孤立性肺结节是指肺内单发、直径≤3 cm的圆形或类圆形病灶，周围完全由充气的肺组织包绕，不伴有肺不张、肺炎、淋巴结肿大及胸腔积液［1］。研究报道不同性质分类的结节预后不一样，良性及恶性非浸润结节治愈率可达到或接近100%，而浸润性结节为40%～85%［2］，目前临床上对良性结节不进行手术处理，恶性非浸润结节进行楔形或肺段切除，而浸润性结节以肺叶切除为主［3］。因此，术前鉴别良性、恶性非浸润与浸润性结节对手术方式的选择以及患者预后的评估有重要的指导作用。因此，通过不同成像方法提高肺结节测量准确度成为关注热点［4］。影像组学是一个新兴的技术，它可以挖掘蕴含于图像中医生肉眼难以观察的特征，并可以定量评估肿瘤异质性［5］。目前，关于CT影像组学鉴别肺结节病理分类的研究较少，而且目前尚无三分类的人工智能（artificial intelligence，AI）诊断模型，因此本研究的目的是通过建立3种分层递进模型并验证基于CT影像组学鉴别肺结节分类的效能。

1 对象和方法

1.1 对象

回顾性纳入2017年7月—2019年8月淮安市第一人民医院经手术病理证实的孤立性肺结节189例，男86例，女103例；年龄（54.）岁。良性结节71例，包括慢性炎症50例，不典型上皮增生9例，错构瘤7例、硬化肺泡细胞瘤3例、血管瘤1例及血管淋巴瘤1例；恶性非浸润结节51例，包括不典型腺瘤样增生14例、原位腺癌15例、微浸润腺癌22例；浸润性结节67例，包括腺癌57例、鳞癌8例以及肉瘤2例。纳入标准：①薄层CT表现为孤立的肺结节，包括实性结节、部分实性结节及纯磨玻璃结节［6］；②经手术病理证实；③有完整的1 mm薄层DICOM格式数据及标准算法重建图像。排除标准：①伴有肺不张、肺炎、淋巴结肿大及胸腔积液；②CT检查前接受活检、放疗或化疗等操作或治疗。本研究经医院伦理委员会批准，患者均签署知情同意书。

1.2 方法

1.2.1 CT检查

所有入组患者接受Siemens Somatom Definition双源64排128层螺旋CT机胸部CT扫描，采用CARE Dose4D扫描条件：管电压80～140 kV，管电流60～100 mA，层厚为5 mm，层间距5 mm。所有受检者仰卧于检查床上，指导呼吸配合检查，扫描范围包括整个肺野，病灶的原始采集资料按1 mm标准算法重建。

1.2.2 感兴趣区（ROI）分割及高通量特征提取

利用Dr.Wise多模态科研平台（https：//）对肺结节进行半自动逐层分割并获得高通量影像组学特征。随机选取50例肺结节分别由具有5年和10年胸部影像诊断经验的医师进行分割。其中5年经验的医师一共分割2次，间隔2周；10年经验的医师分割1次。采用相关系数（ICC）检验观察者组内和组间ROI的一致性（ICC＞0.75表明一致性比较好）。针对每一个病例的ROI进行高通量特征提取，本研究提取的影像组学特征变量包括一阶特性、形状特征、纹理特征、亮度特征、灰阶运行长度矩阵、灰阶判断矩阵、相邻的灰度级。

1.2.3 模型的建立与评估

利用特征变量筛选后的子集数据进行机器学习建立诊断模型。利用由5年经验的医师分割的189例数据组成的特征变量数据集，并将数据集按照8∶2的比例随机分为训练集与测试集，训练集的数据用于特征筛选及构建诊断模型，测试集的数据用于内部验证模型的效果。本研究的特征筛选方法是F-test、L1正则等。特征分类算法中，分别采用机器学习算法中的逻辑回归、支持向量机（support vector machine，SVM）等方法建立模型，区分肺结节属于良性、恶性非浸润、浸润性中的哪一类，并对不同算法的建模结果进行分析比较。利用受试者工作特征（receiver operating characteristic，ROC）曲线的曲线下面积（area under curve，AUC）、灵敏度、特异度及准确率等指标评价分类诊断模型的效度和可靠性。可重复性和稳定性好的特征用来建立组学标签。利用选择特征的线性融合计算影像组学标签得分。校正曲线用于评价模型的预测效果。决策曲线用于评价预测模型的潜在临床净收益。

1.3 统计学方法

采用SPSS 20.0进行统计分析，3组间患者年龄采用单因素方差分析，两两比较采用LSD法，性别分布差异比较采用χ2检验。一致性检验、特征提取、模型建立和统计学比较等运算，以及图表的绘制都是基于Anaconda3平台（https：//www.ana ）的 Pyhton（https：///）Scikit -learn（https：///）和Matplotlib库（https：///）进行的。P＜0.05为差异有统计学意义。

2 结果

上一篇：肺结核合并机化性肺炎一例
下一篇：没有了