目的系統評價誘導放化療或化療后手術切除和同步放化療治療ⅢA-N2 期非小細胞肺癌（non-small cell lung cancer，NSCLC）的療效。方法計算機檢索 PubMed、EMbase、Web of Science 和 The Cochrane Library 數據庫，收集比較誘導放化療或化療后手術切除和同步放化療治療ⅢA-N2 期 NSCLC 臨床療效的研究，檢索時間為建庫至 2022 年 9 月。采用 RevMan 5.3 軟件進行 Meta 分析。結果納入 9 篇文獻，包括 3 個隨機對照試驗和 6 個回顧性隊列研究，共 12 801 例患者。Meta 分析結果顯示，誘導化療或放化療后手術組（包括肺葉切除、全肺切除）和同步放化療組無進展生存率差異無統計學意義［HR=0.99，95%CI（0.86，1.15），P=0.91］。與同步放化療組相比，誘導治療后手術組（包括肺葉切除、全肺切除）總生存率更低［HR=1.24，95%CI（1.09，1.42），P=0.001］，但誘導治療后肺葉切除組總生存率更高［HR=0.55，95%CI（0.51，0.61），P<0.000 01］；誘導治療后手術組局部復發率更低［OR=0.44，95%CI（0.36，0.55），P<0.000 01］。結論誘導治療后肺葉切除相比單純放化療不僅明顯提高患者總生存率，并且局部復發率更低。因此對于適合行手術治療的ⅢA-N2 期 NSCLC 患者，推薦將肺葉切除作為多學科治療方式之一。
目的探討磨玻璃結節腫瘤浸潤性的獨立危險因素，建立腫瘤浸潤性預測模型。方法回顧性分析蘭州大學第一醫院胸外科2018年6月—2021年5月入院且病理結果明確的389例肺結節患者的臨床資料。按照納入標準共242例患者納入研究，其中男107例、女135例，平均年齡（57.98±9.57）歲。將納入研究患者DICOM格式的CT資料導入到人工智能系統。人工智能系統識別、自動計算并輸出肺結節的性質、標準直徑、實性成分大小、體積、平均CT值、最大CT值、最小CT值、中心CT值以及有無分葉、毛刺、胸膜凹陷、血管穿行等特征。根據病理診斷結果將患者分成兩組，浸潤前病變（非典型腺瘤樣增生/原位腺癌）及浸潤性病變（微浸潤性腺癌/浸潤性腺癌）。應用單因素及多因素分析，篩選磨玻璃結節腫瘤浸潤性的獨立危險因素，建立預測模型。繪制受試者工作特征曲線，計算出臨界值，根據約登指數得到敏感度和特異度。結果單因素及多因素分析結果顯示：中心CT值、細胞角蛋白19片段（Cyfra21-1）、實性成分大小、結節性質、毛刺征是判斷磨玻璃結節腫瘤浸潤性的獨立危險因素。浸潤前病變和浸潤性病變中心CT值、Cyfra21-1、實性成分大小最佳臨界值分別為–309.00 Hu、3.23 ng/mL、8.65 mm。預測模型的公式為：logit（P）=0.982–（3.369×結節性質）+（0.921×實性成分大小）+（0.002×中心CT值）+（0.526×Cyfra21-1）–（0.0953×毛刺征）。回歸模型預測值曲線下面積為0.908，準確率為91.3%。結論通過分析CT特征及腫瘤標志物所建立的預測模型能夠較好地預測腫瘤的浸潤性。其預測效果均優于任何單一因素的預測效果。
目的建立基于CT影像組學的機器學習模型應用于術前預測肺磨玻璃結節（ground-glass nodules，GGNs）浸潤程度。方法回顧性收集2021 年 3 月—7 月于上海市肺科醫院胸外科及 2019 年 1 月—2022 年 5 月于蘭州大學第一醫院胸外科就診的結節實性直徑＜3 cm肺GGNs患者的臨床資料。根據患者術后病理結果分為非浸潤性病變和浸潤性病變，按7∶3比例隨機分為訓練集和測試集。從每例患者的CT圖像中提取影像組學特征（1 317個），采用最小冗余最大相關性（max-relevance and min-redundancy，mRMR）篩選和分類類別最相關的前100個特征，最小絕對收縮與選擇算子（least absolute shrinkage and selection operator，LASSO）進行影像組學特征選擇，支持向量機（support vector machine，SVM）分類器建立預測模型，計算曲線下面積（area under the curve，AUC）、敏感度、特異度、準確率、陰性預測值、陽性預測值指標評估該模型的性能，繪制預測模型的校準曲線及決策曲線來評估模型的準確度和臨床獲益，并在測試集及不同結節直徑亞組中進行性能分析；將該模型的預測性能與Mayo以及Brock模型進行對比。2名初級胸外科醫師評估GGNs的浸潤程度以調查該模型的臨床效用。結果共納入400例患者，其中女267例、男133例，平均年齡（52.4±12.7）歲。訓練集280例，測試集120例。從訓練集數據最終篩選出8個影像組學特征建立SVM模型，該模型在訓練集及測試集中AUC值、敏感度、特異度分別為0.91、0.89、0.75，0.86、0.92、0.60。并且在訓練集0～10 mm、10～20 mm以及測試集0～10 mm、10～20 mm亞組中均表現出較好的預測性能，AUC值分別為0.82、0.88，0.84、0.72。SVM模型明顯優于Mayo模型（0.73）和Brock模型（0.73）。在該模型輔助下，醫師A和B區分浸潤性腺癌的AUC值、敏感度、特異度、準確率均明顯提高。結論該基于影像組學的SVM模型有助于區分非浸潤性病變和浸潤性病變，針對不同大小的GGNs也有較穩定的預測性能，其相比Mayo及Brock模型預測性能更佳。可協助臨床醫師更為準確判斷GGNs浸潤程度，并制定更合適的診療決策，實現精準化治療。