目的 通過單因素和多因素分析篩選出肺小結節（直徑≤2 cm） 惡性病變的危險因素，并建立預測惡性病變可能性的數學模型。 方法 回顧性分析2005年1月至2012年9月在解放軍第161中心醫院接受手術治療并明確病理診斷的147例肺小結節患者的臨床資料，其中男84例，女63例；年齡31～78 （56.2±10.1） 歲。對患者的年齡、性別、臨床癥狀、吸煙史及吸煙指數、重度飲酒史、既往腫瘤史、病變部位、結節最大直徑、腫瘤有無分葉、毛刺、胸膜臍凹征、毛玻璃樣改變、空洞和有無肺門縱隔淋巴結腫大等因素采用χ2檢驗或t檢驗進行單因素分析，再采用多因素logistic 回歸分析篩選出肺小結節惡性病變的獨立危險因素，構建數學預測模型，并對模型進行檢驗。結果 單因素分析結果顯示，患者年齡（t=7.146，P＜0.001）、重度吸煙史（χ2=6.169，P=0.013）、結節最大直徑（t=3.375，P=0.001）、毛刺征（χ2=5.609，P=0.018）、分葉征（χ2=5.675，P=0.017）、胸膜臍凹征（χ2=12.994，P＜0.001）在肺小結節良、惡性病變之間的差異有統計學意義。多因素logistic回歸分析結果顯示，患者年齡（OR=1.110，P=0.000）、結節最大直徑（OR=2.050，P=0.029）、毛刺征（OR=1.672，P=0.045）、分葉征（OR=2.054，P=0.032）、胸膜臍凹征（OR=4.090，P=0.024）在肺小結節良、惡性之間的差異有統計學意義，是判斷肺小結節性質的獨立影響因素。建立的肺小結節良惡性預測數學方程為：惡性預測值（P）=ez/ （1＋ez），Z=-6.657＋（0.104×年齡） ＋ （0.718×結節最大直徑） ＋ （0.720× 分葉征） ＋ （0.514× 毛刺征） ＋ （1.409× 胸膜臍凹征），其中e為自然對數。Hosmer-Lemeshow檢驗（χ2=1.802，P=0.986）及最大似然比檢驗（Cox-Snell R2=0.310，Nagelkerke R2=0.443）均說明模型的擬合度良好。通過反復計算，最終選取預測概率0.58作為良惡性判斷的臨界值，模型預測的準確率為85.71％，敏感性為87.50％，特異性為81.40％，陽性預測值91.92％，陰性預測值為72.92％，效果滿意。 結論 患者年齡、結節最大直徑、毛刺、分葉、胸膜臍凹征是判斷肺小結節良、惡性的獨立危險因素，通過logistic回歸建立的數學預測模型有較高的準確性，可以預測肺小結節的惡性可能性。
目的探討18F-FDG正電子發射計算機斷層掃描（positron emission tomography/computed tomography，PET/CT）聯合CT三維重建（CT three-dimensional reconstruction，CT-3D）對肺結節良惡性鑒別診斷的準確性。方法回顧性分析2020年7月—2021年8月于蘇北人民醫院胸外科行手術治療的肺結節患者125例，其中男57例、女68例，平均年齡（61.16±8.57）歲。提取患者術前18FDG PET/CT和胸部增強CT-3D等影像學資料，通過受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under the curve，AUC）篩選具有診斷意義的參數，通過二元logistic回歸分別建立PET/CT預測模型（PET/CT prediction model，MOD PET）、CT-3D預測模型（CT three-dimensional prediction model，MOD CT-3D）和PET/CT聯合CT-3D的預測模型（MOD combination）3種預測模型，再通過ROC驗證模型的診斷效能。結果全組患者良性病變46例，惡性腫瘤79例。共提取2個PET/CT參數和5個CT-3D參數，其中PET/CT參數中SUVmax≥1.5（AUC=0.688）和肺門/縱隔淋巴結代謝異常攝取（AUC=0.671）被納入回歸模型，CT-3D參數中CT直方圖峰（AUC=0.694）和三維形態（AUC=0.652）被納入回歸模型。最后驗證MOD PET的AUC為0.738［95%CI（0.651，0.824）］，敏感性為74.7%，特異性為60.9%；MOD CT-3D的AUC為0.762［95%CI（0.677，0.848）］，敏感性為51.9%，特異性為87.0%；MOD combination的AUC為0.857［95%CI（0.789，0.925）］，敏感性77.2%，特異性82.6%，差異有統計學意義（P<0.05）。結論18F-FDG PET/CT聯合CT-3D可提高肺結節的診斷效能，其特異性和敏感性均優于單種影像學診斷方法，對肺結節手術時機和手術方式的選擇具有重要的意義，為肺結節診斷人工智能化提供理論依據。