍｍ的孤立性肺结节（ＳＰＮ）患者的临床、实验室检查及影像学征象等资料，建立并验证长径５～１５ｍｍ的ＳＰＮ良恶性预测模型。

方法：回顾性搜集２０１２年１２月－２０１８年３月在云南省肿瘤医院经手术切除并获取明确病理诊断的长径５～１５ｍｍ的ＳＰＮ病例共９５８例，分析患者的临床特征（年龄、性别、体质指数、吸烟史、呼吸系统疾病史、恶性肿瘤病史、家族肿瘤史），实验室检查（癌胚抗原、糖类抗原ＣＡ１２５、糖类抗原ＣＡ７２４、中性粒细胞淋巴细胞比值（ＮＬＲ））和影像学征象（结节位置、最大径和最小径、边缘、磨玻璃成分、空洞、空泡征、空气支气管征、血管集束征、胸膜牵拉征、钙化、肺气肿背景、纤维条索影）。

采用随机分组将患者按７：３比例分为训练集（６７０例）和验证集（２８８例）。

通过单因素及多因素ｌｏｇｉｓｔｉｃｓ回归分析筛选出与长径５～１５ｍｍ的ＳＰＮ良恶性相关的独立危险因素，构建列线图预测模型。

将验证集的数据代入该模型进行验证，绘制受试者操作特征（ＲＯＣ）曲线和校准曲线，评估模型预测价值。

结果：训练集６７０例长径５～１５ｍｍ的ＳＰＮ患者中，良性３１３例（４６．７２％），恶性３５７例（５３．２８％）。

多因素ｌｏｇｉｓｔｉｃ回归分析筛选得出年龄、空泡征、血管纠集征、空气支气管征、胸膜牵拉、含ＧＧＯ成分以及ＮＬＲ等７个因素是诊断长径５～１５ｍｍＳＰＮ良恶性的独立预测因子（Ｐ＜０．０５），构建的预测模型为：Ｐ（长径５～１５ｍｍ的ＳＰＮ恶性概率预测值）＝ｅｘ／（１＋ｅｘ），Ｘ＝－３．１４２８２＋（０．０３７３７×年龄）＋（０．５１３７４×空泡）＋（１．８７８９７×血管纠集征）＋（０．９０５７３×空气支气管征）＋（１．１５０５５×胸膜牵拉）＋（１．５７４１３×含ＧＧＯ成分）－（０．８４１８２×ＮＬＲ）。

[收稿日期]2021-12-18　[修回日期]2022-07-20[基金项目]安徽省自然科学基金项目(1708085MH210)[作者单位]蚌埠医学院第一附属医院1.呼吸与危重症医学科,2.胸外科,安徽蚌埠233004[作者简介]查小久(1991-),女,硕士研究生.[通信作者]黄礼年,博士研究生导师,主任医师,教授.E⁃mail:bbmchln@ [文章编号]1000⁃2200(2023)11⁃1514⁃06㊃临床医学㊃孤立性肺结节恶性概率临床预测模型的建立查小久1,黄礼年1,贡会源2,王安生2[摘要]目的:筛选出恶性孤立性肺结节独立危险因素,构建判断孤立性肺结节良恶性的列线图模型㊂方法:收集胸外科行手术治疗并有明确病理的孤立性肺结节病人的临床资料及胸部影像学特征㊂通过单因素及多因素logistic 回归分析,筛选出与孤立性肺结节良恶性相关的独立影响因素,并利用列线图构建预测孤立性肺结节恶性概率的数学模型㊂最后,利用受试者工作特征(ROC)曲线下面积(AUC)及校准曲线验证风险预测模型㊂结果:605例病人中,恶性病变398例(65.8%),良性病变207例㊂多因素分析中,病人年龄㊁油烟吸入㊁含磨玻璃成分㊁长毛刺㊁短毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁钙化㊁深分叶是恶性孤立性肺结节的独立影响因素(P <0.05~P <0.01)㊂将上述独立影响因素纳入列线图中,构建预测恶性孤立性肺结节概率的数学模型㊂本列线图模型显示出较好的区分度及一致性,ROC 的AUC 为0.913(95%CI :0.888~0.938),当截取T =0.55时,约登指数最大,此时模型的敏感性为89.2%,特异性为80.2%,校正曲线显示预测孤立性肺结节的恶性肿瘤概率与实际恶性肿瘤的概率基本平行,为斜率大约45°的曲线㊂校准图显示该模型充分拟合,可以预测孤立性肺结节的恶性肿瘤概率㊂结论:年龄㊁油烟吸入史㊁含磨玻璃成分㊁短毛刺㊁深分叶㊁血管集束征㊁胸膜凹陷征㊁空泡征是恶性孤立性肺结节的独立危险因素,而钙化㊁长毛刺更常见于良性孤立性肺结节㊂列线图模型可使临床医生对孤立性肺结节的恶性概率进行个体化㊁可视化和精确预测㊂[关键词]孤立性肺结节;危险因素;预测模型;受试者工作特征曲线[中图法分类号]R 563 [文献标志码]A DOI :10.13898/ki.issn.1000⁃2200.2023.11.007Establishment of clinical predictive modelof malignant probability of solitary pulmonary nodulesZHA Xiao⁃jiu 1,HUANG Li⁃nian 1,GONG Hui⁃yuan 2,WANG An⁃sheng 2(1.Department of Respiratory and Critical Care Medicine ,2.Department of Thoracic Surgery ,The First Affiliated Hospital of Bengbu Medical College ,Bengbu Anhui 233004,China )[Abstract ]Objective :To screen the independent risk factors for malignant solitary pulmonary nodules,and build a nomogram model to estimate the probability of malignancy.Methods :The clinical data and chest imaging characteristics of patients with solitary pulmonary nodules who underwent surgical treatment and had definite pathology in the Department of Thoracic Surgery were collected.The independent risk factors were screened by univariate and multivariate logistic regression analysis,and a nomogram mathematical model was established to predict the malignant probability of solitary pulmonary nodules.Finally,the risk prediction model was validated using the area under the curve (AUC)of receiver operating characteristic (ROC)and the calibration curve.Results :Among 605patients,there had 398(65.8%)cases of malignant lesions,and 207benign lesions.In multivariate analysis,patient′s age,lampblack,ground⁃glass opacity,long⁃spiculation,short⁃spiculation,pleural indentation,vessel convergence,vacuole sign,calcification and deep⁃lobulation were independent influencing factors of malignant solitary pulmonary nodules (P <0.05to P <0.01).The above independent influencing factors were included in the nomogram to construct a mathematical model to predict the malignant probability of solitary pulmonary nodules.The nomogram model showed better discrimination and consistency.The AUC was 0.913(95%CI :0.888-0.938).When T =0.55was intercepted,the Youden index was the largest,with a sensitivity of 89.2%and a specificity of 80.2%.The calibration curve showed that the predicted malignancy probability of solitary pulmonary nodules was substantially parallel to the probability of actual malignant tumors,with a slope of approximately 45°.Calibration graphic revealed adequate fit of the model predicting the risk of malignancy probability of solitary pulmonary nodules.Conclusions :Age,lampblack,ground⁃glass opacity,short⁃spiculation,pleural indentation,vessel convergence,vacuole sign,and deep⁃lobulation are independent risk factors for malignant solitary pulmonary nodules,while calcification and long⁃spiculation aremore common in benign solitary pulmonary nodules.A newnomogram model,allowing clinicians to individualize,visualize and accurately predict the malignant probability of solitary pulmonary nodules.[Key words ]solitary pulmonary nodules;risk factors;prediction model;receiver operating characteristic curve 孤立性肺结节(solitary pulmonary nodules,SPN)系指直径≤3cm的单个球形或椭圆形密度增高影,其边缘清楚㊁周围为充气肺组织,不包括肺门和纵隔淋巴结肿大㊁肺不张和胸腔积液等表现[1]㊂随着人们健康意识的提升以及低剂量螺旋CT的应用,肺结节的检出率增高,探寻一种有效的方法能早期鉴别肺结节的良恶性,不仅能避免良性肺结节病人的重复检查㊁过度的侵入性检查及手术治疗,而且能提高恶性肺结节病人的生存率,但因肺结节的病因种类多(包括良恶性肿瘤㊁炎症㊁真菌感染㊁结核㊁非典型增生等),且由于结节较小导致取材有限,均加大了肺结节定性诊断的难度㊂以往临床上肺结节的诊断主要依靠医生的经验判断,存在一定的主观性;自梅奥模型建立以来,越来越多的预测模型被开发以及验证,预测模型对肺结节的良恶性鉴别具有较高的准确性㊂由于地区㊁人群等差异及更多肺癌相关的危险因素被发现,肺结节的预测模型需根据目标人群特点进行选择㊂本研究回顾性分析605例SPN 病人的临床资料及影像资料,挑选出与良恶性相关的影响因素,最终建立临床预测模型并验证模型,为临床预测SPN的恶性概率提供帮助㊂现作报道㊂1　资料与方法1.1　研究对象　收集2018年12月至2020年1月我院行手术治疗并有明确病理诊断的SPN病人605例,其中男257例,女348例,年龄24~83岁㊂纳入标准:均行胸部高分辨率CT(High resolution CT, HRCT)检查;HRCT提示SPN;无远处转移迹象;均行胸腔镜手术,有明确的病理诊断㊂1.2　临床资料和HRCT影像资料　临床资料包括:病人年龄㊁性别㊁吸烟史㊁戒烟史㊁被动吸烟㊁肿瘤史㊁家族史㊁肺部疾病史㊁职业暴露㊁临床症状㊁油烟吸入㊁固体燃料使用(柴火㊁蜂窝煤)㊂由1名高年资放射科医师及1名高年资呼吸科医师收集HRCT影像资料,包括结节的位置㊁最大径㊁类型㊁血管集束征㊁胸膜牵拉征㊁空泡征㊁空气支气管征㊁毛刺征(≥5mm为长毛刺;<5mm为短毛刺)㊁分叶征[深分叶(弦距与距长之比≥2/5)和浅分叶(弦距与距长之比≤1/5)]和钙化㊂油烟吸入定义:每日烹饪次数至少1次,持续时间6个月以上,且病人会被问及 烹饪过程中,烹调油烟对眼睛及咽喉刺激强度”,答案从 从不” 偶尔” 有时”到 经常”,回答 有时”或 经常”时则等于1,否则等于0㊂1.3　统计学方法　采用t检验㊁χ2检验㊁多因素logistic回归分析㊁列线图模型和受试者工作特征(ROC)曲线和校准曲线验证风险预测模型㊂2　结果2.1　SPN病人的病理结果　按病理结果分为良㊁恶性2组㊂恶性组398例(65.8%),其中腺癌354例,鳞状细胞癌29例,其他恶性病变15例(其中差分化癌5例,非小细胞癌㊁神经内分泌癌各3例,小细胞癌㊁黏液表皮样癌㊁转移性癌㊁淋巴瘤各1例);良性组207例(34.2%),其中非典型腺瘤样增生34例,错构瘤20例,肉芽肿性炎27例,结核22例,炎症20例,炎性假瘤17例,机化性肺炎12例,硬化性肺泡细胞瘤10例,其他良性病变45例(其中肺隔离症㊁副神经节瘤㊁新型隐球菌病各1例,淋巴结2例,真菌感染㊁支气管囊肿㊁坏死结节各4例,胶原结节5例,肺泡上皮增生8例)㊂各病理类型所占比例见图1㊂2.2　恶性SPN的影响因素分析　单因素分析示,2组年龄㊁肿瘤家族史㊁油烟吸入㊁固体燃料㊁结节的最大径㊁类型㊁含磨玻璃成分㊁长毛刺㊁短毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁空气支气管征㊁钙化㊁深分叶和浅分叶差异均有统计学意义(P<0.05~P< 0.01)(见表1㊁2)㊂多因素分析提示,年龄㊁油烟吸入㊁含磨玻璃成分㊁长毛刺㊁短毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁钙化和深分叶是肺癌相关的独立影响因素(P< 0.05~P<0.01)(见表3)㊂方程为:SPN恶性概率=eX/(1+eX),X= -3.715+0.030×年龄+0.722×油烟吸入(有=1,无=0)+1.638×含磨玻璃成分(有=1,无=0)-1.713×长毛刺(有=1,无=0)+1.722×短毛刺(有=1,无=0)+1.034×胸膜凹陷征(有=1,无= 0)+2.151×血管集束征(有=1,无=0)+1.030×空泡征(有=1,无=0)-2.292×钙化(有=1,无= 0)+2.965×深分叶(有=1,无=0)㊂数字e是一个数学常数,是自然对数函数的底数㊂　表1　良㊁恶性SPN病人临床资料比较[n;百分率(%)]临床资料良性(n=207)恶性(n=398)χ2P年龄/岁54.36±11.2358.90±11.10-4.76*<0.01性别　男　女100(48.3)107(51.7)157(39.4)241(60.6) 4.38<0.05吸烟史　有52(25.1)115(28.9)0.97>0.05吸烟包年　≤10168(81.1)305(76.6)　>10~207(3.4)21(5.3) 1.96>0.05　>2032(15.5)72(18.1)戒烟史　有11(5.3)33(8.3) 1.79>0.05被动吸烟　有17(8.2)50(12.6) 2.62>0.05肿瘤家族史　有7(3.4)31(7.8) 4.49<0.05既往肿瘤史　有7(3.4)21(5.3) 1.11>0.05肺部疾病史　有11(5.3)28(7.0)0.67>0.05油烟吸入　有92(44.4)261(65.6)25.03<0.01固体燃料　有22(10.6)108(27.1)22.00<0.01职业暴露　有10(4.8)33(8.3) 2.47>0.05临床症状　有74(35.7)153(38.4)0.42>0.05 *示t值　表2　良㊁恶性SPN病人影像特征比较[n;百分率(%)]CT影像特征良性(n=207)恶性(n=398)χ2P最大径/cm 1.48±0.73 1.68±0.64-3.99*<0.01结节大小/cm　≤176(36.7)83(20.9)　>1~280(38.7)209(52.5)18.72<0.01　>2~351(24.6)106(26.6)结节位置　右肺上叶70(33.8)139(34.9)　右肺下叶36(17.4)71(17.8)　右肺中叶17(8.2)22(5.5) 1.64>0.05　左肺上叶54(26.1)108(27.1)　左肺下叶30(14.5)58(14.6)结节类型　实性153(73.9)183(46.0)　磨玻璃43(20.8)128(32.2)48.39<0.01　混合性11(5.3)87(21.9)续表2CT影像特征良性(n=207)恶性(n=398)χ2P 含磨玻璃　有54(26.1)215(54.0)43.03<0.01长毛刺征　有67(32.4)53(13.3)31.08<0.01短毛刺征　有21(10.1)124(31.2)32.99<0.01胸膜凹陷征　有19(9.2)63(15.8) 5.14<0.05血管集束征　有40(19.3)285(71.6)149.73<0.01空泡征　有54(26.1)221(55.5)47.61<0.01空气支气管征　有18(8.7)78(19.6)12.12<0.01钙化　有21(10.1)6(1.5)23.83<0.01深分叶征　有6(2.9)103(25.9)48.69<0.01浅分叶征　有16(7.7)13(3.3) 5.94<0.05 *示t值表3　二元logistic回归分析结果变量βSE Waldχ2P OR95%CI年龄0.0300.012 6.413<0.01 1.030 1.007~1.054油烟吸入0.7220.2508.335<0.01 2.058 1.261~3.359含磨玻璃成分 1.6380.28832.305<0.01 5.143 2.924~9.045长毛刺-1.7130.35323.558<0.010.1800.090~0.360短毛刺 1.7220.38120.369<0.01 5.593 2.648~11.812胸膜凹陷征 1.0340.472 4.792<0.05 2.812 1.114~7.098血管集束征 2.1510.26665.276<0.018.592 5.099~14.478空泡征 1.0300.26015.750<0.01 2.801 1.684~4.659钙化-2.2920.67011.706<0.010.1010.027~0.376深分叶 2.9650.57126.949<0.0119.396 6.332~59.414常量-3.7150.71726.836<0.010.0242.3　建立列线图模型并验证模型　依据二元logistic回归分析最后的结果,纳入10项与病理相关的独立危险因素,采用R软件(4.1.0)建立列线图模型(见图2)㊂该模型使用1000个Bootstrap样本进行了内部验证,以准确计算区分度,并确认了列线图的良好预测性能,产生了显著的AUC0.913(95% CI:0.888~0.938,P<0.01)(见图3)㊂列线图模型的偏差校正校准图显示,使用列线图计算的预测概率与实际概率之间具有足够的一致性(见图4)㊂校准图显示该模型充分拟合,可预测SPN的恶性风险㊂3　讨论 GLOBOCAN2020最新数据显示[2],肺癌是全球发病率第二㊁死亡率第一的恶性肿瘤,在中国发病率及死亡率均居第一位;过去十年,中国肺癌相关死亡率的增长速度高于全球平均水平[3],且LI等[4]研究表明这种增长趋势预计将在未来十年继续下去㊂2003-2015年期间我国肺癌5年生存率仍不足20%[5],而国际早期肺癌行动筛查项目研究发现,Ⅰ期肺癌术后10年生存率高达88%,癌症的早发现㊁早诊断㊁早治疗是现今癌症防控的有效手段,是降低癌症死亡率㊁延长生存率的关键措施[6]㊂恶性SPN是肺癌的早期表现,在NLST研究中,CT筛查组中96.4%的阳性结节是良性的[7],经外科手术切除的结节中,良性结节占30%左右[8],过高的假阳性可能导致过度诊治,受检者因焦虑而反复检查,进一步导致医疗资源的浪费等㊂如何准确预测肺结节性质,仍是临床医师面临的一大难题㊂随着研究的不断更新,肺癌相关危险因素不断被丰富㊂基于相关危险因素建立的适合我国人群SPN恶性概率的数学预测模型与梅奥㊁VA等模型相比,准确度和灵敏度更高㊂另有研究表明,模型采用的诊断信息越多,评估的风险越准确[9]㊂本研究得出的数学模型利用列线图直观的表现出来,将相关影响因素进行量化,各个因素对应标尺上的分数相加得到总评分,再对应恶性概率轴的数值就可以得出结节的恶性概率㊂例如:病人男,50岁,无油烟吸入史,左上肺实性结节,CT示有深分叶㊁短毛刺及空泡征,无胸膜凹陷征㊁血管集束征及钙化等,各危险因素评分相加得总评分为358分,对应的恶性概率大于95%,其病理示:左下肺浸润性腺癌;病人女,60岁,有油烟吸入史,右上肺实性结节,CT示有钙化,无毛刺征㊁分叶征㊁血管集束征等,其总评分为122.5分,对应的恶性概率小于5%,病理示硬化性肺泡细胞瘤㊂本研究一般临床资料中病人的年龄㊁油烟吸入是恶性SPN的独立危险因素,而既往肿瘤史等无统计学意义㊂总体上看,肺恶性肿瘤占65.8%(398/650),其中腺癌354例;男性占39.4%,女性占60.6%;吸烟病人中患鳞癌的居多,且以男性为主[10],此研究中吸烟在良恶性肺结节中无统计学差异,可能与本研究中女性病人比例较高,且病理以腺癌为主有关,也可能与本研究样本量少相关,需进一步加大样本量来验证㊂年龄是评估肺结节良恶性的独立危险因素,随着年龄增长,恶性概率也随之升高,本研究中在单因素㊁多因素分析中都显示出明显差异,与国内外相关研究[11-12]一致㊂本研究中高于60岁的病人中肺结节恶性概率高达76.5%,与李运等[13]研究相似㊂多项研究[14-15]显示烹饪油烟接触会增加患肺癌的风险性,可能与厨房油烟中包含苯并芘㊁挥发性亚硝胺㊁杂环胺类化合物等致癌物有关㊂一项荟萃分析[16]显示,针对中国非吸烟女性,烹饪油烟暴露与肺癌之间存在关联(OR=2.11;95%CI=1.54~ 2.89),与本研究一致,而在做饭时使用厨房排烟机可以降低不吸烟女性患肺癌的风险㊂本研究中,油烟吸入存在一定的主观性,可能导致一定的偏差,最新有研究[17]表明烹饪油烟暴露与肺癌之间存在剂量反应关系,并提供了一种烹饪时间-年(每个年龄范围内的平均每日烹饪次数×烹饪年数)方法来测量烹饪油烟累积量㊂CT影像学表现是评估肺结节的重要指标,CT 图像中显示有多于一种的癌变指示特征存在时,诊断恶性概率的阳性预测值明显增高[18]㊂本研究中直径≤1cm有159例,其中83例为恶性结节,<直径>1~2cm有289例,其中209例为恶性结节,直径>2~3cm有157例,其中106例为恶性结节,可以显示随着直径的增大,结节的恶性概率也随之增长,而最终未纳入模型中可能与未将结节的性质进行区分相关㊂ZHANG等[19]研究表明不同大小㊁不同性质肺结节的危险因素有差异,且有研究[20]报道,恶性结节的进展过程可以不出现直径的增加,而只表现为病灶内实性成分的增加;也可能与本研究选择的人群均为行胸腔镜或开胸手术有明确病理的病人,可能均为恶性肺结节的高危人群,而导致建模人群的偏移㊂持续存在的磨玻璃结节很可能是癌前病变,在非吸烟女性中常见,较肺实性结节更易恶变,与肺腺癌密切相关[21-22],随着实性成分的增加,肿瘤的侵袭性有增加趋势[23]㊂本研究中,含磨玻璃成分的结节有269例,其中215例为恶性㊂喻微等[24-25]研究表明,边界清楚是恶性SPN的独立预测因子,而结节边缘光滑是保护性因素㊂对于边界清楚,但边缘出现有毛刺或者分叶的肺结节恶性概率更大㊂毛刺征指结节边缘数条向周围肺组织延伸的㊁长短不一的㊁粗细相对均匀的线条状影,一般分为粗长毛刺和短细毛刺㊂毛刺征的形成机制在良恶性病变中有差异,在恶性结节中,主要是癌细胞的浸润性生长所致,良性结节中则主要是由增生的纤维结缔组织所形成㊂袁鑫鑫等[26]研究中毛刺征在恶性孤立性肺结节中出现率达71%,且以短毛刺为主;李丽等[27]回顾性分析了102个肺微小结节的CT征象,其中出现毛刺征的共53例,恶性结节占33个,而恶性组中32例均表现为短毛刺㊂本研究中将毛刺征以5mm为界分为长㊁短毛刺进行分析显示,短毛刺是重要危险因素;共有120例表现为长毛刺,良性组中占比超过55%,明显高于恶性组,表明长毛刺更多见于良性结节㊂分叶征指肿块向各个方向生长速度不一,或受周围结构阻挡,表面呈现多个弧形突起,通常分为深分叶和浅分叶,尤其深分叶是恶性最常见的征象㊂相关研究[24,26]表明,恶性SPN中分叶征的发生率远高于良性SPN㊂本研究中深分叶OR值达20.635,表明有深分叶的SPN为恶性的概率是没有深分叶的20多倍㊂血管集束征㊁空泡征也是鉴别鉴别肺结节良恶性的重要CT 征象[28],恶性SPN中的发生率分别为71.6%㊁55.5%,均较良性病变高(19.3%㊁26.1%)㊂胸膜凹陷征的出现,常常提示病灶可能累及脏层胸膜,陈兆渤等[29]研究表明胸膜凹陷是侵袭性显著的病灶表现㊂本研究中出现胸膜凹陷征的有82例,其中恶性63例(76.8%),表明胸膜凹陷征也是重要的恶性CT征象㊂本研究中,27例结节钙化中有77.8%是良性结节,在判断肺结节良恶性中有明显差异,李运等[13,30-31]研究中均认为钙化可以作为保护因素,与本研究一致㊂本研究中,良性病变207例(34.2%),平均年龄(54.36±11.23)岁,无症状就诊的有133例(64.3%),有症状的主要表现为咳嗽咳痰(16.9%)㊁咯血或痰中带血(9.7%)㊁胸痛(8.2%)㊁发热(3.4%);病理类型以非典型腺瘤样增生及炎症为主;密度上,多为实性结节(73.9%),磨玻璃次之(20.8%),混合磨玻璃最少(5.3%);CT征象上,与恶性结节相比,良性结节多有钙化㊁长毛刺,而部分结节也表现为一些恶性征象,如血管集束征40例(19.3%),空泡征54例(26.1%)㊂本研究共纳入了10项与SPN良恶性相关的独立性危险因素,并且将毛刺征及分叶征进一步细化,相对于以往相关报道更全面,最终构建的预测模型显示出了较高的准确性能㊂且列线图将复杂的回归方程快速㊁直观㊁精确地展现出来,更具有临床使用价值㊂因本研究为回顾性研究,人群选择存在一定偏倚性,且由于条件受限未纳入血清学指标及PET㊁基因组学等影响因素㊂另外需要更大样本的前瞻性多中心研究进一步完善预测模型㊂[参考文献][1]　HARZHEIM D,EBERHARDT R,HOFFMANN H,et al.Thesolitary pulmonary nodule[J].Respiration,2015,90(2):160.[2]　SUNG H,FERLAY J,SIEGEL RL,et al.Global cancer statistics2020:GLOBOCAN estimates of incidence and mortality worldwidefor36cancers in185countries[J].CA Cancer J Clin,2021,71(3):209.[3]　WANG N,MENGERSEN K,TONG S,et al.Global,regional,andnational burden of lung cancer and its attributable risk factors,1990to2017[J].Cancer,2020,126(18):4220.[4]　LI N,WU P,SHEN Y,et al.Predictions of mortality related tofour major cancers in China,2020to2030[J].Cancer Commun(Lond),2021,41(5):404.[5]　ZENG H,CHEN W,ZHENG R,et al.Changing cancer survival inChina during2003-15:a pooled analysis of17population basedcancer registries[J].Lancet Glob Health,2018,6(5):e555.[6]　WELCH HG,WOLOSHIN S,SCHWARTZ LM,et al.Overstatingthe evidence for lung cancer screening:the International EarlyLung Cancer Action Program(I⁃ELCAP)study[J].Arch InternMed,2007,167(21):2289.[7]　BACH PB,MIRKIN JN,OLIVER TK,et al.Benefits and harms ofCT screening for lung cancer:a systematic review[J].JAMA,2012,307(22):2418.[8]　BRAHMER JR,GOVINDAN R,ANDERS RA,et al.The Societyfor Immunotherapy of Cancer consensus statement onimmunotherapy for the treatment of non⁃small cell lung cancer(NSCLC)[J].J Immunother Cancer,2018,6(1):75. [9]　DEPPEN SA,GROGAN ing clinical risk models for lungnodule classification[J].Semin Thorac Cardiovasc Surg,2015,27(1):30.[10]　张仁锋,张岩,温丰标,等.6058例肺癌患者病理类型和临床流行病学特征的分析[J].中国肺癌杂志,2016,19(3):129.[11]　MAC MH,NAIDICH DP,GOO JM,et al.Guidelines formanagement of incidental pulmonary nodules detected on CTimages:from the fleischner society2017[J].Radiology,2017,284(1):228.[12]　YANG L,ZHANG Q,BAI L,et al.Assessment of the cancer riskfactors of solitary pulmonary nodules[J].Oncotarget,2017,8(17):29318.[13]　李运,隋锡朝,杨德松,等.孤立性肺结节的危险因素[J].中华胸心血管外科杂志,2010,26(3):161.[14]　JIA PL,ZHANG C,YU JJ,et al.The risk of lung cancer amongcooking adults:a meta⁃analysis of23observational studies[J].JCancer Res Clin Oncol,2018,144(2):229.[15]　KITAMI A,SANO F,HAYASHI S,et al.Correlation betweenhistological invasiveness and the computed tomography value inpure ground⁃glass nodules[J].Surg Today,2016,46(5):593.[16]　XUE Y,JIANG Y,JIN S,et al.Association between cooking oilfume exposure and lung cancer among Chinese nonsmokingwomen:a meta⁃analysis[J].Onco Targets Ther,2016,9:2987.[17]　CHEN TY,FANG YH,CHEN HL,et al.Impact of cooking oilfume exposure and fume extractor use on lung cancer risk in non⁃smoking Han Chinese women[J].Sci Rep,2020,10(1):6774.[18]　白少君.联合多种高分辨CT征象对肺内孤立结节良恶性鉴别诊断价值[J].CT理论与应用研究,2019,28(1):121. [19]　ZHANG R,TIAN P,CHEN B,et al.Predicting lung cancer risk ofincidental solid and subsolid pulmonary nodules in different sizes[J].Cancer Manag Res,2020,12:8057.[20]　ZHANG L,YANKELEVITZ DF,CARTER D,et al.Internal grothof non⁃solid lung nodules:radiologic pathologiccorrelation[J].Radiology,2012,263(1):279.[21]　毛海霞,砆韩石,项文静,等.肺腺癌局限性磨玻璃影的诊断与处理[J].中华结核和呼吸杂志,2015,38(7):535. [22]　LEE CT.What do we know about ground⁃glass opacity nodules inthe lung?[J].Transl Lung Cancer Res,2015,4(5):656. [23]　傅晓青,杨勇,董礼,等.肺部CT不同性质肺结节的临床意义[J].浙江医学,2016,38(11):783.[24]　喻微,陈天翔,续力云,等.表现为磨玻璃结节的孤立性肺结节诊断模型的建立.中国医学影像学杂志[J].2017,25(6):435.[25]　喻微,叶波,续力云,等.实性孤立性肺结节诊断模型的建立[J].中国肺癌杂志,2016,19(10):705.[26]　袁鑫鑫,易琳,芮军,等.肺内孤立结节的高分辨CT征象诊断价值观察[J].实用医技杂志,2017,24(6):615. [27]　李丽,刘周,杨倩,等.肺微小结节的CT影像学表现及诊断价值[J].中国癌症防治杂志,2020,2(12):90. [28]　SNOECKXA A,REYNTIENS P,DESBUQUOIT D,et al.Evaluation of the solitary pulmonary nodule:size matters,but donot ignore the power of morphology[J].Insights Imaging,2018,9(1):73.[29]　陈兆渤,金恩浩,李良,等.320排CT双入口灌注扫描技术对良恶性孤立性肺结节血流动力学的评价价值[J].山东医药,2017,57(5):70.[30]　王欣,徐跃华,杜紫燕,等.孤立性肺结节的CT影像学特征及良恶性预测模型的建立[J].中华肿瘤杂志,2018,40(2):115.[31]　WANG L,CHEN Y,TANG K,et al.The value of18F⁃FDG PET/CT mathematical prediction model in diagnosis of solitarypulmonary nodules[J].Biomed Res Int,2018,2018:9453967.(本文编辑　刘畅)。

肺结节概率计算公式全文共四篇示例，供读者参考第一篇示例：肺结节是一种在肺部组织中出现的小肿块，它通常是通过X光检查或CT扫描等放射性影像技术发现的。

肺结节可能是良性的，也可能是恶性的，因此对于肺结节的概率计算是非常重要的，能够帮助医生更好地进行诊断和治疗。

肺结节概率计算常常涉及到一些关键因素，比如患者的年龄、性别、吸烟史、家族史、结节大小、形态等。

根据这些因素，可以利用一些数学模型和公式来计算肺结节的概率。

在此我们简要介绍一些常用的肺结节概率计算公式。

1. Brock模型Brock模型是一种比较常用的肺结节概率计算模型，它根据结节的大小、形态和患者的一些基本信息来估计结节的恶性风险。

Brock模型的计算公式如下：P(结节为恶性) = 1 - [0.87^((D-8.9)/2) * exp(0.04*(D-40)) * S * E * V * R]D表示结节的直径，S表示结节的形态（0为光滑，1为不规则），E表示患者的年龄（岁），V表示结节的数量（0为单发，1为多发），R表示患者的吸烟史（0为不吸烟，1为吸烟）。

2. Mayo模型除了以上两种模型外，还有一些其他肺结节概率计算模型，比如VAQ和Herder模型等。

这些模型基于不同的数据集和假设，可用于不同类型的患者和结节情况。

在实际应用中，医生通常会结合多种模型和临床经验来进行肺结节的概率计算，以便更准确地评估结节的恶性风险和制定治疗方案。

需要指出的是，肺结节概率计算只是一种辅助诊断工具，最终诊断仍需要结合临床症状、病史、影像学表现和实验室检查等多方面信息进行综合判断。

在进行肺结节概率计算时，医生应该谨慎对待结果，并遵循规范的诊疗流程，以确保最终的诊断和治疗过程合理有效。

肺结节的概率计算对于诊断和治疗具有重要意义，可以帮助医生更准确地评估结节的恶性风险，指导临床决策，提高患者的治疗效果和生存率。

希望未来能够进一步完善肺结节的概率计算模型，提高准确性和可靠性，为肺结节患者提供更好的诊疗服务。

恶性孤立性肺微小结节的独立预测因子及预测模型朱颖;许攀峰;姚亚克;潘建芳;周建英【摘要】目的:对恶性孤立性肺微小结节(solitary pulmonary nodule,SPN)(直径≤10 mm)进行回顾性分析,找出微小SPN的独立预测因子并建立预测模型.方法:选取2012年6月至2014年3月浙江大学附属第一医院102例有明确病理诊断微小SPN患者(A组)的临床数据,进行单因素、二元Logistic回归分析,总结出恶性微小SPN的独立预测因子并建立预测模型.另外收集浙江金华广福医院2015年1月至2017年8月行微小SPN手术并取得病理诊断结果的患者10例(B组),验证本模型的诊断效能,并与经典模型梅奥诊所模型(Mayo Clinic Model)进行对比.结果:102例患者(A组)平均年龄为(55.31±10.77)岁;其中75.5％为恶性,24.5％为良性.无临床症状、CT影像结节位于上肺、结节直径>5 mm、结节边界不清楚、非规则球形、无钙化,上述6项因素为恶性微小SPN的独立预测因子.建立预测模型ROC曲线下面积为0.922,95％CI:0.857～0.986,对应的诊断敏感性为88.3％,特异性为84.0％.比梅奥诊所模型的诊断效果好.结论:本研究总结了恶性微小SPN的独立预测因子,预测模型能较好预测恶性微小SPN.%Objective:To evaluate the clinical factors affecting the probability of malignant micro-sized (≤10 mm) solitary pulmonary nodules (≤10 mm, micro-sized SPN), and established a clinical prediction model. Methods:Medical records from 102 patients with a pathological diagnosis of micro-sized SPN (Group A), established between June 2012 and March 2014, were reviewed. Clinical data were collected to evaluate the independent predictors of malignant micro-sized SPN using single factor analysis and Logistic regression analysis. A clinical prediction model was subsequently created. Receiver-operatingcharacteristic (ROC) curves were constructed using the prediction model. Between January 2015 and August 2017, data from an additional 10 patients enrolled from January 2015 to August 2017 from Jinhua Guangfu Hospital (Group B) with a pathological y diagnosed micro-sized SPN were used to validate this clinical prediction model. The model was also compared with the Mayo Clinic Model. Results:Median age of 102 patients (Group A) was 55.31±10.77 years old. T here were 75.5％malignant nodules and 24.5％benign ones. Logistic regression analysis identified six clinical characteristics (no symptoms, upper lobe, diameter>5 mm, no clear border, not irregular round, no calcification) as independent predictors of malignancy in patients with micro-sized SPN. The area under the ROC curve for our model was 0.922 (95％CI:0.857-0.986). In our model, the diagnosis sensitivity and specificity were 88.3％and 84.0％, respectively. The test power of the model was better compared with the Mayo Clinic Model. Conclusions:In this study, we had found the independent predictors of malignant micro-sized SPN, and developed a prediction model that could accurately identify malignant micro-sized SPN in patients.【期刊名称】《中国肿瘤临床》【年(卷),期】2018(045)010【总页数】6页(P497-502)【关键词】孤立性肺结节;Logistic回归分析;预测模型【作者】朱颖;许攀峰;姚亚克;潘建芳;周建英【作者单位】浙江大学附属第一医院呼吸内科杭州市310003;浙江金华广福医院呼吸内科;浙江大学附属第一医院呼吸内科杭州市310003;浙江大学附属第一医院呼吸内科杭州市310003;浙江金华广福医院呼吸内科;浙江大学附属第一医院呼吸内科杭州市310003【正文语种】中文肺结节（pulmonary nodule，PN）为边界清楚的、影像学不透明的、直径≤3 cm、周围完全被含气肺组织包绕的单发肺部结节，不伴肺不张、肺门肿大和胸腔积液［1］。

非实性肺结节独立危险因素分析及良恶性预测模型建立刘参军;赵家莹;王剑【期刊名称】《中国医药导报》【年(卷),期】2022(19)4【摘要】目的拟筛选影响非实性肺结节的独立危险因素,建立其良恶性预测模型。

方法回顾性分析2015—2020年于江苏省镇江市第一人民医院诊断的309例非实性肺结节患者的临床资料,根据结节良恶性将其分为观察组(恶性,61例)和对照组(良性,248例)。

采用单因素及二分类logistic回归分析恶性结节的危险因素,建立预测模型。

采用受试者操作特征曲线分析该模型的诊断价值。

结果观察组年龄、癌胚抗原(CEA)水平、结节直径、实性部分长径、平均CT(m-CT)值及钙化、血管征、空泡征、分叶征、毛刺征占比均高于对照组,差异有统计学意义(P<0.05)。

多因素分析结果显示,高CEA水平、实性部分长径较长、高m-CT值及具有血管征、空泡征、分叶征、毛刺征均为非实性肺结节恶性的独立危险因素(OR>1,P<0.05)。

预测模型为P=e^(x)/(1+e^(x)),x=-6.078+(2.002×毛刺征)+(3.438×空泡征)+(3.877×血管征)+(0.622×CEA)+(0.149×实性部分长径)+(0.003×|m-CT|)+(5.494×分叶征)。

该模型曲线下面积为0.882(P<0.05),截断值为0.842。

结论本研究建立的非实性肺结节的良恶性预测模型具有一定的诊断价值,对其良恶性诊断具有较大的临床运用前景。

【总页数】4页(P91-94)【作者】刘参军;赵家莹;王剑【作者单位】江苏大学医学院;江苏省镇江市第一人民医院呼吸科【正文语种】中文【中图分类】R563【相关文献】1.孤立性肺结节良恶性判断数学预测模型的建立及临床对比验证分析2.孤立性肺结节良恶性判断的数学预测模型建立与验证3.恶性孤立性肺结节的危险因素分析及预测模型建立4.孤立性肺结节良恶性预测模型的建立及验证5.基于结节最大径建立的孤立性肺结节良恶性预测模型因版权原因，仅展示原文概要，查看原文内容请购买。