论文部分内容阅读
目的:通过分析经CAD量化的肺结节CT影像组学特征、临床资料、病理诊断信息,筛选出用于鉴别肺结节良恶性及肺腺癌浸润等级的CT影像组学标志物,构建基于CT影像组学特征的肺结节诊断模型,并验证其效率,目的在于探讨量化的影像组学特征模型能否预测肺结节性质及肺腺癌浸润等级,用于指导临床肺结节处理策略。方法:回顾性收集整理解放军总医院2016年1月至2018年12月期间455例经外科手术完整切除病灶并明确病理诊断的,且胸部CT表现为肺结节的患者的临床资料,影像资料和病理诊断资料。获取研究对象临床资料(包括病理诊断、术前常规CT诊断、年龄、性别、吸烟史、家族史、基础疾病史、特殊接触史),应用CAD“数字肺”诊断平台获取术前SPN影像及影像组学定量信息。首先比较常规CT诊断与CAD“数字肺”诊断平台对SPN的诊断准确率,并以不同腺癌浸润等级、SPN直径大小为分层,以评估CAD“数字肺”提供的量化影像特征信息及影像组学特征信息的准确性。其次,统计分析患者临床资料和SPN定量影像特征(包括病灶所在肺叶、是否多原发、最长直径、平均密度质)及SPN定量影像组学信息(包括表面积、体积、MASS、不规则度、磨玻璃占比、脂肪占比、肺气肿占比、钙化体积占比、COPD950、COPD910、肺气肿占比、胸膜占比、相关血管数量、血管密度、血管迂曲度)等31个因素与肺腺癌病理诊断相关性,单因素有序logistic回归分析后,将有统计学差异的因素纳入多因素有序logistic回归分析,统计出有统计学差异的因素与肺腺癌浸润分级(AAH、AIS、MIA、IA)相关性,绘制有统计学差异的因素的ROC曲线,评价其分级诊断的能力。根据多因素有序logistic回归分析筛选出的与肺腺癌浸润等级相关的因素的回归系数及OR值,结合文献学习,构建多因素有序logistic回归分析模型(即AAH、AIS、MIA、IA四等级分级诊断模型)。最后,将纳入对象按照恶性、非恶性分组,统计分析患者临床资料和SPN定量影像特征等31个因素与肺结节良恶性病理诊断的相关性,单因素有序logistic回归分析后,将具有统计学差异的因素纳入多因素logistic回归分析,统计出的具有统计学差异的因素为与肺结节良恶性有相关性。根据多因素logistic回归分析筛选出的与肺结节良恶性相关的因素的回归系数及OR值,结合文献学习,构建二分类多因素logistic回归模型,绘制该的ROC曲线,评价其对肺结节良恶性的诊断能力。结果:本研究纳入例研究对象455例,AAH组63例(13.8%),AIS组52例(11.4%),MIA 组 57 例(1 2.5%),IA 组 170 例(37.4%),对照组(BL)1 1 3 例(24.8%)。1.CAD“数字肺”和常规CT对肺结节的诊断准确率有统计学差异,CAD“数字肺”高于常规CT。CAD“数字肺”诊断的准确率为81.0%,错误率3.5%,其中诊断不足0.6%,过度诊断2.9%,不确定15.5%,常规CT诊断的准确率有63.7%,诊断错误12.0%,其中诊断不足2.6%,过度诊断9.4%,不确定24.3%。按病理(AAH、AIS、MIA、IA)分层比较中,SPN手术前”数字肺”诊断的准确率高于CT诊断,“数字肺”诊断准确率分别为44.4%、63.5%、86.0%、98.2%,常规CT诊断的准确率为14.3%、30.8%、61.4%、92.9%,两种诊断方法的准确率无差异(P>0.05)。按照SPN直径大小分层(d≤10mm,10mm<d≤20mm,d>20mm 比较中,常规CT的诊断准确率分别为39.3%、64.4%、87.5%,“数字肺”的诊断准确率分别为65.2%、79.7%、98.2%,数字肺诊断准确率显著高于常规CT,且有统计学差异。2.本研究对31个因素与肺腺癌浸润等级的病理诊断进行了相关性统计分析,在多元有序logistic回归分析中12个因素与肺腺癌的病理等级有相关性(P<0.05),其中SPN的体积、表面积、SA/V、Irregularty、平均直径、最大直径、平均密度、COPD910、脂肪占比、相关血管支数、胸膜占比、分形维数是肺腺癌浸润等级升高的风险因素,SPN周围肺气肿占比为肺腺癌浸润等级升高的保护性因素。绘制ROC曲线,发现将SPN表面积为8.05cm2作为诊断IA的临界值时,其AUC为86.4%,灵敏度82.4%,特异度81.1%,将SPN的SA/V为8.92作为诊断IA的临界值时,其AUC为73.5%,灵敏度68.2%,特异度68.1%,将MASS为439.02g作为诊断IA的临界值时,其AUC为80.1%,灵敏度80.6%,特异度69.1%,将相关血管支数为7支作为诊断IA的临界值时,其AUC为79.2%,灵敏度71.2%,特异度78.2%,将脂肪占比为1.14%作为诊断MIA的临界值时,其AUC为80.5%,灵敏度81.1%,特异度75.0%,将脂肪占比为3.17%作为诊断IA的临界值时,其AUC为84.9%,灵敏度78.8%,特异度84.6%,将分形维数为0.731作为诊断MIA的临界值时,其AUC为85.4%,灵敏度74.9.1%,特异度86.4%,将分形维数为0.860作为诊断IA的临界值时,其AUC为91.1%,灵敏度81.2%,特异度89.5%。在有序logistic回归分析的基础上结合文献学习,纳入恶性肿瘤家族史、病灶是否为多原发、Volume、Area、SA/V、平均直径、COPD910、Emphysema%、Irregularity、脂肪占比、相关血管密度、Pleural ratio共12个可量化因素构建了肺腺癌浸润等级诊断模型。3、在肺结节良性的诊断统计分析中,19个因素:性别、年龄、恶性肿瘤家族史、既往病史、是否多原发、体积、表面积、平均直径、最长直径、MASS、不规则度、COPD950、COPD910、肺气肿占比、Irregularity、相关血管支数、相关血管平均密度、脂肪占比、分形维数在组间均有统计学差异(P<0.05),即与SPN的良恶性病理诊相关。连续变量因素中仅肺气肿占比是SPN为恶性病变的保护因素,其余均为风险因素。进一步的多因素回归分析中,6个因素与SPN的良恶性相关,MASS、平均直径、COPD910P、脂肪占比、相关血管平均密度是SPN为恶性的风险因素,Emphysema%为保护性因素。构建了纳入MASS、平均直径、COPD910P、脂肪占比、相关血管平均密度、Emphysema%这6个因素的SPN良恶性诊断模型,绘制ROC 曲线证实其 AUC 为 87.6%(95%CI:0.8445-0.9076),应用 Hosmer-Lemeshow test评价其校准度,统计量卡方值χ2=7.131414,P=0.522523>0.05,模型的预测值与实际观测值间无统计学差异。结论:1.CAD“数字肺”对SPN诊断的准确率高于常规CT检查,CAD和常规CT诊断的诊断错误中,过度诊断多于诊断不足;CAD“数字肺”可提供量化的SPN影像组学信息;2.影像/影像组学参数:SPN不规则度、MASS、SPN相关血管支数、SPN脂肪占比、分形维数、表面积可作为肺腺癌浸润程度分级诊断(AAH、AIS、MIA、IA)的影像标志物;3.纳入恶性肿瘤家族史、病灶是否为多原发、Volume、Area、SA/V、平均直径、COPD910、Emphysema%、Irregularity、脂肪占比、相关血管密度、Pleural ratio共12个可量化因素的模型,可用于肺腺癌浸润等级(AAH、AIS、MIA、IA)的分级诊断;4.MASS、平均维数、COPD910P、脂肪占比、相关血管平均密度、Emphysema%是诊断SPN良恶性的影像/影像组学标志物;5.纳入MASS、平均维数、COPD910P、脂肪占比、相关血管平均密度、Emphysema%这6个因素的SPN良恶性诊断模型诊断能力和校准度均较好。