第一部分影像组学模型预测肺部混合磨玻璃结节微浸润腺癌和浸润性腺癌的诊断效能探讨目的:构建一个影像组学模型,对医学图像数据应用特征算法定量肿瘤的表型特征,基于影像组学模型预测肺部CT影像中表现为混合磨玻璃结节的肺腺癌的浸润性,并评估其应用价值。资料和方法:回顾性分析2015年1月至2019年6月期间于我院行胸部CT检查并表现为肺部mGGN(直径≦3cm)的120例患者的临床、病理及影像资料。所有患者均经手术切除病理证实为肺腺癌。将患者CT图像导入肺结节分割软件(ITK-SNAP 3.8),手动勾画病灶的三维容积感兴趣区(Volume of interest,VOI)进行图像分割,将分割后的图像导入AK(Analysis Kit)软件进行影像特征的提取,并分析影像组学特征。同时随机选取25例病例,由两名高年资的影像诊断医生(A和B)分割结节并提取结节的影像组学特征,通过评价CT图像影像组学特征提取的一致性来评估影像医生病灶分割的一致性。由医生A两次独自提取影像组学特征,评估其两次间的一致性;再由医生B独自提取影像组学特征。利用组内相关系数(intraclass correlation coefficient)评价A(两次间)、A(第1次)与B间的影像组学特征提取的一致性,组内相关系数ICC>0.75表示该特征提取一致性较好。将所有病例随机分成两组(训练组和验证组),训练组与验证组的比例为7:3,训练组85个结节,验证组35个结节。通过一阶、二阶及高阶的统计算法,应用AK软件提取影像组学特征,包括形态学特征、直方图(histogram)特征、纹理(texture)特征。在MatLab 2017b和R3.4.3软件中进行特征计算和选择。采用正则压缩(Lasso)算法对数据进行降维处理。降维后,保留具有显著性预测价值的特征,对数据进行建模,经预测概率计算影像组学分数(Rad_score)作为cut-off值给出分类结果,建立影像组学模型,评价模型的预测诊断效能。结果:120例入组的混合磨玻璃结节中,病理证实微浸润腺癌(minimally invasive adenocarcinoma,MIA)58 例、浸润性腺癌(invasive adenocarcinoma,IAC)62 例。影像组学流程经影像数据获取、图像VOI分割、影像特征提取、特征选择,最后建立模型。在随机选取的25例病例中,影像医生A两次影像组学特征提取的ICC范围为0.84-0.95,医生A(第1次)与医生B两者间影像组学特征提取的ICC范围为0.80-0.92,显示组内及组间影像组学特征提取的一致性良好。经上述特征提取方法共提取396个影像组学特征,其中包括形态学特征20个、直方图特征42个、纹理特征334个,经多步特征筛选后,最终降维至18个非零系数最佳诊断特征,包括ShortRunEmphasis_angle90_offset1,ClusterShade_angle135_offset7,Correlation_AllDirec tion_offset7_SD,HaralickCorrelation_angle45_offset7,GLCMEnergy_AllDirection_offset7,Sphericity,RunLengthNonuniformity_AllDirection_offset4_SD,ClusterProminence_AlIDi rection_offset7_SD,GLCMEnergy_angle45_offset7,RunLengthNonuniformity_AllDirectio n_offset1_SD,GLCMEntropy_AllDirection_offset1_SD,GLCMEnergy_angle135_offset7,Correlation_angle 13 5_offset4,GLCMEntropy_angle90_offset7,Inertia_angle45_offset7,Co rrelation_AllDirection_offset1_SD,histogramEnergy,ClusterProminence_angle45_offset7,这些最佳诊断特征通过逻辑回归分析获得,对预测混合磨玻璃结节的MIA及IAC具有良好的效能。训练组和验证组两组的ROC曲线下面积分别为:训练组AUC=0.90[95%CI:0.83-0.96]、验证组 AUC=0.91[95%CI:0.81-1.0]。对鉴别混合磨玻璃结节的MIA及IAC诊断效能,训练组的敏感度、特异度、准确度、阳性预测值、阴性预测值分别为:0.854、0.818、0.835、0.814、0.857;验证组的敏感度、特异度、准确度、阳性预测值、阴性预测值分别为:0.824、0.889、0.857、0.875、0.842。结论:mGGN影像组学特征可以构建独特的模型,对预测肺腺癌浸润性具有较高的诊断效能,对鉴别MIA和IAC具有较高的实用价值。第二部分CT特征模型对肺部混合磨玻璃结节微浸润腺癌和浸润性腺癌的鉴别诊断效能探讨目的:通过对术后病理证实为微浸润腺癌与浸润性腺癌的肺部混合磨玻璃样结节进行CT特征的比较分析,探讨肺部混合磨玻璃结节在微浸润腺癌与浸润性腺癌之间CT特征的差异,以提高两者鉴别诊断的准确性。资料和方法:120例mGGN病例(包括58例MIA和62例IAC)同第一部分。由两名高年资的影像诊断医师对mGGN的CT影像形态特征进行分析,并应用3D-CT肺结节分割软件(FireVoxel软件)勾画结节的VOI,自动测量结节的定量特征并采用一致性相关系数(concordance correlationcoefficient,CCC)进行重复性检验,选取具有高可重复性(系数值>0.9)的定量特征进行分析。CT特征因素包括:年龄、性别、发病部位、形态特征及定量特征。形态特征包括:形状、分叶、毛刺、空泡征、空气支气管征、瘤边界、胸膜凹陷征和血管集束征;定量特征包括:结节平均大小、平均实性成分大小、实性成分占比、结节平均CT值。采用SPSS25.0统计软件进行数据处理,符合正态分布或近似正态分布的计量资料,结果用均数±标准差表示,两组间组内比较采用独立样本t检验;计数资料采用卡方检验。对组间比较有统计学意义(P<0.05)的计量资料和计数资料进行组间单因素和多因素logistic回归分析,筛选出独立危险因素,构建CT特征模型。绘制ROC曲线,计算最佳截断值、准确度、敏感度、特异度。结果:120例mGGN中,病理结果为MIA 58例,占比例48.3%,IAC 62例,占比例51.7%。两组mGGN形态特征比较:形态(P=0.011)、分叶征(P=0.001)、毛刺征(P=0.000)、空泡征(P=0.013)、空气支气管征(P=0.000)、血管集束征(P=0.000),差异具有统计学意义(P<0.05)。对两组中差异有统计学意义的因素进行多因素逻辑回归分析,其中毛刺征(P=0.013)差异具有统计学意义。两组mGGN定量特征比较:MIA结节平均大小16.51±3.05 mm、平均实性成分大小5.21±2.33 mm、实性成分占比31.41±12.05%、结节平均CT值-491±122.60 HU;IAC结节平均大小18.93±3.49 mm、平均实性成分大小7.51±2.87 mm、实性成分占比40.27±14.66%、结节平均CT值-398.77±118.77 HU。MIA与IAC两组比较:结节平均大小(P=0.000)、平均实性成分大小(P=0.000)、实性成分占比(P=0.000)、结节平均CT值(P=0.000)两组间均有统计学意义。多因素逻辑回归分析:结节平均大小(P=0.001)、平均实性成分大小(P=0.015)、实性成分占比(P=0.003)、结节平均CT值(P=0.003)均有统计学意义。对两组间具有统计学意义的因素绘制ROC曲线:结节平均大小AUC=0.695,最佳截断值19.22mm,准确度0.742、敏感度0.677、特异度0.799;平均实性成分大小AUC=0.743,最佳截断值5.23mm,准确度0.708、敏感度0.758、特异度0.655;实性成分占比AUC=0.695,最佳截断值30.04%,准确度0.700、敏感度0.758、特异度0.655;结节平均CT值AUC=0.735,最佳截断值-495.95HU,准确度 0.712、敏感度 0.742、特异度 0.697。结论:mGGN病灶平均大小、平均实性成分大小、实性成分占比、结节平均CT值及毛刺征有助于MIA与IAC的鉴别诊断,具有毛刺征和较大定量参数的mGGN更倾向于浸润性腺癌。第三部分Nomogram模型预测肺部混合磨玻璃结节微浸润腺癌和浸润性腺癌的诊断效能探讨目的:通过影像组学分数结合CT特征模型,构建两者联合的Nomogram模型,即一种对影像组学分数和CT特征变量进行检测的多因素logistic回归模型,绘制Nomogram列线图,根据每个特征对应的分值,计算危险系数。比较Nomogram模型与单独影像组学模型、CT特征模型在诊断效能和临床净获益方面的差异,从而探讨Nomogram模型对预测混合磨玻璃结节MIA和IAC的诊断价值。资料和方法:120例mGGN病例(包括58例MIA和62例IAC)同第一、第二部分。将第一部分获得的影像组学分数和第二部分筛选的最佳CT特征通过逻辑回归分析,得到两者联合的Nomogram模型。Nomogram模型在训练组中构建,并在相应验证组中进行模型验证,训练组与验证组的病例比例为7:3,绘制影像组学列线图。在训练组及验证组中,通过绘制预测值与实际值的校准曲线进行一致性测试评估,同时进行Hosmer-Lemeshow检验,观察预测模型与真实结果是否有显著差异。采用ROC曲线评价比较Nomogram模型与单独影像组学模型、CT特征模型对混合磨玻璃结节的MIA和IAC的鉴别诊断效能,计算敏感度、特异度、准确度、阳性预测值和阴性预测值。根据分析结果,应用R3.4.3软件建立预测mGGN腺癌风险的列线图。根据每个危险因素,对应至上方标尺(0～100),即可得到该因素相对应的得分。决策曲线分析(Decision curve analysis,DCA)用于计算联合训练组和验证组中阈值概率范围的净获益,在验证组中量化分析不同阈值概率下的临床净获益,并与接受干预治疗的阳性样本、不接受干预治疗的阴性样本比较,以评估Nomogram模型的临床应用价值。结果:最佳CT特征与影像组学分数相结合结果显示,mGGN的平均结节大小、实性成分占比、结节平均CT值、Rad—score可以作为鉴别混合磨玻璃结节的MIA和IAC的独立预测因子。CT特征模型的ROC 曲线下面积分别为:训练组AUC=0.91[95%CI:0.85-0.97]、验证组 AUC=0.89[95%CI:0.77-1.0]。Nomogram 模型的ROC曲线下面积分别为:训练组AUC=0.93[95%CI:0.88-0.99]、验证组AUC=0.99[95%CI:0.96-1.0]。两个模型预测混合磨玻璃结节的MIA及IAC的敏感度、特异度、准确度、阳性预测值、阴性预测值分别为,CT征象模型训练组:0.884、0.857、0.871、0.864、0.878;验证组:0.739、0.812、0.800、0.844、0.747。Nomogram模型训练组:0.889、0.900、0.894、0.909、0.878;验证组:0.944、0.941、0.943、0.944、0.941。Nomogram模型AUC值均大于单独影像组学模型(见第一部分)、CT特征模型。Nomogram模型经训练组及验证组中校准曲线获得的预测模型与观察结果有良好的一致性。进行Hosmer-Lemeshow检验显示,预测模型与真实结果之间没有显著性差异(P>0.05)。决策曲线分析显示Nomogram模型在0.038-0.724较大的阈值范围内,模型的净获益大于CT特征模型、接受干预治疗的阳性样本与不接受干预治疗的阴性样本。结论:对于预测混合磨玻璃结节的MIA和IAC,Nomogram模型较单独影像组学模型、CT特征模型具有明显优越性能,体现出更好的预测效能,为一种有效、实用的鉴别诊断方法。