根據2020年全球癌癥報告，肺癌仍然是腫瘤死亡的首要病因，腺癌是其最常見的組織學亞型。2015年，世界衛生組織將肺腺癌按其發展演變過程分為[1]非典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）原位腺癌（adenocarcinoma in situ，AIS）、微浸潤腺癌（minimally invasive adenocarcinoma，MIA）、浸潤性腺癌（invasive adenocarcinoma ，IAC）。隨著高分辨率CT的廣泛應用，越來越多磨玻璃結節（ground-glass nodule，GGN）型肺腺癌被發現。GGN定義為在高分辨 CT上局灶性肺組織呈云霧狀密度增高影，大小≤3 cm，但不掩蓋其內正常的結構，如支氣管影、血管影；通常根據其內是否含有實性成分可再分為純磨玻璃結節（pure ground-glass nodule，pGGN）和混合磨玻璃結節（mixed ground-glass nodule，mGGN）[2]。磨玻璃結節病理可診斷為AIS、MIA或IAC。對于AIS和MIA，在完全切除術后，患者有100%的10年無病生存期[3]。然而，在病理分期為IA期的浸潤性腺癌中5年無病生存期僅有89.0%[4]。腫瘤侵襲性大小不同，患者預后存在很大差異。準確將AIS和MIA鑒別出來對手術時機的選擇和實現患者的極好預后具有重要意義。
另有研究[5]表明，對于AIS和MIA，臨床處理時保證切緣距病灶5 mm即可，而對于IAC，2 cm的立體切緣被要求[6]。且兩者在淋巴結處理方式上也存在差異[7] 。對于AIS和MIA，淋巴結不要求進行處理，而在IAC中，需要進行淋巴結清掃或采樣。準確對兩者進行鑒別有助于手術方式的選擇。
術中冰凍切片獲得的組織標本中，對腫瘤侵襲性的判斷存在明顯的局限性[8]，相對而言，術前運用CT特征對肺腺癌侵襲性大小進行評估顯示出明顯的優勢。既往多項研究表明[9-10]，CT特征能夠對GGN侵襲性進行鑒別。但不同研究能夠對GGN浸潤性大小進行鑒別的參數各有不同。Fu等[9]認為病灶最大徑是判斷GGN侵襲性的唯一有效指標。Dai等[11]進行了一項Meta分析認為CT定性特征在GGN侵襲性鑒別中發揮的作用有限。診斷的敏感性為0.41～0.52，特異性為0.56～0.63，這與Liang等[12]的研究結果相反。日本臨床腫瘤學組（Japan Clinical Oncology Group，JCOG）進行了一項關于實性成分比例（consolidation/tumor ratio，CTR）預測病理侵襲性的前瞻性，多中心的臨床試驗[13]，該研究納入811例患者，采用CTR預測病理侵襲性，結果顯示結節直徑≤2 cm，CTR≤0.25 提示GGN為非侵襲性腺癌。He等[14]納入了8個研究的meta分析認為平均CT值也能夠對GGN侵襲性進行鑒別，敏感性為0.78，特異性為0.81。近年來部分學者認為，最大CT值[15]也能夠對GGN侵襲性進行預測。這些研究多集中于探討單個影像學特征與GGN浸潤性的關系，多個特征聯合能否實現診斷效能的提高，一些學者對此進行了探討。Zhou等[16]將結節直徑和平均CT值聯合對GGN浸潤性進行鑒別，發現診斷能力得到提高。鄭慧等[17]基于血管改變、毛刺征和臍凹征構建了聯合診斷模型對GGN侵襲性大小鑒別，AUC值達到了0.828。這些研究顯示聯合CT特征對GGN侵襲性的診斷能力得到提高，但仍只對GGN的部分特征進行了分析。在GGN侵襲性大小的判別中，對結節影像特征綜合分析，將CT定量特征和定性特征聯合運用能否得到實現更好的診斷價值。目前研究較少。且目前研究都是在樣本量較小的基礎上進行，尚缺乏大樣本的研究系統的探討CT影像學特征與GGN侵襲性的關系。基于此，我們設計了此研究。
1 資料與方法
1.1 患者篩選和分組
收集昆明醫科大學第三附屬醫院（云南省腫瘤醫院）2020年9月—2022年7月經手術切除并最終確診為肺腺癌的磨玻璃結節患者。按照以下納入和排除標準篩選患者。納入標準：（1）所有患者均具備術前2周內我院的CT影像資料，具有1個或多個的孤立磨玻璃結節；（2）所有患者均經手術切除后，病理明確診斷為肺腺癌（包括AIS，MIA，IAC）；（3）行外科干預的磨玻璃結節包括1個或1個以上；（4）所有患者的肺部磨玻璃結節術前均未經過放化療等抗腫瘤治療；排除標準：（1）病歷資料或影像學資料不全者；（2）呼吸運動偽影較大導致影像圖像不符合影像學分析條件者；（3）合并肺部感染導致影像圖像干擾影像學分析條件者；（4）術后病理報告結節位置與術前CT影像結節位置對應關系不明確者。根據病理診斷結果將其分為兩組，非浸潤腺癌組（AIS/MIA），浸潤性腺癌組。
1.2 影像評價
1.2.1 檢查方法
采用Siemens64排128層螺旋CT機。檢査前對患者行呼吸訓練，掃描時患者取仰臥位，雙臂上舉，深吸氣后屏氣或平靜呼吸后屏氣掃描，采用管電壓120 kV和電流100 mA從肺尖至肺底行螺旋掃描，螺距1.0，層厚1 mm。掃描參數：70 kV，50 mAs，矩陣512×512。肺窗：窗寬1 200～1 500 HU，窗位–600～–700 HU，縱隔窗：窗寬400～500ＨＵ，窗位40～50 HU。
1.2.2 圖像分析
由兩位胸部影像學診斷方面的高年資醫師共同閱片，分析、記錄CT征象及診斷；產生分歧時與高年資醫生商討后作出判斷。通過查找相關文獻和指南，確定收集影像特征參數。病灶位置、最大徑、毛刺征、分葉征、空泡征、空氣支氣管征、血管集束征、胸膜凹陷征、CTR、平均CT值、最大CT值。CTR：實性成分最大直徑與結節最大直徑比值。平均CT值：在最大橫截面上，盡量避開病灶內較大的支氣管、血管、空泡/空腔區，記錄CT值。最大CT值：當測量區域為10 mm2時，重復測量病變密度高的區域，取最大值。
1.2.3 病理資料分析
所有標本均由手術切除后獲取，病灶標本使用10%中性緩沖福爾馬林固定液固定，再進行石蠟包埋，最后進行制片并進行蘇木精－伊紅染色（HE染色），當無法用顯微鏡觀察直接診斷的標本可進一步給予免疫組化明確病理類型。根據2015年世界衛生組織發布的肺部腫瘤分類標準，由昆明醫科大學第三附屬醫院（云南省腫瘤醫院）病理科兩名具有15年以上臨床經驗的病理學家對AIS、MIA、IAC進行診斷。他們對CT影像結果一無所知。
1.3 統計學分析
采用SPSS 26.0軟件、R軟件對各項指標進行統計學分析。對于定量資料，首先用Kolmogorov-Smirnov檢驗方法進行正態性檢驗，若服從正態分布，以均數士標準差（
±s）表示，釆用獨立樣本t檢驗進行組間比較，否則以中位數（四分位數間距）［Ｍ（Q1，Q3）］表示，采用Mann-Whitney U檢驗進行組間比較。分類變量以例（%）表示，采用χ2檢驗分析二分類變量，采用Cochran-Armitage趨勢檢驗對有序分類變量進行分析。將單因素分析中P≤0.05的變量代入多因素logistic回歸分析，篩選出有意義的影像學特征為IAC發生的獨立預測因素。采用方差膨脹系數（VIF值）評估自變量之間共線性干擾程度，VIF值＜ 5，提示自變量不存在共線性干擾問題。使用獨立預測指標構建預測模型。使用AUC值評價模型的區分度，使用校準曲線評價模型的校準度，使用決策分析曲線（decision curve analysis，DCA）評價模型的臨床使用性，使用Bootstrap法自抽樣1 000次重新計算AUC值對模型進行內部評價。
1.4 倫理審查
本研究已通過昆明醫科大學第三附屬醫院的倫理審查，倫理審查編號：KYLX2022206。
2 結果
2.1 基線資料
555例納入研究。非浸潤腺癌組310例，其中女235例、男75例，年齡49（43，58）歲；浸潤性腺癌組245例，其中女163例、男82例，年齡53（46，61）歲。兩組患者年齡、性別及吸煙史差異有統計學意義；見表1。
表1
兩組患者的計量資料對比結果［M（Q25，Q75）］
2.2 CT定量特征與GGN侵襲性大小的關系
經Mann-Whitney Ｕ檢驗IAC組患者最大徑、CTR、平均CT值、最大CT值均明顯高于AIS/MIA，差異均有統計學意義（P＜0.05）；見表1。
2.3 CT定性特征與GGN侵襲性大小的關系
經χ2檢驗IAC組患者毛刺征、血管集束征、分葉征、胸膜凹陷征明顯高于AIS/MIA，差異有統計學意義（P＜0.05）；見表1。
2.4 GGN侵襲性大小的相關因素分析
將單因素分析有統計學意義的特征納入多因素logistic回歸分析，多因素分析發現最大徑、CTR、最大CT值、平均CT值、毛刺征、血管集束征是IAC發生的獨立危險因素（P＜0.05）；見表2。對最大徑、CTR、最大CT值、平均CT值、毛刺征、血管集束征進行共線性診斷，結果顯示VIF分別為1.185、2.941、3.41、2.561、1.475、2.272，均＜5，表明上述6個自變量并不存在共線性關系。
表2
磨玻璃結節浸潤性的二元logistic回歸
將最大徑、CTR、最大CT值、平均CT值、毛刺征、血管集束征作為獨立預測因素納入預測模型的構建。預測方程為Logit（P）= –1.293＋1.549×最大徑＋0.026×CTR+0.025×最大CT值＋0.034×平均CT值+0.72×毛刺征+0.919×血管集束征（注：有毛刺征時，毛刺征=1，無毛刺征=0；有血管集束征時，血管集束征=1，無血管集束征=0； 最大徑＞0.95=1，最大徑≤0.95=0；CTR＞23.5=1，CTR≤23.5=0；最大CT值＞–139.5=1，最大CT值≤–139.5=0；平均CT值＞–495=1，平均CT值≤－495=0）。預測模型的AUC值為0.910，較各變量預測效能高；見表3、圖1。校準曲線顯示模型IAC發病風險與實際發病風險具有較高的一致性；見圖2。DCA曲線顯示患者凈獲益高，臨床實用性；見圖3。Bootstrap法自抽樣1000次重新計算的AUC值為0.905，提示模型區分度良好。
表3
不同指標區分磨玻璃結節浸潤性的ROC曲線分析
圖1
預測模型和單個 CT 特征的診斷能力比較
圖2
預測模型校準曲線
圖3
預測模型決策分析曲線圖
3 討論
肺癌是威脅人類健康的主要惡性腫瘤，占全球癌癥死亡總人數的30%[18]。腺癌是其最長見的組織學亞型。幸運的是，在高危患者中，通過胸部薄層CT掃描篩查可以發現早期肺癌，肺癌死亡率正在下降[19-21]。然而，胸部CT檢測出的大量磨玻璃結節已成為患者新的健康問題，并持續困擾著醫生。目前，關于GGN的管理策略，全球尚未達成共識。在臨床實踐中，不適當處理GGN是非常常見的。對于AIS和MIA，定期隨訪選擇適當的時機進行手術是可取的，且手術向簡單化進行，盡可能的保留肺功能和減少手術創傷。對于IAC，則需積極的進行標準化手術治療。因此，準確的對GGN中IAC進行鑒別有助于臨床決策。既往多項研究表明[9,22]，影像學特征在對IAC進行鑒別時發揮著重要作用，但多數研究僅關注單個影像學特征與GGN侵襲性大小的關系，且存在納入樣本量少，尚缺乏一項大樣本的研究來系統的探討GGN影像學特征與侵襲性大小的關系，尋找出具有獨立預測作用的預測因子，為磨玻璃結節的臨床處理決策提供一定的參考依據具有重要意義。
最大徑是評估GGN侵襲性的重要參數，Zhang等[23]納入了124例患者對此進行研究，發現GGN最大徑是其侵襲性大小的預測因素，且當臨界值為10 mm時，診斷價值最高。Fu等[9]的研究表明，最大徑是pGGN侵襲性的唯一預測指標，且當臨界直徑為1.05 cm，靈敏度，特異度和AUC值為88.1%、71.9%、0.892。Wu等[24]研究表明GGN≥10 mm是預測IAC病變的最佳診斷閾值，具有較高的陽性預測值（positive predictive value， PPV）。這與我們的研究結果是類似的，我們的研究結果表明，當最大徑取9.5 mm的臨界值時，其對IAC具有鑒別意義。Lim等[25]的研究發現，將IAC鑒別出來的結節直徑臨界值為16.4 mm，Han等[26]納入154例患者對IAC進行鑒別的研究表明，17.2 mm是鑒別IAC最佳的臨界直徑。臨界直徑較我們得出的結果更大，這可能是由于其研究中納入的結節更大的原因。
GGN的實性成分可能反應其侵襲程度，目前，關于GGN實性成分的測量標準仍存在爭議。2013年，Fleischner Society提出[2]在縱隔窗內評估實性成分，并根據測量的長、短直徑的平均值來評估其大小。然而，縱隔窗內實變的大小不等于病理標本中浸潤成分的大小。由于部分肺泡塌陷、炎癥、纖維化改變也以高密度的形式出現，CT圖像上實變的大小可能大于實際病理侵襲范圍。一些學者研究表明[27-28]，與縱膈窗相比，肺窗上的實性成分與GGN的侵襲性程度聯系緊密。目前研究大多數學者觀察和測量肺窗的實性部分。實性成分比例是臨床常用的一個評估GGN侵襲性的影像學指標。日本臨床腫瘤學組進行的0201研究表明[13]，當結節直徑≤2 cm，CTR≤0.25 提示結節為非侵襲性腺癌，特異度達到了98.7%。然而，在2013年關于JCOG 0201的生存結果提示[29]，CTR≤0.5與CTR≤0.25在五年總生存率上相似，使得侵襲性腺癌的診斷標準變成了結節直徑≤2 cm，CTR≤0.5。這與Katsumata等[30]納入744例患者的回顧性研究得到的結果相似。我們的研究結果表明，當CTR＞23.5時，IAC可能性大。這與Zhang等[23]的研究結果是相似的。而臨界值與前述兩項研究有所差異，這可能是由于結局變量的定義不同造成的，前兩項研究的非侵襲性腺癌被定義為病理上為無淋巴結侵犯且無血管侵犯的肺腺癌。這使得其中包含了一部分我們研究所定義的IAC，使得其得到結果存在差異。Ye等[31]研究表明，CTR在鑒別GGN侵襲性時的作用有限，這可能是由于其在樣本納入不同和研究觀察者間差異造成的。
磨玻璃結節平均CT值的高低多數是由腫瘤細胞侵入正常肺組織引起肌成纖維細胞基質增厚的程度決定，侵襲能力越強其平均CT越高。Zheng等[32]納入了288例患者的研究指出，平均CT值＞–449.5 Hu的GGN更可能是IAC。Zhang等[23]指出，平均CT值＞–410 Hu時，鑒別IAC的效能更大。He等[14]進行了一項Meta分析，查詢了截止2020年3月20日發表的文章，表明平均CT值對磨玻璃結節侵襲性大小具有良好的鑒別作用。當平均CT值＞–484 Hu時，敏感性為0.78，特異性為0.81。這些研究與我們的研究結果相似，我們的結果表明，當平均CT值＞–495Hu時，診斷IAC的效能最大，AUC值為0.837。然而，Fu等的研究表明[9]，平均CT值無法對IAC進行鑒別。這可能是納入研究對象不同所致，Fu等納入的研究對象為pGGN，其平均CT值的變化較小，這可能是導致其組間差異沒有意義的原因。
最大CT值與GGN侵襲性的關系近年引起了學者的關注。Ichinose等[15]指出當最大CT值≥–300 HU時，最大CT值能夠鑒別出pGGN中的MIA/IAC。不同的密度范圍和閾值可以區分不同的病理類型，當其對IAC進行鑒別時，閾值較Ichinose等得出的更大。我們的研究結果表明，當最大CT值＞–139.5Hu時，GGN為IAC的可能性較大，AUC值為0.854，靈敏度73.1，特異度91.6。這與Hu等[33]的研究結果相似，其最大CT值對GGN侵襲性的診斷效能達到了0.804。Li等[22]的研究結果卻，最大CT值并不是IAC發生的獨立預測因素，這可能是不同研究間的分組差異導致，Li等是在IAC和MIA之間進行鑒別，包括我們的研究在內的其他還納入了AIS ，這可能是導致其結果不一致的原因。
毛刺征見于病灶與肺實質的交界面，是可在肺窗上清楚顯示的由病灶向邊緣地區延伸的無分支放射狀線條陰影， 但卻未與胸膜發生實質性接觸。我們的研究結果表明毛刺征是IAC的獨立預測因素，這與Si[34]的研究結果相同。血管集束征在CT上表現為結節周圍的細小血管分布改變，或向結節集中，或者進入、截斷于結節。我們的研究結果顯示，血管集束征是IAC發生的獨立預測因素。這與Gao等[35]的研究結果相同。出現這個現象的原因可能有以下幾種：（1）隨著浸潤性的增加，導致耗氧量增加，進而影響供血血管，導致滲透率和直徑增加。（2）隨著侵襲程度的增加，纖維化灶增加，進一步導致血管在腫瘤周圍聚集[36]。然而，我們對血管改變的評估具有一定的主觀性，為了提高可重復率。Liang等[12]將這一特征轉換為相關血管的定量測量，當使用“≥1”的血管數量作為診斷標準時，診斷IAC的靈敏度為100%，當使用“=０”的血管數量作為診斷標準時診斷出非浸潤性腺癌的特異性為100%。多數研究[37-39]認為胸膜凹陷征并不能對GGN侵襲性進行鑒別。本研究與多數研究結果相近，顯示胸膜凹陷征雖然在單因素分析中有統計學差異，但在多因素分析排除了混雜因素后，并不能起到鑒別IAC的作用。分葉征象主要是由于腫瘤各部分分化程度不一、各部分生長不平衡以及小葉間隔不全等原因所造成的。高豐等[40]研究表明分葉征與GGN侵襲性有統計學相關性。Lee等[37]表達的相同的觀點。我們的研究表明，分葉征并與GGN侵襲性并不相關。這可能與我們研究納入的GGN相對較小，各部分生長不平衡程度相對較輕有關。
本研究基于CT定量和定性特征聯合構建的判斷GGN浸潤性大小的預測模型，AUC值達到了0.910，與單個影像學特征相比，診斷效能更高。Bootstrap法模型內部驗證結果顯示模型區分度良好，且模型校準度和臨床使用性較好，能夠運用于臨床。這是第一項在大樣本研究對象的基礎上對CT影像學特征與GGN浸潤性大小的關系進行全面探討的研究。對于最大CT值這一近年開始被研究的指標，我們的結果為其能夠對IAC發生進行預測提供了更有力的證據，我們在大樣本研究對象的基礎上構建了預測IAC發生的預測模型。使其模型在臨床運用時可信度更高。有助于GGN臨床處理決策的選擇。
本研究列入數據人群是基于本中心患者，屬于單中心、回顧性研究，研究人群面較窄，仍缺乏多中心、前瞻性的數據來進一步驗證結果。本研究的影像學特征是人為的進行測量，這不可避免的導致了一定的測量誤差。我們雖系統的納入了GGN的影像學特征，然而，在GGN發病過程中，pGGN實性成分逐漸增多，病變可變為mGGN，最終形成實性結節。GGN病程較長，缺乏對病程進行長期觀察的影像學資料，如果有后續影像學資料，可將磨玻璃結節隨訪時間作為變量加入模型。
最大徑≥9.5 mm、CTR≥23.5、最大CT值≥–139.5、平均CT值≥–495、GGN出現毛刺征、血管集束征提示GGN為浸潤性腺癌的可能性較大，建議積極的進行干預。通過系統分析磨玻璃結節的定量和定性特性并將其聯合運用于磨玻璃結節浸潤性大小的判斷，具有良好的診斷效能，其預測能力優于任何單一特征的預測效果。
利益沖突：無。
作者貢獻：黃云超、趙光強、葉聯華負責研究的選題和設計，數據分析及解釋，論文的審核并提出修改意見；楊延濤負責研究的選題設計與實施，數據收集、分析與解釋，撰寫論文并對提出的意見進行解答和對論文進行修改；楊逸辰、王碧瑩負責研究的實施、論文的評估及對論文進行修改；姜子奇、蔡德忠負責研究的選題和設計，數據分析和解釋，對編輯部的意見進行核修；蔣潔智負責研究的收集數據、數據分析和解釋，對編輯部的意見進行核修；羅佳負責收集數據、數據分析和解釋，論文的審核，對編輯部的意見進行核修；胡慧蓮、段耀武負責研究的實施、統計分析、倫理申請、對編輯部的意見進行核修。
根據2020年全球癌癥報告，肺癌仍然是腫瘤死亡的首要病因，腺癌是其最常見的組織學亞型。2015年，世界衛生組織將肺腺癌按其發展演變過程分為[1]非典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）原位腺癌（adenocarcinoma in situ，AIS）、微浸潤腺癌（minimally invasive adenocarcinoma，MIA）、浸潤性腺癌（invasive adenocarcinoma ，IAC）。隨著高分辨率CT的廣泛應用，越來越多磨玻璃結節（ground-glass nodule，GGN）型肺腺癌被發現。GGN定義為在高分辨 CT上局灶性肺組織呈云霧狀密度增高影，大小≤3 cm，但不掩蓋其內正常的結構，如支氣管影、血管影；通常根據其內是否含有實性成分可再分為純磨玻璃結節（pure ground-glass nodule，pGGN）和混合磨玻璃結節（mixed ground-glass nodule，mGGN）[2]。磨玻璃結節病理可診斷為AIS、MIA或IAC。對于AIS和MIA，在完全切除術后，患者有100%的10年無病生存期[3]。然而，在病理分期為IA期的浸潤性腺癌中5年無病生存期僅有89.0%[4]。腫瘤侵襲性大小不同，患者預后存在很大差異。準確將AIS和MIA鑒別出來對手術時機的選擇和實現患者的極好預后具有重要意義。
另有研究[5]表明，對于AIS和MIA，臨床處理時保證切緣距病灶5 mm即可，而對于IAC，2 cm的立體切緣被要求[6]。且兩者在淋巴結處理方式上也存在差異[7] 。對于AIS和MIA，淋巴結不要求進行處理，而在IAC中，需要進行淋巴結清掃或采樣。準確對兩者進行鑒別有助于手術方式的選擇。
術中冰凍切片獲得的組織標本中，對腫瘤侵襲性的判斷存在明顯的局限性[8]，相對而言，術前運用CT特征對肺腺癌侵襲性大小進行評估顯示出明顯的優勢。既往多項研究表明[9-10]，CT特征能夠對GGN侵襲性進行鑒別。但不同研究能夠對GGN浸潤性大小進行鑒別的參數各有不同。Fu等[9]認為病灶最大徑是判斷GGN侵襲性的唯一有效指標。Dai等[11]進行了一項Meta分析認為CT定性特征在GGN侵襲性鑒別中發揮的作用有限。診斷的敏感性為0.41～0.52，特異性為0.56～0.63，這與Liang等[12]的研究結果相反。日本臨床腫瘤學組（Japan Clinical Oncology Group，JCOG）進行了一項關于實性成分比例（consolidation/tumor ratio，CTR）預測病理侵襲性的前瞻性，多中心的臨床試驗[13]，該研究納入811例患者，采用CTR預測病理侵襲性，結果顯示結節直徑≤2 cm，CTR≤0.25 提示GGN為非侵襲性腺癌。He等[14]納入了8個研究的meta分析認為平均CT值也能夠對GGN侵襲性進行鑒別，敏感性為0.78，特異性為0.81。近年來部分學者認為，最大CT值[15]也能夠對GGN侵襲性進行預測。這些研究多集中于探討單個影像學特征與GGN浸潤性的關系，多個特征聯合能否實現診斷效能的提高，一些學者對此進行了探討。Zhou等[16]將結節直徑和平均CT值聯合對GGN浸潤性進行鑒別，發現診斷能力得到提高。鄭慧等[17]基于血管改變、毛刺征和臍凹征構建了聯合診斷模型對GGN侵襲性大小鑒別，AUC值達到了0.828。這些研究顯示聯合CT特征對GGN侵襲性的診斷能力得到提高，但仍只對GGN的部分特征進行了分析。在GGN侵襲性大小的判別中，對結節影像特征綜合分析，將CT定量特征和定性特征聯合運用能否得到實現更好的診斷價值。目前研究較少。且目前研究都是在樣本量較小的基礎上進行，尚缺乏大樣本的研究系統的探討CT影像學特征與GGN侵襲性的關系。基于此，我們設計了此研究。
1 資料與方法
1.1 患者篩選和分組
收集昆明醫科大學第三附屬醫院（云南省腫瘤醫院）2020年9月—2022年7月經手術切除并最終確診為肺腺癌的磨玻璃結節患者。按照以下納入和排除標準篩選患者。納入標準：（1）所有患者均具備術前2周內我院的CT影像資料，具有1個或多個的孤立磨玻璃結節；（2）所有患者均經手術切除后，病理明確診斷為肺腺癌（包括AIS，MIA，IAC）；（3）行外科干預的磨玻璃結節包括1個或1個以上；（4）所有患者的肺部磨玻璃結節術前均未經過放化療等抗腫瘤治療；排除標準：（1）病歷資料或影像學資料不全者；（2）呼吸運動偽影較大導致影像圖像不符合影像學分析條件者；（3）合并肺部感染導致影像圖像干擾影像學分析條件者；（4）術后病理報告結節位置與術前CT影像結節位置對應關系不明確者。根據病理診斷結果將其分為兩組，非浸潤腺癌組（AIS/MIA），浸潤性腺癌組。
1.2 影像評價
1.2.1 檢查方法
采用Siemens64排128層螺旋CT機。檢査前對患者行呼吸訓練，掃描時患者取仰臥位，雙臂上舉，深吸氣后屏氣或平靜呼吸后屏氣掃描，采用管電壓120 kV和電流100 mA從肺尖至肺底行螺旋掃描，螺距1.0，層厚1 mm。掃描參數：70 kV，50 mAs，矩陣512×512。肺窗：窗寬1 200～1 500 HU，窗位–600～–700 HU，縱隔窗：窗寬400～500ＨＵ，窗位40～50 HU。
1.2.2 圖像分析
由兩位胸部影像學診斷方面的高年資醫師共同閱片，分析、記錄CT征象及診斷；產生分歧時與高年資醫生商討后作出判斷。通過查找相關文獻和指南，確定收集影像特征參數。病灶位置、最大徑、毛刺征、分葉征、空泡征、空氣支氣管征、血管集束征、胸膜凹陷征、CTR、平均CT值、最大CT值。CTR：實性成分最大直徑與結節最大直徑比值。平均CT值：在最大橫截面上，盡量避開病灶內較大的支氣管、血管、空泡/空腔區，記錄CT值。最大CT值：當測量區域為10 mm2時，重復測量病變密度高的區域，取最大值。
1.2.3 病理資料分析
所有標本均由手術切除后獲取，病灶標本使用10%中性緩沖福爾馬林固定液固定，再進行石蠟包埋，最后進行制片并進行蘇木精－伊紅染色（HE染色），當無法用顯微鏡觀察直接診斷的標本可進一步給予免疫組化明確病理類型。根據2015年世界衛生組織發布的肺部腫瘤分類標準，由昆明醫科大學第三附屬醫院（云南省腫瘤醫院）病理科兩名具有15年以上臨床經驗的病理學家對AIS、MIA、IAC進行診斷。他們對CT影像結果一無所知。
1.3 統計學分析
采用SPSS 26.0軟件、R軟件對各項指標進行統計學分析。對于定量資料，首先用Kolmogorov-Smirnov檢驗方法進行正態性檢驗，若服從正態分布，以均數士標準差（±s）表示，釆用獨立樣本t檢驗進行組間比較，否則以中位數（四分位數間距）［Ｍ（Q1，Q3）］表示，采用Mann-Whitney U檢驗進行組間比較。分類變量以例（%）表示，采用χ2檢驗分析二分類變量，采用Cochran-Armitage趨勢檢驗對有序分類變量進行分析。將單因素分析中P≤0.05的變量代入多因素logistic回歸分析，篩選出有意義的影像學特征為IAC發生的獨立預測因素。采用方差膨脹系數（VIF值）評估自變量之間共線性干擾程度，VIF值＜ 5，提示自變量不存在共線性干擾問題。使用獨立預測指標構建預測模型。使用AUC值評價模型的區分度，使用校準曲線評價模型的校準度，使用決策分析曲線（decision curve analysis，DCA）評價模型的臨床使用性，使用Bootstrap法自抽樣1 000次重新計算AUC值對模型進行內部評價。
1.4 倫理審查
本研究已通過昆明醫科大學第三附屬醫院的倫理審查，倫理審查編號：KYLX2022206。
2 結果
2.1 基線資料
555例納入研究。非浸潤腺癌組310例，其中女235例、男75例，年齡49（43，58）歲；浸潤性腺癌組245例，其中女163例、男82例，年齡53（46，61）歲。兩組患者年齡、性別及吸煙史差異有統計學意義；見表1。
表1
兩組患者的計量資料對比結果［M（Q25，Q75）］
2.2 CT定量特征與GGN侵襲性大小的關系
經Mann-Whitney Ｕ檢驗IAC組患者最大徑、CTR、平均CT值、最大CT值均明顯高于AIS/MIA，差異均有統計學意義（P＜0.05）；見表1。
2.3 CT定性特征與GGN侵襲性大小的關系
經χ2檢驗IAC組患者毛刺征、血管集束征、分葉征、胸膜凹陷征明顯高于AIS/MIA，差異有統計學意義（P＜0.05）；見表1。
2.4 GGN侵襲性大小的相關因素分析
將單因素分析有統計學意義的特征納入多因素logistic回歸分析，多因素分析發現最大徑、CTR、最大CT值、平均CT值、毛刺征、血管集束征是IAC發生的獨立危險因素（P＜0.05）；見表2。對最大徑、CTR、最大CT值、平均CT值、毛刺征、血管集束征進行共線性診斷，結果顯示VIF分別為1.185、2.941、3.41、2.561、1.475、2.272，均＜5，表明上述6個自變量并不存在共線性關系。
表2
磨玻璃結節浸潤性的二元logistic回歸
將最大徑、CTR、最大CT值、平均CT值、毛刺征、血管集束征作為獨立預測因素納入預測模型的構建。預測方程為Logit（P）= –1.293＋1.549×最大徑＋0.026×CTR+0.025×最大CT值＋0.034×平均CT值+0.72×毛刺征+0.919×血管集束征（注：有毛刺征時，毛刺征=1，無毛刺征=0；有血管集束征時，血管集束征=1，無血管集束征=0； 最大徑＞0.95=1，最大徑≤0.95=0；CTR＞23.5=1，CTR≤23.5=0；最大CT值＞–139.5=1，最大CT值≤–139.5=0；平均CT值＞–495=1，平均CT值≤－495=0）。預測模型的AUC值為0.910，較各變量預測效能高；見表3、圖1。校準曲線顯示模型IAC發病風險與實際發病風險具有較高的一致性；見圖2。DCA曲線顯示患者凈獲益高，臨床實用性；見圖3。Bootstrap法自抽樣1000次重新計算的AUC值為0.905，提示模型區分度良好。
表3
不同指標區分磨玻璃結節浸潤性的ROC曲線分析
圖1
預測模型和單個 CT 特征的診斷能力比較
圖2
預測模型校準曲線
圖3
預測模型決策分析曲線圖
3 討論
肺癌是威脅人類健康的主要惡性腫瘤，占全球癌癥死亡總人數的30%[18]。腺癌是其最長見的組織學亞型。幸運的是，在高危患者中，通過胸部薄層CT掃描篩查可以發現早期肺癌，肺癌死亡率正在下降[19-21]。然而，胸部CT檢測出的大量磨玻璃結節已成為患者新的健康問題，并持續困擾著醫生。目前，關于GGN的管理策略，全球尚未達成共識。在臨床實踐中，不適當處理GGN是非常常見的。對于AIS和MIA，定期隨訪選擇適當的時機進行手術是可取的，且手術向簡單化進行，盡可能的保留肺功能和減少手術創傷。對于IAC，則需積極的進行標準化手術治療。因此，準確的對GGN中IAC進行鑒別有助于臨床決策。既往多項研究表明[9,22]，影像學特征在對IAC進行鑒別時發揮著重要作用，但多數研究僅關注單個影像學特征與GGN侵襲性大小的關系，且存在納入樣本量少，尚缺乏一項大樣本的研究來系統的探討GGN影像學特征與侵襲性大小的關系，尋找出具有獨立預測作用的預測因子，為磨玻璃結節的臨床處理決策提供一定的參考依據具有重要意義。
最大徑是評估GGN侵襲性的重要參數，Zhang等[23]納入了124例患者對此進行研究，發現GGN最大徑是其侵襲性大小的預測因素，且當臨界值為10 mm時，診斷價值最高。Fu等[9]的研究表明，最大徑是pGGN侵襲性的唯一預測指標，且當臨界直徑為1.05 cm，靈敏度，特異度和AUC值為88.1%、71.9%、0.892。Wu等[24]研究表明GGN≥10 mm是預測IAC病變的最佳診斷閾值，具有較高的陽性預測值（positive predictive value， PPV）。這與我們的研究結果是類似的，我們的研究結果表明，當最大徑取9.5 mm的臨界值時，其對IAC具有鑒別意義。Lim等[25]的研究發現，將IAC鑒別出來的結節直徑臨界值為16.4 mm，Han等[26]納入154例患者對IAC進行鑒別的研究表明，17.2 mm是鑒別IAC最佳的臨界直徑。臨界直徑較我們得出的結果更大，這可能是由于其研究中納入的結節更大的原因。
GGN的實性成分可能反應其侵襲程度，目前，關于GGN實性成分的測量標準仍存在爭議。2013年，Fleischner Society提出[2]在縱隔窗內評估實性成分，并根據測量的長、短直徑的平均值來評估其大小。然而，縱隔窗內實變的大小不等于病理標本中浸潤成分的大小。由于部分肺泡塌陷、炎癥、纖維化改變也以高密度的形式出現，CT圖像上實變的大小可能大于實際病理侵襲范圍。一些學者研究表明[27-28]，與縱膈窗相比，肺窗上的實性成分與GGN的侵襲性程度聯系緊密。目前研究大多數學者觀察和測量肺窗的實性部分。實性成分比例是臨床常用的一個評估GGN侵襲性的影像學指標。日本臨床腫瘤學組進行的0201研究表明[13]，當結節直徑≤2 cm，CTR≤0.25 提示結節為非侵襲性腺癌，特異度達到了98.7%。然而，在2013年關于JCOG 0201的生存結果提示[29]，CTR≤0.5與CTR≤0.25在五年總生存率上相似，使得侵襲性腺癌的診斷標準變成了結節直徑≤2 cm，CTR≤0.5。這與Katsumata等[30]納入744例患者的回顧性研究得到的結果相似。我們的研究結果表明，當CTR＞23.5時，IAC可能性大。這與Zhang等[23]的研究結果是相似的。而臨界值與前述兩項研究有所差異，這可能是由于結局變量的定義不同造成的，前兩項研究的非侵襲性腺癌被定義為病理上為無淋巴結侵犯且無血管侵犯的肺腺癌。這使得其中包含了一部分我們研究所定義的IAC，使得其得到結果存在差異。Ye等[31]研究表明，CTR在鑒別GGN侵襲性時的作用有限，這可能是由于其在樣本納入不同和研究觀察者間差異造成的。
磨玻璃結節平均CT值的高低多數是由腫瘤細胞侵入正常肺組織引起肌成纖維細胞基質增厚的程度決定，侵襲能力越強其平均CT越高。Zheng等[32]納入了288例患者的研究指出，平均CT值＞–449.5 Hu的GGN更可能是IAC。Zhang等[23]指出，平均CT值＞–410 Hu時，鑒別IAC的效能更大。He等[14]進行了一項Meta分析，查詢了截止2020年3月20日發表的文章，表明平均CT值對磨玻璃結節侵襲性大小具有良好的鑒別作用。當平均CT值＞–484 Hu時，敏感性為0.78，特異性為0.81。這些研究與我們的研究結果相似，我們的結果表明，當平均CT值＞–495Hu時，診斷IAC的效能最大，AUC值為0.837。然而，Fu等的研究表明[9]，平均CT值無法對IAC進行鑒別。這可能是納入研究對象不同所致，Fu等納入的研究對象為pGGN，其平均CT值的變化較小，這可能是導致其組間差異沒有意義的原因。
最大CT值與GGN侵襲性的關系近年引起了學者的關注。Ichinose等[15]指出當最大CT值≥–300 HU時，最大CT值能夠鑒別出pGGN中的MIA/IAC。不同的密度范圍和閾值可以區分不同的病理類型，當其對IAC進行鑒別時，閾值較Ichinose等得出的更大。我們的研究結果表明，當最大CT值＞–139.5Hu時，GGN為IAC的可能性較大，AUC值為0.854，靈敏度73.1，特異度91.6。這與Hu等[33]的研究結果相似，其最大CT值對GGN侵襲性的診斷效能達到了0.804。Li等[22]的研究結果卻，最大CT值并不是IAC發生的獨立預測因素，這可能是不同研究間的分組差異導致，Li等是在IAC和MIA之間進行鑒別，包括我們的研究在內的其他還納入了AIS ，這可能是導致其結果不一致的原因。
毛刺征見于病灶與肺實質的交界面，是可在肺窗上清楚顯示的由病灶向邊緣地區延伸的無分支放射狀線條陰影， 但卻未與胸膜發生實質性接觸。我們的研究結果表明毛刺征是IAC的獨立預測因素，這與Si[34]的研究結果相同。血管集束征在CT上表現為結節周圍的細小血管分布改變，或向結節集中，或者進入、截斷于結節。我們的研究結果顯示，血管集束征是IAC發生的獨立預測因素。這與Gao等[35]的研究結果相同。出現這個現象的原因可能有以下幾種：（1）隨著浸潤性的增加，導致耗氧量增加，進而影響供血血管，導致滲透率和直徑增加。（2）隨著侵襲程度的增加，纖維化灶增加，進一步導致血管在腫瘤周圍聚集[36]。然而，我們對血管改變的評估具有一定的主觀性，為了提高可重復率。Liang等[12]將這一特征轉換為相關血管的定量測量，當使用“≥1”的血管數量作為診斷標準時，診斷IAC的靈敏度為100%，當使用“=０”的血管數量作為診斷標準時診斷出非浸潤性腺癌的特異性為100%。多數研究[37-39]認為胸膜凹陷征并不能對GGN侵襲性進行鑒別。本研究與多數研究結果相近，顯示胸膜凹陷征雖然在單因素分析中有統計學差異，但在多因素分析排除了混雜因素后，并不能起到鑒別IAC的作用。分葉征象主要是由于腫瘤各部分分化程度不一、各部分生長不平衡以及小葉間隔不全等原因所造成的。高豐等[40]研究表明分葉征與GGN侵襲性有統計學相關性。Lee等[37]表達的相同的觀點。我們的研究表明，分葉征并與GGN侵襲性并不相關。這可能與我們研究納入的GGN相對較小，各部分生長不平衡程度相對較輕有關。
本研究基于CT定量和定性特征聯合構建的判斷GGN浸潤性大小的預測模型，AUC值達到了0.910，與單個影像學特征相比，診斷效能更高。Bootstrap法模型內部驗證結果顯示模型區分度良好，且模型校準度和臨床使用性較好，能夠運用于臨床。這是第一項在大樣本研究對象的基礎上對CT影像學特征與GGN浸潤性大小的關系進行全面探討的研究。對于最大CT值這一近年開始被研究的指標，我們的結果為其能夠對IAC發生進行預測提供了更有力的證據，我們在大樣本研究對象的基礎上構建了預測IAC發生的預測模型。使其模型在臨床運用時可信度更高。有助于GGN臨床處理決策的選擇。
本研究列入數據人群是基于本中心患者，屬于單中心、回顧性研究，研究人群面較窄，仍缺乏多中心、前瞻性的數據來進一步驗證結果。本研究的影像學特征是人為的進行測量，這不可避免的導致了一定的測量誤差。我們雖系統的納入了GGN的影像學特征，然而，在GGN發病過程中，pGGN實性成分逐漸增多，病變可變為mGGN，最終形成實性結節。GGN病程較長，缺乏對病程進行長期觀察的影像學資料，如果有后續影像學資料，可將磨玻璃結節隨訪時間作為變量加入模型。
最大徑≥9.5 mm、CTR≥23.5、最大CT值≥–139.5、平均CT值≥–495、GGN出現毛刺征、血管集束征提示GGN為浸潤性腺癌的可能性較大，建議積極的進行干預。通過系統分析磨玻璃結節的定量和定性特性并將其聯合運用于磨玻璃結節浸潤性大小的判斷，具有良好的診斷效能，其預測能力優于任何單一特征的預測效果。
利益沖突：無。
作者貢獻：黃云超、趙光強、葉聯華負責研究的選題和設計，數據分析及解釋，論文的審核并提出修改意見；楊延濤負責研究的選題設計與實施，數據收集、分析與解釋，撰寫論文并對提出的意見進行解答和對論文進行修改；楊逸辰、王碧瑩負責研究的實施、論文的評估及對論文進行修改；姜子奇、蔡德忠負責研究的選題和設計，數據分析和解釋，對編輯部的意見進行核修；蔣潔智負責研究的收集數據、數據分析和解釋，對編輯部的意見進行核修；羅佳負責收集數據、數據分析和解釋，論文的審核，對編輯部的意見進行核修；胡慧蓮、段耀武負責研究的實施、統計分析、倫理申請、對編輯部的意見進行核修。
