论文部分内容阅读
第一部分能谱CT多参数分析预测磨玻璃结节肺腺癌浸润性的诊断效能目的:探讨能谱CT多参数分析评估磨玻璃结节(ground-glass nodule,GGN)样肺腺癌浸润性的可行性。方法:收集2018年5月至2021年3月在本院行胸部能谱CT平扫及增强扫描且术后病理证实为肺腺癌的GGN患者资料。最终入组98例病例,以术后病理为标准分为以下两组:前驱腺体病变/微浸润腺癌(minimally invasive adenocarcinoma,MIA)组69例,其中包括不典型腺瘤样增生(atypical adenomatous hyperplasia,AAH)7 例、原位腺癌(adenocarcinoma in situ,AIS)30 例,MIA 32 例;浸润性腺癌(invasive adenocarcinoma,IAC)组29例。收集比较两组患者的临床资料。在CT图像中观察并记录GGN的位置、类型,并测量其平均直径及平均CT值。测量并分析如下能谱CT定量参数:平扫水浓度,动脉期、静脉期碘相关参数(碘浓度、标准化碘浓度)及水浓度,计算三期能谱曲线斜率K40-70keV。两组计量资料及分类资料的组间差异分别采用独立样本t检验、卡方检验进行比较。通过单因素及多因素Logistics回归分析确定GGN样肺腺癌浸润性潜在的预测因素,利用二元Logistic回归分析构建能谱CT模型。P<0.05为差异具有统计学意义。绘制受试者工作特征(receiver operating characteristic,ROC)曲线定量评估各参数指标及联合模型的诊断效能。结果:前驱腺体病变/MIA组与IAC组两组间临床资料中,年龄(P=0.047)差异有显著统计学意义。两组间的平均直径、三期平均CT值、GGN类型等CT特征差异具有显著统计学意义(P值均<0.05)。两组间的能谱CT定量参数中,平扫水浓度(P<0.001)、平扫K40-70keV(P<0.001)、动脉期水浓度(P=0.002)、动脉期K40-70keV(P=0.002)及静脉期水浓度(P=0.001)、静脉期K40-70keV(P=0.005)差异均具有显著统计学意义。多因素Logistic回归分析结果表明,GGN类型(P=0.014)、平均直径(P=0.049)及平扫K40-70keV(P=0.033)是预测GGN样肺腺癌浸润状态的独立危险因素,联合三种指标构建的能谱CT预测模型的AUC值为0.848。绘制ROC曲线通过约登指数确定平均直径及平扫K40-70keV的最佳截断值分别为13mm、2.5。结论:能谱CT定量参数有助于鉴别GGN样肺腺癌是否出现浸润,联合平均直径、GGN类型及平扫K40-70keV构建的能谱CT预测模型可提高对IAC的鉴别诊断效能,当CT表现为mGGN,且平均直径≥13mm、平扫K40-70keV<2.5时,则应高度怀疑为IAC。第二部分 基于能谱CT的影像组学模型预测磨玻璃结节肺腺癌浸润性的诊断效能目的:比较基于能谱CT单能量图像的平扫及增强的影像组学预测模型在鉴别GGN样肺腺癌浸润性的诊断效能。方法:入组的病例及分组同第一部分。使用ITK-SNAP软件对平扫、动脉期及静脉期的图像手动逐层分割病灶轮廓,并保存感兴趣区容积(volume ofinterest,VOI)。使用Pyradiomics工具包从VOI中提取影像组学特征,应用组内相关系数(intraclass correlation coeffificients,ICC)来评估影像组学特征的可重复性。采用最小绝对收缩和选择算法(the least absolute shrinkage and selection operator,LASSO)降维处理初步提取的所有组学特征,进一步筛选出与GGN样肺腺癌浸润性最密切相关的影像组学特征。采用Logistic回归构建三个不同期相的影像组学模型:平扫(radiomics precontrast-phase,RP)模型、动脉期(radiomics arterial-phase,RA)模型和静脉期(radiomics venous-phase,RV)模型。采用五折交叉验证的方法验证模型的准确性。通过绘制受试者工作特征(receiver operating characteristic,ROC)曲线评价三种影像组学预测模型的诊断性能。采用决策曲线分析(decision curve analysis,DCA)评估模型的临床效用。结果:本研究初步提取出1380个影像组学特征,其中包括平扫483个、动脉期378个和静脉期519个,采用LASSO分析进一步筛选出3、3、4个不同期相最有价值的特征用于建立模型,其中用于构建RP和RA模型的组学特征均为纹理特征,用于构建RV模型的4个组学特征中包括3个纹理特征和1个一阶特征。ROC曲线分析表明,RP、RA、RV模型在训练组中的AUC值分别为0.965、0.943、0.942,在验证组中的AUC值分别为0.941、0.880、0.875。DCA结果显示,当阈值概率在10%~45%时,RP模型在预测GGN浸润性方面净收益优于其它两组单相模型。结论:基于平扫单能量图像的RP模型与基于动脉期单能量图像的RA及静脉期单能量图像的RV模型对GGN的浸润性均具有较好的区分能力。其中,RP模型在训练组及验证组中均具有最佳诊断效能,显示出术前无创评估GGN浸润性的应用潜能。