隨著計算機斷層掃描和薄層 CT 的引入和普及，表現為肺局灶性磨玻璃樣結節（GGN）的早期肺癌檢出率不斷升高。GGN 具有獨特的自然生長特點：直徑<1 cm 的純磨玻璃結節（PGGN）長期保持穩定，不需要進行手術干預，以臨床隨訪為主；而另一些直徑較大且含有實性成分的混合磨玻璃結節 PSN 多為惡性肺癌，需要早期手術治療。確立 GGN 結節生長的標準，研究 GGN 結節的長期自然生長史，明確預測結節生長相關的臨床、影像、基因等風險因素，能夠為 GGN 患者臨床診療策略的制定提供參考依據，有重要的臨床應用價值。
引用本文： 范子文, 謝冬, 姜格寧, 陳昶. 肺磨玻璃結節自然生長史研究進展. 中國胸心血管外科臨床雜志, 2019, 26(2): 175-179. doi: 10.7507/1007-4848.201804045 復制
1996 年，Fleischner 協會最早明提出肺磨玻璃結節（ground-glass nodule，GGN）的定義。隨著臨床和影像學研究的不斷深入，目前將 GGN 結節定義為在薄層 CT（thin-section CT，TSCT）上云霧狀密度增加，且不掩蓋肺內部支氣管和小血管結構的小結節。GGN 根據是否含有實性成分，可以分為部分實性結節（part-solid nodule，PSN）和純磨玻璃結節（pure ground-glass nodule，PGGN）兩種[1-3]。表現為 GGN 的肺部結節組織學類型可能為良性疾病，如局部間質纖維化、炎癥、出血等。長期持續存在的 GGN 多為肺腺癌及其癌前病變[4]。隨著計算機斷層掃描（computed tomography，CT）以及 TSCT 的引入和普及，肺部磨玻璃結節的檢出率逐漸增高，肺癌相關的死亡率顯著降低。
GGN 具有獨特的自然生長特點，其隨訪頻率需有別于其他類型肺部結節。GGN 的生長特點反映了結節內部異質性，對于不同生長速度的 GGN，CT 隨訪的間隔時間與臨床干預的策略也不相同[5]。
1 GGN 自然生長的評估標準
判斷 GGN 的生長受限于人工測量誤差。在肺實性結節中人工直徑測量的平均誤差為 1.73 mm[6]，在 GGN 中為 1.72 mm[7]，機器輔助半自動測量為 2.1 mm[8]。因此，現階段臨床常用的判斷 GGN 生長標準為：（1）結節直徑或實性部分直徑增加超過 2 mm；（2）結節中出現新的實性成分[9]。但是，該評價標準具有一定的局限性：當 GGN 表現為 CT 值的均勻增加，但直徑無明顯變化時，按現行標準不能及時檢測出結節生長并進行臨床干預；結節質量能夠更靈敏地反映 GGN 的生長[10]，在長期隨訪中部分 GGN 直徑或者體積減小，質量卻增加，也無法按照現行標準及時檢出。
測量 GGN 的體積與質量需要手動或半自動勾畫結節的邊緣范圍，同樣存在測量誤差。>5 mm 的 GGN 的體積測量誤差范圍為 –17.3%～18.5%[11]、–27.3%～29.5%[12]；質量測量的誤差范圍為 –17.7%～18.6%[11]、–19%～20.6%[12]。因此，臨床對于 GGN 的生長判斷需排除測量誤差所導致的假陽性。有學者認為，可以將生長評估標準設置為體積或質量增加 30%，在此標準下，對結節患者實施保守 CT 隨訪策略安全可靠[13]。測量 GGN 質量變化納入了結節直徑、體積和密度（平均 CT 值），能夠更加客觀地評估結節生長。
2 GGN 的生長速率
體積倍增時間（volume double time，VDT）和質量倍增時間（mass double time，MDT）即腫瘤體積或者質量增大 1 倍所需要的時間，常用于隨訪過程中描述結節的生長速率。Song 等[12]將結節按照實性成分占比分為三組：PGGN 組；PSN 實性成分<5 mm 組；PSN 實性成分>5 mm 組。三組平均 VDT 分別為 1 832.3 d、1 228.5 d、759 d；平均 MDT 分別為 1 556.1 d、1 199.9 d、627.7 d。證明實性成分>5 mm 的 PSN 生長速度快于其他兩組。PGGN 相對于其他類型的結節通常具有更長的倍增時間。
3 預測 GGN 生長的因素
3.1 臨床特征
在 GGN 的隨訪過程中，發現具有既往肺癌史和吸煙史的患者是結節生長的高危人群。Hiramatsu 等[9]的數據指出，個人肺癌史是 GGN 生長的獨立預測因素。Lee 等[14]證實個人肺癌史是 PSN 的生長預測因素，但不是 PGGN 的獨立危險因素。與之相反，Matsuguma 等[15] 認為，個人肺癌史也是 PGGN 生長的預測因素。
吸煙與多種癌癥的預后不良高度相關。Kobayashi 等[16]分析了與 GGN 結節生長相關的影像學和臨床特征，發現吸煙史是與 GGN 結節生長相關的危險因素。在該項研究中，吸煙人群占總研究人群的 33.3%，其余幾項研究占比分別為 32.8%[9]、27.7%[14]以及 27.4%[15]。
3.2 影像學特征
結節直徑是 GGN 生長的危險因素。大多數關于 GGN 生長的研究中，初診時 GGN 直徑都是預測結節生長的指標之一。生長結節直徑截斷值通常設置在 10 mm[9, 14-15, 17-18]或者 8 mm[19]，初診時直徑與結節所體現的惡性程度高度相關[20-21]。文獻[17]報道，GGN 生長的比率隨著初診直徑的增大而逐漸增加，當結節直徑>10 mm 時，GGN 生長比率達到了 42.9%；即使是結節直徑<5 mm，仍然有 7.7% 的結節出現生長。同時，一項針對<5 mm 的 PGGN 的回顧性研究中指出，約 10% 的結節表現出生長且 1% 的結節發展成為腺癌[22]。
GGN 類型（PGGN 或 PSN）以及 GGN 實性成分的大小是預測結節生長的危險因素。在 GGN 中，實性成分的大小與其惡性程度以及預后顯著相關[23-25]。也有研究[9,14]報道 PSN 是結節生長的危險因素。長期隨訪證明，3 年內穩定 PSN 生長的概率是 PGGN 的 16 倍。該研究還指出，支氣管充氣征也是預測 GGN 生長的危險因素[19]。
3.3 影像學定量分析
影像學特征有助于定量分析 GGN 結節的生長。CT 平均值可作為預測 GGN 生長的危險因素。在 GGN 中，結節 CT 平均值可以定量反映結節的惡性程度[26-28]。有研究[29]分析了平均 CT 值與 GGN 生長之間的關系。在結節生長組中，一維平均 CT 值的范圍為（–634.9±15.3）Hu，而穩定組為 （712.0±14.1）Hu。同時另一項研究證明，將平均 CT 值以 –670 Hu 分界進行亞組分析，CT 值預測結節生長的敏感性與特異性分別為 78.1% 和 80.0%。
三維定量特征同時反映了結節間與結節內的異質性[30-32]。大量關于 GGN 的研究也證明，三維定量特征可反映結節浸潤程度[33-35]。結節 CT 三維定量特征也可以預測 GGN 生長。Bak 等[36]的數據表明：結節 CT 值的 97.5 百分位數、第 2.5 百分位數到 97.5 百分位數的斜率可預測 PGGN 的生長。
3.4 GGN 結節依據不同窗寬的新分類
Kakinuma 等[18]對 GGN 分類方式進行了創新，將結節縱隔窗的影像學特點引入分類，探索不同窗寬的影響特征對 GGN 生長的影響。該研究前瞻性評估了來自 8 個中心 795 例患者的 1 238 個磨玻璃結節，平均隨訪時間為 4.3 年。他們將結節分為 PGGN，PSN 和混雜成分磨玻璃結節（heterogeneous ground-glass nodule，HGGN）。HGGN 是實性成分僅能從肺窗辨認，無法從縱隔窗辨認的磨玻璃結節。與 PGGN 相比，HGGN 有更高的概率出現新的實性成分，并且所需要的時間短于 PGGN。但該分類方法仍需更多研究的驗證[37]。
3.5 總結
表 1 和表 2 總結了近年來關于 PGGN 和 PSN 生長的相關研究。根據多項研究結果，PGGN 的生長率為 10%～20%，PSN 結節的生長率為 35%～60%。與 PGGN 相比， PSN 結節患者樣本數量較小，在研究中進行多因素分析時，部分研究結果不支持 PSN 為結節生長的獨立預測因素。
表1
PGGN 自然生長特點的研究
表2
PSN 自然生長特點的研究
4 多發 GGN 結節自然生長史特點
臨床上多發 GGN 結節較為常見，20%～30%手術切除的 GGN 病變伴有肺內多發的更小 GGN 病變[20]。基因學研究認為多發 GGN 結節是相互獨立的肺癌，而非肺內轉移病灶[40]。當多發結節位于不同肺葉的時候，手術治療難以切除所有的結節，隨訪觀察成為主要的臨床處理策略。研究多發 GGN 結節的生長史可以為隨訪時間的制定提供依據。Sato 等[41]開展了 187 例 GGN 結節的自然生長史的回顧性研究，其中 78 例為多發 GGN 結節。數據顯示多發結節在 36 個月時有 25 例發生了生長，與該中心單發 GGN 生長的概率無顯著性差異。在觀察到一個結節生長的多發 GGN 患者亞組中，有 41% 的其他結節也發生了生長。作者認為既往肺癌病史和 GGN 結節>10 mm 是多發 GGN 結節生長的臨床和影像因素。然而在本研究所納入的多發 GGN 結節中有 22 例（28%）有既往肺癌史，該因素有可能提高了對多發 GGN 結節生長的預期。
5 肺癌切除術后新發或多發 GGN 的自然生長特點
為了明確既往惡性疾病病史和手術切除史對 GGN 生長的影響，Kim 等[42]觀察了接受主灶切除術后的 92 例新發或多發 GGN 患者。在他們納入的 139 個結節中，23 個（16.5%）結節體積增加。此結果與既往無肺癌史研究的 GGN 生長率報道沒有明顯差別。在此研究中 GGN 結節存在實性成分是唯一預測結節生長的因素。該研究認為先前研究中得出的既往惡性腫瘤病史、吸煙和初始 GGN 直徑>10 mm 等因素可能與選擇偏倚有關。對于 GGN 結節生長的預測應當側重于 GGN 的影像學特點。
6 GGN 生長的基因學研究
GGN 的自然生長特點反映了腫瘤內部的異質性，從基因學方向研究 GGN 生長的相關因素，有可能成為未來預測 GGN 生長的可行途徑。在得出吸煙和初始直徑>10 mm 是 GGN 生長因素的基礎上，Kobayashi 等[43]分析了所在中心接受手術切除的 104 例 GGN 標本，并檢測了結節標本表皮生長因子受體（EGFR）、鼠類肉瘤病毒癌基因（KRAS）、間變性淋巴瘤激酶（ALK）、原癌基因人類表皮生長因子受體2（HER2） 四種基因的突變情況。分析結果提示 GGN 結節 EGFR 突變陽性與結節生長相關。而 4 種基因突變均為陰性的結節保持穩定，病理結果顯著傾向于不典型腺瘤樣增生（AAH）和原位腺癌（AIS）。基因學檢測可能提供預測 GGN 生長的預測信息，然而由于早期 GGN 直徑較小，難以在診療中獲得基因學檢測結果，其臨床應用尚有賴于影像數據預測基因突變和液體活檢的研究突破。
7 影像組學在 GGN 結節評估上的應用前景
影像組學指從醫學影像中提取、分析大量高級定量影像學特征，從而對疾病進行診療的技術。2012 年由荷蘭學者 Lambin[44]首次提出。影像組學利用自動和半自動分析方法從中提取大量特征數據，并轉化為可挖掘的數據空間。該概念經 Kumar 等進一步擴展定義為“從 CT、MRI 和正電子發射型計算機斷層顯像 PET 中提取并分析大量高級的定量影像學特征”[45]。影像組學假設宏觀影像學數據可提示腫瘤微觀層面基因和蛋白質水平的改變，已應用于肺腺癌基因學分析[46]、肺腺癌和鱗癌組織學亞型預測[47]、肺癌縱隔淋巴結良惡性鑒別[48]，肺癌放療療效評估[49]等研究領域。GGN 結節的診療策略高度依賴于影像學數據的隨訪，與影像組學的內涵高度契合。影像組學技術分析可以應用于 GGN 結節的良惡性鑒別、基因分子標記、病理分型、生長及預后預測等，是當前 GGN 影像學特征研究的熱點。
8 總結與展望
依據現有的研究結果，PSN 有較大的幾率發生腫瘤生長，PGGN 相對 PSN 生長速率緩慢。初始直徑>10 mm、個人肺癌史和吸煙史是 GGN 結節生長的重要危險因素，需要針對此類人群制定更加積極的隨訪策略，基因學檢測結合液體活檢可能為患者的診療提供幫助。影像組學評估 GGN 體積和質量的變化，有潛力成為 GGN 生長評估標準的重要組成成分。當前影像組學和機器學習的概念方興未艾，多家科技公司已經投入人工智能輔助影像診斷研究中。基于臨床和影像學特征數據預測并量化評估 GGN 的生長，能夠為 GGN 患者臨床診療策略的制定提供參考，有重要的臨床應用價值。
1996 年，Fleischner 協會最早明提出肺磨玻璃結節（ground-glass nodule，GGN）的定義。隨著臨床和影像學研究的不斷深入，目前將 GGN 結節定義為在薄層 CT（thin-section CT，TSCT）上云霧狀密度增加，且不掩蓋肺內部支氣管和小血管結構的小結節。GGN 根據是否含有實性成分，可以分為部分實性結節（part-solid nodule，PSN）和純磨玻璃結節（pure ground-glass nodule，PGGN）兩種[1-3]。表現為 GGN 的肺部結節組織學類型可能為良性疾病，如局部間質纖維化、炎癥、出血等。長期持續存在的 GGN 多為肺腺癌及其癌前病變[4]。隨著計算機斷層掃描（computed tomography，CT）以及 TSCT 的引入和普及，肺部磨玻璃結節的檢出率逐漸增高，肺癌相關的死亡率顯著降低。
GGN 具有獨特的自然生長特點，其隨訪頻率需有別于其他類型肺部結節。GGN 的生長特點反映了結節內部異質性，對于不同生長速度的 GGN，CT 隨訪的間隔時間與臨床干預的策略也不相同[5]。
1 GGN 自然生長的評估標準
判斷 GGN 的生長受限于人工測量誤差。在肺實性結節中人工直徑測量的平均誤差為 1.73 mm[6]，在 GGN 中為 1.72 mm[7]，機器輔助半自動測量為 2.1 mm[8]。因此，現階段臨床常用的判斷 GGN 生長標準為：（1）結節直徑或實性部分直徑增加超過 2 mm；（2）結節中出現新的實性成分[9]。但是，該評價標準具有一定的局限性：當 GGN 表現為 CT 值的均勻增加，但直徑無明顯變化時，按現行標準不能及時檢測出結節生長并進行臨床干預；結節質量能夠更靈敏地反映 GGN 的生長[10]，在長期隨訪中部分 GGN 直徑或者體積減小，質量卻增加，也無法按照現行標準及時檢出。
測量 GGN 的體積與質量需要手動或半自動勾畫結節的邊緣范圍，同樣存在測量誤差。>5 mm 的 GGN 的體積測量誤差范圍為 –17.3%～18.5%[11]、–27.3%～29.5%[12]；質量測量的誤差范圍為 –17.7%～18.6%[11]、–19%～20.6%[12]。因此，臨床對于 GGN 的生長判斷需排除測量誤差所導致的假陽性。有學者認為，可以將生長評估標準設置為體積或質量增加 30%，在此標準下，對結節患者實施保守 CT 隨訪策略安全可靠[13]。測量 GGN 質量變化納入了結節直徑、體積和密度（平均 CT 值），能夠更加客觀地評估結節生長。
2 GGN 的生長速率
體積倍增時間（volume double time，VDT）和質量倍增時間（mass double time，MDT）即腫瘤體積或者質量增大 1 倍所需要的時間，常用于隨訪過程中描述結節的生長速率。Song 等[12]將結節按照實性成分占比分為三組：PGGN 組；PSN 實性成分<5 mm 組；PSN 實性成分>5 mm 組。三組平均 VDT 分別為 1 832.3 d、1 228.5 d、759 d；平均 MDT 分別為 1 556.1 d、1 199.9 d、627.7 d。證明實性成分>5 mm 的 PSN 生長速度快于其他兩組。PGGN 相對于其他類型的結節通常具有更長的倍增時間。
3 預測 GGN 生長的因素
3.1 臨床特征
在 GGN 的隨訪過程中，發現具有既往肺癌史和吸煙史的患者是結節生長的高危人群。Hiramatsu 等[9]的數據指出，個人肺癌史是 GGN 生長的獨立預測因素。Lee 等[14]證實個人肺癌史是 PSN 的生長預測因素，但不是 PGGN 的獨立危險因素。與之相反，Matsuguma 等[15] 認為，個人肺癌史也是 PGGN 生長的預測因素。
吸煙與多種癌癥的預后不良高度相關。Kobayashi 等[16]分析了與 GGN 結節生長相關的影像學和臨床特征，發現吸煙史是與 GGN 結節生長相關的危險因素。在該項研究中，吸煙人群占總研究人群的 33.3%，其余幾項研究占比分別為 32.8%[9]、27.7%[14]以及 27.4%[15]。
3.2 影像學特征
結節直徑是 GGN 生長的危險因素。大多數關于 GGN 生長的研究中，初診時 GGN 直徑都是預測結節生長的指標之一。生長結節直徑截斷值通常設置在 10 mm[9, 14-15, 17-18]或者 8 mm[19]，初診時直徑與結節所體現的惡性程度高度相關[20-21]。文獻[17]報道，GGN 生長的比率隨著初診直徑的增大而逐漸增加，當結節直徑>10 mm 時，GGN 生長比率達到了 42.9%；即使是結節直徑<5 mm，仍然有 7.7% 的結節出現生長。同時，一項針對<5 mm 的 PGGN 的回顧性研究中指出，約 10% 的結節表現出生長且 1% 的結節發展成為腺癌[22]。
GGN 類型（PGGN 或 PSN）以及 GGN 實性成分的大小是預測結節生長的危險因素。在 GGN 中，實性成分的大小與其惡性程度以及預后顯著相關[23-25]。也有研究[9,14]報道 PSN 是結節生長的危險因素。長期隨訪證明，3 年內穩定 PSN 生長的概率是 PGGN 的 16 倍。該研究還指出，支氣管充氣征也是預測 GGN 生長的危險因素[19]。
3.3 影像學定量分析
影像學特征有助于定量分析 GGN 結節的生長。CT 平均值可作為預測 GGN 生長的危險因素。在 GGN 中，結節 CT 平均值可以定量反映結節的惡性程度[26-28]。有研究[29]分析了平均 CT 值與 GGN 生長之間的關系。在結節生長組中，一維平均 CT 值的范圍為（–634.9±15.3）Hu，而穩定組為 （712.0±14.1）Hu。同時另一項研究證明，將平均 CT 值以 –670 Hu 分界進行亞組分析，CT 值預測結節生長的敏感性與特異性分別為 78.1% 和 80.0%。
三維定量特征同時反映了結節間與結節內的異質性[30-32]。大量關于 GGN 的研究也證明，三維定量特征可反映結節浸潤程度[33-35]。結節 CT 三維定量特征也可以預測 GGN 生長。Bak 等[36]的數據表明：結節 CT 值的 97.5 百分位數、第 2.5 百分位數到 97.5 百分位數的斜率可預測 PGGN 的生長。
3.4 GGN 結節依據不同窗寬的新分類
Kakinuma 等[18]對 GGN 分類方式進行了創新，將結節縱隔窗的影像學特點引入分類，探索不同窗寬的影響特征對 GGN 生長的影響。該研究前瞻性評估了來自 8 個中心 795 例患者的 1 238 個磨玻璃結節，平均隨訪時間為 4.3 年。他們將結節分為 PGGN，PSN 和混雜成分磨玻璃結節（heterogeneous ground-glass nodule，HGGN）。HGGN 是實性成分僅能從肺窗辨認，無法從縱隔窗辨認的磨玻璃結節。與 PGGN 相比，HGGN 有更高的概率出現新的實性成分，并且所需要的時間短于 PGGN。但該分類方法仍需更多研究的驗證[37]。
3.5 總結
表 1 和表 2 總結了近年來關于 PGGN 和 PSN 生長的相關研究。根據多項研究結果，PGGN 的生長率為 10%～20%，PSN 結節的生長率為 35%～60%。與 PGGN 相比， PSN 結節患者樣本數量較小，在研究中進行多因素分析時，部分研究結果不支持 PSN 為結節生長的獨立預測因素。
表1
PGGN 自然生長特點的研究
表2
PSN 自然生長特點的研究
4 多發 GGN 結節自然生長史特點
臨床上多發 GGN 結節較為常見，20%～30%手術切除的 GGN 病變伴有肺內多發的更小 GGN 病變[20]。基因學研究認為多發 GGN 結節是相互獨立的肺癌，而非肺內轉移病灶[40]。當多發結節位于不同肺葉的時候，手術治療難以切除所有的結節，隨訪觀察成為主要的臨床處理策略。研究多發 GGN 結節的生長史可以為隨訪時間的制定提供依據。Sato 等[41]開展了 187 例 GGN 結節的自然生長史的回顧性研究，其中 78 例為多發 GGN 結節。數據顯示多發結節在 36 個月時有 25 例發生了生長，與該中心單發 GGN 生長的概率無顯著性差異。在觀察到一個結節生長的多發 GGN 患者亞組中，有 41% 的其他結節也發生了生長。作者認為既往肺癌病史和 GGN 結節>10 mm 是多發 GGN 結節生長的臨床和影像因素。然而在本研究所納入的多發 GGN 結節中有 22 例（28%）有既往肺癌史，該因素有可能提高了對多發 GGN 結節生長的預期。
5 肺癌切除術后新發或多發 GGN 的自然生長特點
為了明確既往惡性疾病病史和手術切除史對 GGN 生長的影響，Kim 等[42]觀察了接受主灶切除術后的 92 例新發或多發 GGN 患者。在他們納入的 139 個結節中，23 個（16.5%）結節體積增加。此結果與既往無肺癌史研究的 GGN 生長率報道沒有明顯差別。在此研究中 GGN 結節存在實性成分是唯一預測結節生長的因素。該研究認為先前研究中得出的既往惡性腫瘤病史、吸煙和初始 GGN 直徑>10 mm 等因素可能與選擇偏倚有關。對于 GGN 結節生長的預測應當側重于 GGN 的影像學特點。
6 GGN 生長的基因學研究
GGN 的自然生長特點反映了腫瘤內部的異質性，從基因學方向研究 GGN 生長的相關因素，有可能成為未來預測 GGN 生長的可行途徑。在得出吸煙和初始直徑>10 mm 是 GGN 生長因素的基礎上，Kobayashi 等[43]分析了所在中心接受手術切除的 104 例 GGN 標本，并檢測了結節標本表皮生長因子受體（EGFR）、鼠類肉瘤病毒癌基因（KRAS）、間變性淋巴瘤激酶（ALK）、原癌基因人類表皮生長因子受體2（HER2） 四種基因的突變情況。分析結果提示 GGN 結節 EGFR 突變陽性與結節生長相關。而 4 種基因突變均為陰性的結節保持穩定，病理結果顯著傾向于不典型腺瘤樣增生（AAH）和原位腺癌（AIS）。基因學檢測可能提供預測 GGN 生長的預測信息，然而由于早期 GGN 直徑較小，難以在診療中獲得基因學檢測結果，其臨床應用尚有賴于影像數據預測基因突變和液體活檢的研究突破。
7 影像組學在 GGN 結節評估上的應用前景
影像組學指從醫學影像中提取、分析大量高級定量影像學特征，從而對疾病進行診療的技術。2012 年由荷蘭學者 Lambin[44]首次提出。影像組學利用自動和半自動分析方法從中提取大量特征數據，并轉化為可挖掘的數據空間。該概念經 Kumar 等進一步擴展定義為“從 CT、MRI 和正電子發射型計算機斷層顯像 PET 中提取并分析大量高級的定量影像學特征”[45]。影像組學假設宏觀影像學數據可提示腫瘤微觀層面基因和蛋白質水平的改變，已應用于肺腺癌基因學分析[46]、肺腺癌和鱗癌組織學亞型預測[47]、肺癌縱隔淋巴結良惡性鑒別[48]，肺癌放療療效評估[49]等研究領域。GGN 結節的診療策略高度依賴于影像學數據的隨訪，與影像組學的內涵高度契合。影像組學技術分析可以應用于 GGN 結節的良惡性鑒別、基因分子標記、病理分型、生長及預后預測等，是當前 GGN 影像學特征研究的熱點。
8 總結與展望
依據現有的研究結果，PSN 有較大的幾率發生腫瘤生長，PGGN 相對 PSN 生長速率緩慢。初始直徑>10 mm、個人肺癌史和吸煙史是 GGN 結節生長的重要危險因素，需要針對此類人群制定更加積極的隨訪策略，基因學檢測結合液體活檢可能為患者的診療提供幫助。影像組學評估 GGN 體積和質量的變化，有潛力成為 GGN 生長評估標準的重要組成成分。當前影像組學和機器學習的概念方興未艾，多家科技公司已經投入人工智能輔助影像診斷研究中。基于臨床和影像學特征數據預測并量化評估 GGN 的生長，能夠為 GGN 患者臨床診療策略的制定提供參考，有重要的臨床應用價值。
