论文部分内容阅读
[目的]利用人工智能（artificial intelligence,AI）软件探讨肺纯磨玻璃结节（pure ground-glass nodule,pGGN）随访中初始CT定量参数预测其未来生长趋势的价值,旨在帮助临床尽早区分惰性和生长可能性大的pGGN,进而为个体化的随访方案制定和手术时机选择提供理论依据。[方法]回顾性收集2015年01月至2020年12月在我院行胸部高分辨CT（High resolution CT,HRCT）检查的孤立性pGGN 105例,所有pGGN在初次CT检查时均表现为孤立性pGGN、直径介于5-20mm且不具有典型恶性形态学征象,后续需随访2年以上或随访时间虽<2年但pGGN显示生长。记录患者的一般资料,包括性别、年龄、CT扫描次数、随访时间、pGGN病理结果（此项仅针对行穿刺或手术者）等。利用AI软件对入组患者的初次和末次随访CT平扫肺窗图像进行pGGN的自动准确分割和量化,随后获得pGGN初次CT的14个定量参数值,包括:pGGN的初始容积特征（三维直径、体积、表面积、质量）、直方图特征（最大CT值、最小CT值、平均CT值、CT值方差、CT值峰度、CT值偏度、熵、能量）和形态特征（球形度、紧凑度）;同时,对于随访中生长的pGGN,记录相应的体积倍增时间（volume doubling time,VDT）和质量倍增时间（mass doubling time,MDT）。所有CT图像均由两位高年资的放射科医师复阅,以观察AI自动分割效果及pGGN内部实性成分出现情况。根据pGGN的生长情况,将其分为生长组和非生长组,生长定义为随访中pGGN体积增加≥20%或其内出现实性成分,其余归为非生长组,非生长组需随访2年以上以排除因随访时间不足导致无变化的可能。用二元Logistic回归分析和Cox回归分析确定pGGN生长的独立预测因子,用受试者工作特征曲线（Receiver operating characteristic curve,ROC）评估预测效能并确定截断值,随后根据截断值进行分组,用Kaplan-Meier生存曲线（累积风险曲线）和Log-rank检验比较各亚组pGGN的累积生长比率。[结果]1.一般资料比较:共纳入105例患者（105个pGGN）,男性40例（38.1%）,女性65例（61.9%）,初始平均年龄为53.2±10.5岁（范围31-78岁）,平均随访时间为47.2±11.1个月（范围19-72个月）,中位CT扫描次数为5次（范围2-11次）。随访期间,37个pGGN显示生长（生长组）,68个pGGN未见生长迹象（非生长组）,pGGN的生长比率为35.2%（37/105）。生长组的中位VDT为1901.8天,中位MDT为1263.5天。生长组中有18例（48.6%,18/37）行手术切除,病理均为原发性肺腺癌,并以IAC最常见（66.7%,12/18）。非生长组中有19例（27.9%,19/68）行手术切除,病理大多为AAH和AIS（73.6%,14/19）。除生长组更有可能行手术切除外（P=0.034）,两组间患者性别、年龄、CT扫描次数和随访时间差异均无统计学意义（P均<0.05）。2.pGGN初始CT定量参数的单因素分析:两组间pGGN的初始容积特征（三维直径、体积、表面积和质量）差异均有统计学意义,生长组pGGN的初始三维直径、体积、表面积和质量均显著大于非生长组（P均<0.001）。然而,两组间除平均CT值（P<0.001）和CT值方差（P<0.001）差异具有统计学意义外,其他直方图特征（最大CT值、最小CT值、峰度、偏度、熵、能量）和形状特征（球形度、紧凑度）差异均无统计学意义（P均>0.05）。3.pGGN初始CT定量参数的多因素分析:二元Logistic回归分析及Cox回归分析都显示初始三维直径、体积、质量和平均CT值是pGGN生长的独立预测因子（P均<0.05）。4.ROC曲线分析:初始三维直径、体积、质量和平均CT值预测pGGN生长的 AUC 值分别为 0.863、0.814、0.874、0.797,截断值分别为 10.5mm、299.5mm3、105.3mg、-681.6HU,敏感度分别为 81.1%、82.5%、83.8%、81.1%,特异度分别为88.2%、73.5%、80.9%、79.4%。四个指标联合使用时可提高预测效能,AUC值为0.927,敏感度为86.5%,特异度为92.6%。5.Kaplan-Meier生存曲线（累积风险曲线）:pGGN在24个月、36个月、60个月时的累积生长比率分别为4.8%、11.4%、33.3%;在按初始三维直径（≥10.5mm、<10.5mm）、体积（≥299.5mm3、<299.5mm3）、质量（≥105.3mg、<105.3mg）、平均CT值（≥-681.6HU、<-681.6HU）进行分类的亚组中,各亚组中pGGN的累积生长比率差异均有统计学意义（P均<0.05）。[结论]1.相比于传统手动或半自动测量,AI能够快速自动提供大量pGGN的三维容积、直方图及形状特征等定量数据,可作为一种评估pGGN生长的有用工具。2.pGGN生长缓慢,中位VDT为1901.8天,中位MDT为1263.5天,约有35.2%的pGGN在一个相对较长的随访期内（47.2±11.1月）出现生长,pGGN在24个月、36个月、60个月时的累积生长比率分别为4.8%、11.4%、33.3%,故有必要对pGGN进行5年随访。3.基于AI的初始CT定量参数有助于预测pGGN的未来生长趋势,初始三维直径、体积、质量和平均CT值是pGGN生长的独立预测因子,具有较大初始三维直径（≥10.5mm）、体积（≥299.5mm3）、质量（≥105.3mg）或较高平均CT值（≥-681.6HU）的pGGN更容易生长,应对其加强监测,以早期发现疾病进展并及时给予治疗。