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。