目的評估三維計算機斷層掃描支氣管血管成像（three-dimensional computed tomography-bronchography and angiography，3D-CTBA）聯合吲哚菁綠（indocyanine green，ICG）反染法在電視輔助胸腔鏡手術（video-assisted thoracic surgery，VATS）肺段切除術中的安全性及臨床應用價值。方法回顧性分析蘇北人民醫院2020年1月—2021年1月125例行VATS肺段切除術患者的臨床資料，其中男40例（32.0%）、女85例（68.0%），平均年齡（54.8±11.1）歲。 結果全組患者均在3D-CTBA和ICG反染法聯合應用下順利完成手術，手術過程與術前模擬基本一致。段間平面均成功顯示，且ICG注入未見不良反應。125例患者共取出130枚病理標本，平均手術時間（126.8±41.9）min，平均首次發出熒光時間（22.7±4.9）s，從開始標記到標記結束的平均時間為（65.6±20.3）s，中位術中出血量20.0（10.0～400.0）mL，術后住院時間5.6（4.0～28.0）d，胸腔引流管放置時間3.2（2.0～25.0）d。病理結果顯示微浸潤性腺癌最多（50/130，38.5%），其次為浸潤性腺癌（48/130，36.9%）；轉移性腫瘤3枚（3/130，2.3%）。結論3D-CTBA聯合ICG反染法行VATS肺段切除術是一種安全可行的方法，可在臨床推廣應用。
目的探究美國國立肺篩查試驗（National Lung Screening Trial，NLST）中接受手術治療患者肺結節幾何特征和中心線（centerline，CL）對手術預后的預測能力。方法選取NLST圖像數據庫的低劑量CT（low-dose CT，LDCT）隊列中接受手術治療且確診非小細胞肺癌（non-small cell lung cancer，NSCLC）178例患者的CT圖像，其中男99例、女79例，中位年齡64（59，68）歲。使用軟件Mimics 21.0對CT圖像進行處理，測量肺結節體積、表面積、CL及垂直于CL切面面積，使用受試者工作特征（receiver operating characteristic，ROC）曲線比較CT軸面結節最長直徑（longest diameter，LD）、平均直徑（average diameter，AD）和CL對預后的預測能力，單因素Cox回歸探究術后結局事件的影響因素，并將有意義的自變量納入多變量Cox回歸構建預測模型。結果CL對于術后復發和死亡的ROC曲線下面積（area under the curve，AUC）分別為0.650和0.719，優于LD（0.596，0.623）和AD（0.600，0.631）。K-M曲線顯示基于CL臨床T分類可以進行有效的危險分層（P分別為0.042和0.017）。多變量Cox比例風險回歸分析顯示，肺結節體積（P=0.010）、垂直中心線切面最大面積（maximum area perpendicular to the centerline，MApc）（P=0.028）和是否有淋巴結轉移（P＜0.001）是影響無病生存期的獨立危險因素。同時，年齡（P=0.010）、CL（P=0.043）、是否有淋巴結轉移（P＜0.001）以及MApc（P=0.022）和垂直中心線切面平均面積（P=0.016）是預測總生存期的獨立危險因素。結論對于NLST中LDCT隊列的NSCLC患者術后結局事件，肺結節CL預測能力優于LD和AD，使用CL可以有效進行肺癌危險分層和預后預測，腫瘤越近似球型預后越好。
目的探討機器學習模型在預測胸段食管鱗狀細胞癌（鱗癌）患者術后生存風險分層中的應用價值。方法回顧性分析2014年1月—2015年9月在蘇北人民醫院胸外科行食管癌根治術的369例胸段食管鱗癌患者的臨床資料，其中男279例（75.6%）、女90例（24.4%），年齡41～78歲。將患者按7∶3比例隨機分為訓練集（259例）和測試集（110例）。通過選擇最佳特征子集進行變量篩選。在此基礎上構建6種機器學習模型，并在獨立測試集驗證。通過曲線下面積（area under the curve，AUC）、準確率、對數損失函數值評價模型的預測性能，通過校準曲線反映模型的擬合情況。從中選出最佳模型作為最終模型，利用X-tile進行風險分層，采用Kaplan-Meier法與log-rank檢驗進行生存分析。結果胸段食管鱗癌患者術后5年生存率為67.5%。訓練集和測試集之間各項臨床病理特征差異均無統計學意義（P均>0.05）。最終納入高血壓、吸煙史、飲酒史、組織分化程度、pN分期、脈管侵犯、神經侵犯共7個變量進行建模，各模型在獨立測試集中的AUC值分別為：決策樹（AUC=0.796）、支持向量機（AUC=0.829）、隨機森林（AUC=0.831）、邏輯回歸（AUC=0.838）、梯度提升機（AUC=0.846）、XGBoost（AUC=0.853）。最終遴選出XGBoost模型作為最佳模型，并分別對訓練集和測試集進行風險分層，其中將訓練集和測試集患者分別分為低危組、中危組和高危組。在訓練集和測試集中，三組患者手術預后情況差異均有統計學意義（P<0.001）。結論機器學習模型在預測胸段食管鱗癌術后預后方面具有較高價值，XGBoost模型對胸段食管鱗癌患者術后５年生存情況的預測性能優于常見機器學習方法，具有較高的實用性和可靠性。