- 研究文章gydF4y2Ba
- 开放获取gydF4y2Ba
- 发表:gydF4y2Ba
根据2021年WHO分类，基于ct的nomogram预测亚实性结节患者腺癌的风险gydF4y2Ba
癌症成像gydF4y2Ba体积gydF4y2Ba22gydF4y2Ba，文章号:gydF4y2Ba46gydF4y2Ba（gydF4y2Ba2022gydF4y2Ba）gydF4y2Ba
摘要gydF4y2Ba
目的gydF4y2Ba
根据世卫组织2021年分类，建立预测亚实性结节(SSNs)患者腺癌风险的nomogram。gydF4y2Ba
方法gydF4y2Ba
共有656例患者接受了SSNs切除术。其中407例患者被分配到推导队列，249例患者被分配到验证队列。使用单因素和多因素逻辑回归算法来识别腺癌的独立危险因素。以危险因素为基础的nomogram图被用来预测腺癌的风险。采用一致性指数(C-index)评价nomogram鉴别能力，采用校准曲线对其性能进行校准，采用决策曲线和临床影响曲线对其临床意义进行评估。gydF4y2Ba
结果gydF4y2Ba
病变大小、平均CT值、血管改变和分叶被认为是腺癌的独立危险因素。推导队列的nomogram c指数为0.867 (95% CI, 0.833-0.901)，验证队列的c指数为0.877 (95% CI, 0.836-0.917)。校准曲线显示预测风险与实际风险之间有良好的一致性。对决策曲线和临床影响曲线的分析显示，nomogram具有较高的标准化净效益。gydF4y2Ba
结论gydF4y2Ba
根据2021年WHO分类，建立了预测SSNs患者腺癌风险的nomogram。该模型可作为术前工具，提高患者的手术管理水平。gydF4y2Ba
要点gydF4y2Ba
利用内部和外部验证队列验证了模型的性能和稳定性gydF4y2Ba
术前CT表现可指导手术干预或保守筛查gydF4y2Ba
开发了一种具有简单直观CT特征的nomogram CT图，以供临床使用。gydF4y2Ba
简介gydF4y2Ba
肺癌是全球癌症死亡的主要原因之一[gydF4y2Ba1gydF4y2Ba］．在大多数情况下，肺腺癌(LUAD)是肺癌最常见的组织学亚型，约占50%，其次是鳞状细胞癌、小细胞癌和大细胞癌[gydF4y2Ba2gydF4y2Ba］．目前，早期手术干预是治疗早期LUAD最有效的方法[gydF4y2Ba3.gydF4y2Ba］．然而，癌症过度诊断和过度治疗已被证明会增加对医疗资源的需求。因此，确定避免这些挑战的策略可能会导致更好的患者临床管理。利用下一代测序(NGS)技术，科学家们报道了LUAD的进展涉及许多步骤。例如，侵袭性腺癌(IAC)由非典型腺瘤性增生(AAH)依次发展为原位腺癌(AIS)，进而形成微创性腺癌(MIA) [gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba］．在修订后的2021年胸部肿瘤分类中，WHO将AAH和AIS列为前体腺病变，将MIA和IAC列为腺癌[gydF4y2Ba6gydF4y2Ba］．近十年来，大规模、系统的研究表明，AIS和MIA术后长期疾病特异性生存率可达100% [gydF4y2Ba5gydF4y2Ba，gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba］．MIA患者良好的长期生存表明手术干预可能对AAH或AIS患者没有好处。因此，AAH或AIS主要采用保守治疗，很少需要手术干预。gydF4y2Ba
nomogram nomogram nomogram nomogram nomogram nomogram nomogram nomogram nomogram nomogram nomogramgydF4y2Ba9gydF4y2Ba］．有研究表明nomogram模型可以改善疾病诊断[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba］．迄今为止，很少有报道根据2021年WHO分类预测亚实性结节(SSN)患者腺癌风险的nomogram。在本研究中，我们使用术前计算机断层扫描(CT)特征，根据2021年WHO分类预测SSN患者发生腺癌的概率。开发的nomogram有望帮助临床医生对患者的手术管理做出更好的决定。gydF4y2Ba
材料与方法gydF4y2Ba
病人gydF4y2Ba
回顾性分析了2019年4月至2020年12月期间在我们机构接受手术的1054例ssn患者。所有病例均根据严格的纳入和排除标准进行登记。纳入标准如下:(1)CT扫描显示有神经神经缺损的患者;(2)最大直径≤30 mm;(3)手术完全切除。排除标准为:(1)无详细病理;(2)其他恶性肿瘤病史;(3)既没有腺前病变，也没有腺癌;(4)抗肿瘤治疗或活检;(5) CT扫描与手术间隔1个月以上; (6) missed complete thin-slice images (1 mm); (7) poor CT image quality. Finally, 656 cases were enrolled in this study. A flowchart showing participant recruitment is shown in Fig.1gydF4y2Ba．所有参与者的临床特征CT图像均从图像与通信系统(PACS)和医院的电子病历(EMR)系统中提取。本研究所伦理委员会批准了该研究(批准号:;K2020-009)，并放弃知情同意的要求。gydF4y2Ba
显示病人选择过程的流程图gydF4y2Ba
CT扫描协议gydF4y2Ba
胸部CT图像采用64层螺旋CT系统(SOMATOM Definition AS+;西门子医疗，德国)采用肺窗中心为-500 Hounsfield单位(HU)，窗宽为1500 HU，纵隔窗中心为50 HU，窗宽为350 HU。在测试之前，参与者接受了如何深呼吸和屏住呼吸的训练。每位参与者在头朝前仰卧位，手臂抬起时进行扫描。在吸气结束时进行CT扫描，CT扫描范围从肺尖到膈肌。扫描参数如下:电子管电压120 kVp，电子管电流自动调制，节距1.2，矩阵512×512，切片厚度7 mm，用高分辨率重建算法重建的切片厚度为1mm。gydF4y2Ba
成像分析gydF4y2Ba
CT图像由放射科医生A、B和C(分别有4年、9年和20年的胸部CT成像经验)检查，使用装有肿瘤定量分析软件包(Siemens Healthineers)的市售先进工作站(VE40A, Siemens Healthineers)。除患者的年龄和性别外，所有放射科医生对所有临床数据和病理结果一无所知。软件包有一个半自动病变分割工具。将1mm原始CT成像数据(DICOM格式)加载到软件包中。在轴向图像上，通过逐片追踪结节的分割边界手动分割ssn，排除大血管和支气管为主的区域。结节分割由放射科医生A使用半自动工具进行。由放射科医生B检查分割边界，若两名放射科医生之间的ssn分割边界存在差异，由放射科医生c解决。分割工具生成病变的长轴、短轴、平均CT值和体积。病变大小以长轴和短轴直径的平均值计算。结节质量计算公式为:质量(g) = (CT平均值+ 1000)×体积(cmgydF4y2Ba3.gydF4y2Ba) / 1000 (gydF4y2Ba12gydF4y2Ba］．放射科医生A和B通过多平面重建(MPR)、最大强度投影(MIP)、体积撕裂技术(VRT)和最小强度投影(MinIP)检查SSNs的形态特征。SSNs的形态学特征包括:(1)血管改变为血管异常变宽或变形[gydF4y2Ba13gydF4y2Ba，并被归类为出席或缺席;(2)细支气管改变为支气管扩张或管腔弯曲[gydF4y2Ba14gydF4y2Ba，并被归类为出席或缺席;(3)分叶定义为病变轮廓不单纯为圆形或椭圆形，分为存在或不存在;(4)气泡定义为最大直径< 5mm的气体密度[gydF4y2Ba15gydF4y2Ba，被归类为“出席”或“缺席”;(5)胸膜附着定义为胸膜被线性结构拉至病灶处，分为存在或不存在;(6)针状突起定义为病变外延伸的线状束[gydF4y2Ba16gydF4y2Ba，并被归类为出席或缺席;(7)病变-肺界面，病变与正常肺组织之间的边界，分为清晰和模糊。放射科医生A和B在SSNs形态学特征上的任何差异都由放射科医生C解决。gydF4y2Ba
观察员间和观察员内部协议gydF4y2Ba
用类内相关系数(ICC)作为定量参数，用Kappa系数作为分类变量，对放射科医生A、B和C之间的协议进行评估。随机选取30个(5%)ssr进行分割和形态特征评价。首先，放射科医生A、B、C分别独立进行分割和形态学特征评价。2周后，由3名放射科医生第二次对SSNs进行分割和形态学特征评估。gydF4y2Ba
病理诊断gydF4y2Ba
所有入组病理标本均由两位资深病理医师独立复核，最终病理结果经共识得出。根据2015年WHO肺腺癌分类，病理诊断分为AAH、AIS、MIA、IAC [gydF4y2Ba4gydF4y2Ba］．值得注意的是，根据2021年WHO分类，AAH和AIS被归类为腺前病变，MIA和IAC被归类为腺癌[gydF4y2Ba6gydF4y2Ba］．gydF4y2Ba
统计分析gydF4y2Ba
spss26.0 (IBM)和r3.5.1 (gydF4y2Bahttp://www.r-project.orggydF4y2Ba)用于统计分析。采用Shapiro-Wilk检验检验定量参数的正态性。满足正态分布的定量参数以形式形式形式表示，不满足正态分布的定量参数以中位数(P25, P75)表示。学生t检验或Mann-Whitney U检验用于比较连续数据之间的差异。分类变量比较采用卡方检验。使用逻辑回归对推导队列进行单因素和多因素分析，以确定腺癌的独立危险因素。然后使用独立危险因素构建nomogram。首先使用1000个自举样本对nomogram鉴别能力进行内部验证，以获得推导队列中的Harrell一致性指数(C-index)。然后在验证队列上测试nomogram以进行外部验证。双面的gydF4y2BaPgydF4y2Ba<0.05为有统计学意义。gydF4y2Ba
结果gydF4y2Ba
研究队列的人口统计学gydF4y2Ba
共纳入656名受试者(681名ssn)，其中男性241名，女性415名，平均年龄52.03±12.26岁。其中546人从不吸烟，110人正在或曾经吸烟。此外，2019年4月至2020年4月期间手术的407例患者(423例ssn)被分配到派生队列，2020年5月至2020年12月期间手术的249例患者(258例ssn)被分配到验证队列。SSNs的基线临床特征和CT特征见表gydF4y2Ba1gydF4y2Ba而且gydF4y2Ba2gydF4y2Ba,分别。在衍生队列中，110个ssn被诊断为腺前病变(AAH =7, AIS =103)， 313个ssn被诊断为腺癌(MIA =144, IAC =169)。腺前病变与腺癌亚组的病变大小有显著差异(gydF4y2BaPgydF4y2Ba<0.001)，平均CT值(gydF4y2BaPgydF4y2Ba<0.001)，体积(gydF4y2BaPgydF4y2Ba<0.001)，质量(gydF4y2BaPgydF4y2Ba<0.001)，血管改变(gydF4y2BaPgydF4y2Ba<0.001)，细支气管改变(gydF4y2BaPgydF4y2Ba<0.001)，分叶(gydF4y2BaPgydF4y2Ba<0.001)，胸膜附着(gydF4y2BaPgydF4y2Ba<0.001)，针状突起(gydF4y2BaPgydF4y2Ba=0.032)，病变-肺界面(gydF4y2BaPgydF4y2Ba<0.001)，气泡除外(gydF4y2BaPgydF4y2Ba= 0.081)。在验证队列中，72个ssn被诊断为腺前病变(AAH =4, AIS =68)， 186个ssn被诊断为腺癌(MIA =89, IAC =97)。腺前病变与腺癌亚组的病变大小有显著差异(gydF4y2BaPgydF4y2Ba<0.001)，平均CT值(gydF4y2BaPgydF4y2Ba<0.001)，体积(gydF4y2BaPgydF4y2Ba<0.001)，质量(gydF4y2BaPgydF4y2Ba<0.001)，血管改变(gydF4y2BaPgydF4y2Ba<0.001)，细支气管改变(gydF4y2BaPgydF4y2Ba=0.003)，分叶(gydF4y2BaPgydF4y2Ba<0.001)，胸膜附着(gydF4y2BaPgydF4y2Ba=0.006)，病变-肺界面(gydF4y2BaPgydF4y2Ba=0.003)，除气泡(gydF4y2BaPgydF4y2Ba=0.359)，针状(gydF4y2BaPgydF4y2Ba= 0.092)。CT表现及病理结果见表gydF4y2Ba3.gydF4y2Ba．2例病例的CT和病理图像如图所示。gydF4y2Ba2gydF4y2Ba．gydF4y2Ba
模拟gydF4y2Ba1例原位腺癌(AIS)表现为亚实性结节(SSN)。gydF4y2Ba一个gydF4y2BaCT多平面重建(MPR)和gydF4y2BabgydF4y2Ba体积撕裂技术(VRT)显示血管无变化，分叶(轴状和冠状)。gydF4y2BacgydF4y2Ba使用半自动分割工具计算长轴、短轴和平均CT值。gydF4y2BadgydF4y2Ba病理:肿瘤细胞附着于肺泡壁;基底膜完好无损。(HE染色×100)。gydF4y2Ba超高频gydF4y2Ba1例浸润性腺癌的CT和病理表现为SSN。gydF4y2BaegydF4y2BaCT MPR和gydF4y2BafgydF4y2Ba最大强度投影(MIP)显示血管改变和分叶(轴向和矢状)。gydF4y2BaggydF4y2Ba使用半自动分割工具计算长轴、短轴和平均CT值。gydF4y2BahgydF4y2Ba病理:肿瘤细胞损伤肺泡细胞，大量肿瘤细胞浸润间质。(HE染色×100)gydF4y2Ba
观察员间和观察员内部协议gydF4y2Ba
三名放射科医生之间的观察者内部和观察者内部一致接近完美，定量参数的ICC值和分类变量的kappa系数均大于0.75(补充表gydF4y2Ba1gydF4y2Ba而且gydF4y2Ba2gydF4y2Ba)．gydF4y2Ba
筛选独立危险因素gydF4y2Ba
衍生队列单因素分析显示病变大小(OR =1.373;95% ci, 1.061-1.777，gydF4y2BaPgydF4y2Ba=0.016)，平均CT值(OR =1.005;95% ci, 1.001-1.010，gydF4y2BaPgydF4y2Ba=0.024)，血管改变(OR =5.125;95%置信区间,1.437 - -18.281,gydF4y2BaPgydF4y2Ba=0.012)，分叶(OR =6.196;95%置信区间,2.007 - -19.127,gydF4y2BaPgydF4y2Ba=0.002)，针状(OR =2.436;95%置信区间,1.055 - -5.625,gydF4y2BaPgydF4y2Ba=0.037)与腺癌相关。然而，体积、肿块、细支气管改变、气泡、胸膜附着和病变-肺界面与腺癌无关(gydF4y2BaPgydF4y2Ba> 0.05)。逐步多因素分析显示病变大小(OR =1.335;95% ci, 1.178-1.512，gydF4y2BaPgydF4y2Ba<0.001)，平均CT值(OR =1.005;95% ci, 1.002-1.008，gydF4y2BaPgydF4y2Ba=0.002)，血管改变(OR =5.771;95% ci, 1.659-20.074，gydF4y2BaPgydF4y2Ba=0.006)，分叶(OR =6.528;95% ci, 2.173-19.608，gydF4y2BaPgydF4y2Ba=0.001)是腺癌的独立危险因素gydF4y2Ba4gydF4y2Ba)．gydF4y2Ba
nomogram模型的构建gydF4y2Ba
根据单因素和多因素logistic回归分析结果，将病变大小、平均CT值、血管改变和分叶4个独立危险因素合并，得到个体化的nomogram(图2)。gydF4y2Ba3.gydF4y2Baa).断层图显示病变大小是鉴别的最重要因素，其次是CT平均值、分叶、血管改变。根据回归系数为nomogram中每个独立的危险因素分配一个点，并根据总分绘制一条直线。最后，利用总分的函数转换关系确定各值的概率(图2)。gydF4y2Ba3.gydF4y2Bab)。gydF4y2Ba
一个gydF4y2Ba预测亚实性结节(SSNs)患者发生腺癌的概率的nomogram。gydF4y2BabgydF4y2Ba一个SSN，病变大小12.5mm，平均CT值-627 HU，血管改变(-)，分叶(+)。SSN总分131分，腺癌发生概率0.945分gydF4y2Ba
nomogram的验证和校准gydF4y2Ba
在推导队列中，nomogram预测腺癌的c指数为0.867 (95% CI, 0.833-0.901)，超过了病变大小的c指数(c指数=0.779;95% CI, 0.733-0.825)，平均CT值(C-index =0.740;95% CI, 0.688-0.793)、血管改变(c指数=0.723;(C-index =0.734, 95% CI, 0.701-0.767)。gydF4y2Ba4gydF4y2Ba一、表gydF4y2Ba5gydF4y2Ba)．病变大小8.5mm, CT平均值-579.5 HU为腺癌的最佳阈值。gydF4y2Ba
腺癌衍生队列和验证队列中nomogram和独立危险因素的Roc曲线。gydF4y2Ba一个gydF4y2Ba推导队列。gydF4y2BabgydF4y2Ba验证组gydF4y2Ba
此外，c指数0.877 (95% CI, 0.836-0.917)表明nomogram在验证队列中具有良好的鉴别能力(图。gydF4y2Ba4gydF4y2Bab,表gydF4y2Ba5gydF4y2Ba)．使用校准曲线对nomogram性能进行评估，其中45度线表示最佳性能，显示在推导和验证队列中，预测结果与实际结果强烈一致(图2)。gydF4y2Ba5gydF4y2Baa, d). nomogram价值的决策曲线分析和临床影响曲线分析显示，nomogram具有良好的标准化净效益和预测性能(图。gydF4y2Ba5gydF4y2BaB c e f)。gydF4y2Ba
本文分析了nomogram在地震预报中的预测性能gydF4y2Ba得了gydF4y2Ba推导队列和gydF4y2Bad-fgydF4y2Ba验证队列。gydF4y2Ba一个gydF4y2Ba，gydF4y2BadgydF4y2Ba校准曲线,gydF4y2BabgydF4y2Ba，gydF4y2BaegydF4y2Ba决策曲线,gydF4y2BacgydF4y2Ba，gydF4y2BafgydF4y2Ba临床影响曲线gydF4y2Ba
讨论gydF4y2Ba
亚实性结节(SSNs)，包括纯磨玻璃性结节(GGNs)和部分实性结节(PSNs)，常见于许多恶性和良性疾病，如转移性病变、局灶性纤维化、曲霉菌病、韦格纳肉芽肿病或闭塞性细支气管炎组织肺炎，一些SSNs与肺腺癌(LUAD)或其前体有关[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba18gydF4y2Ba］．CT筛查的应用提高了LUAD的检出率[gydF4y2Ba19gydF4y2Ba］．然而，CT筛查的一个主要挑战是ssn的高患病率，而腺癌的发病率相对较低[gydF4y2Ba20.gydF4y2Ba]，因为表现为ssn的腺前病变往往是无痛的，生长缓慢，转移潜力低[gydF4y2Ba21gydF4y2Ba，gydF4y2Ba22gydF4y2Ba，gydF4y2Ba23gydF4y2Ba］．gydF4y2Ba
CT成像可以准确区分LUAD的不同发展阶段。Jin等人构建了一个nomogram模型来区分IAC与AAH/AIS/MIA [gydF4y2Ba24gydF4y2Ba］．该模型可用于确定手术入路的选择(IAC:标准肺叶切除术和淋巴结清扫范围;AAH/AIS/MIA:叶下切除术)。然而，系统研究表明，AIS患者可能受益于长期随访，2021年WHO将AAH和AIS列为前体腺病变，并将MIA和IAC归类为腺癌。在临床工作中，为减少患者焦虑，避免不必要的手术，减少医疗资源的浪费，当患者有多发结节时，告知患者是否需要手术干预，哪些病灶需要优先手术是很重要的。最近，深度学习方法的应用改进了肺结节的分类[gydF4y2Ba25gydF4y2Ba］．Jiang等人基于卷积神经网络(convolutional neural networks, CNN)模型对CT图像上的ssn进行分类[gydF4y2Ba26gydF4y2Ba]，模型具有较高的精度。尽管如此，临床医生很难根据简单直观的CT特征来确定是否需要手术干预。因此，有必要对病变进行客观、统一、规范的评估，以提高患者的诊断和治疗水平。在我们的研究中，我们检查了简单直观的CT特征，并生成了用于区分腺癌与表现为ssn的前腺病变的nomogram。在构建的nomogram中，病变大小是腺癌的最高危险因素，其次是平均CT值、分叶和血管改变。该图在推导和验证队列中显示出最佳的鉴别能力和良好的校正能力。根据决策和临床影响曲线分析，nomogram也显示出更大的净临床效益。gydF4y2Ba
病变大小已纳入Fleischner学会关于ssn管理的指南[gydF4y2Ba27gydF4y2Ba］．在本研究中，我们发现腺癌的最佳cutoff值为8.5 mm，略低于以往研究报道的值[gydF4y2Ba28gydF4y2Ba，gydF4y2Ba29gydF4y2Ba］．这种差异可能是由于在以前的研究中，与只纳入纯ggn相比，纳入了ssn。在临床上，亚厘米腺癌中psn占很大比例[gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba31gydF4y2Ba］．值得一提的是，尺寸标准并不统一，有几项研究使用了最大直径[gydF4y2Ba32gydF4y2Ba，gydF4y2Ba33gydF4y2Ba］．然而，国际早期肺癌行动计划(iELCAP)建议基于长轴和短轴直径的平均直径[gydF4y2Ba23gydF4y2Ba，gydF4y2Ba27gydF4y2Ba］．高CT值与病变异质性增加有关。随着病变的增长，ssn可表现为内密度增加，但没有明显的病变改变[gydF4y2Ba34gydF4y2Ba］．Ikeda等报道，平均CT值是鉴别AIS与腺癌的最佳值[gydF4y2Ba35gydF4y2Ba］．Zhao等报道CT平均值是区分浸润前与浸润性的独立危险因素[gydF4y2Ba30.gydF4y2Ba］．而Han等人的研究发现，平均CT衰减在IAC中意义不大[gydF4y2Ba12gydF4y2Ba］．这些差异可能是由于手工测量平均CT值不准确所致。在这里，我们使用半自动化工具来分析平均CT值，这可能会使潜在的测量偏差最小化。肿瘤生物学研究表明，新血管生成或血管重塑是肿瘤的主要启动事件[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba36gydF4y2Ba］．在LUAD进展过程中，癌细胞释放各种促血管生成因子，包括血管内皮生长因子(VEGF)，它通过促进新血管生成或血管重塑来补偿缺氧[gydF4y2Ba37gydF4y2Ba］．我们的研究结果支持这样的假设，即血管改变在腺癌中比前腺病变更常见[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba38gydF4y2Ba］．分叶是由于细胞在不同方向上不规则的生长速度和内部纤维组织的不同收缩力造成的。与过去的研究一致[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba33gydF4y2Ba]，我们发现腺前病变与腺癌的分叶有显著差异。gydF4y2Ba
随后，我们比较了构建的nomogram在区分腺癌与具有几个独立危险因素的前腺病变方面的表现。相对于单个独立危险因素，nomogram在推导和验证队列中均具有较高的c指数，表明其具有良好的鉴别能力。此外，当病灶大小或平均CT值单独应用于推导队列时，灵敏度和特异性分别为69.6%和72.7%或70.0%和71.8%，而nomogram灵敏度为68.1%，特异性为92.7%。基于这些结果，我们认为形态学特征，如血管改变和分叶，可以增加模型的特异性。综上所述，我们的研究结果强调了CT形态学在治疗ssn患者中的潜在价值。gydF4y2Ba
这项工作有一定的局限性。首先，只招募了接受手术的患者，而不排除那些接受保守治疗的患者。未能纳入所有SSNs患者可能引入了选择偏差。其次，这是一个单机构的回顾性研究，因此需要多中心的研究来独立验证我们的模型。此外，虽然定量CT特征是使用半自动分割工具处理的，可以更好地克服人工测量的偏差，但大血管和支气管可能会引入分割偏差。因此，本研究的分割可能无法达到最佳精度，分割算法有待进一步改进。gydF4y2Ba
结论gydF4y2Ba
基于CT特征，我们根据世卫组织推荐的2021年分类，开发并验证了用于预测SSNs患者腺癌风险的nomogram。该图在推导和验证队列中显示了良好的鉴别和校正效果。它有望成为一种有价值的术前工具，用于识别需要手术干预的SSN患者。gydF4y2Ba
数据和材料的可用性gydF4y2Ba
本研究中使用和/或分析的数据集可根据合理要求从通讯作者处获得。gydF4y2Ba
参考文献gydF4y2Ba
王志强，王志强，等。2020年全球癌症统计:全球185个国家36种癌症的发病率和死亡率的GLOBOCAN估计。中华癌症杂志。2021;71:209-49。gydF4y2Bahttps://doi.org/10.3322/caac.21660gydF4y2Ba．gydF4y2Ba
王志强，王志强，王志强，等。上皮STAT3信号通路在K-ras突变型肺癌发病机制中的性别特异性功能Nat Commun. 2018;9:4589。gydF4y2Bahttps://doi.org/10.1038/s41467-018-07042-ygydF4y2Ba(2018年11月2日发布)。gydF4y2Ba
服部A，平山S，松永T，等。临床IA期肺腺癌中基于磨玻璃影成分的独特临床病理特征和预后。中华实用外科杂志，2019;14(2):366 - 366。gydF4y2Bahttps://doi.org/10.1016/j.jtho.2018.09.026gydF4y2Ba．gydF4y2Ba
Travis WD, Brambilla E, Nicholson AG，等。2015年世界卫生组织肺肿瘤分类:自2004年分类以来遗传、临床和放射学进展的影响中华实用外科杂志，2015;10(3):344 - 344。gydF4y2Bahttps://doi.org/10.1097/JTO.0000000000000630gydF4y2Ba．gydF4y2Ba
崔维斯WD, Brambilla E, Noguchi M，等。国际肺癌研究协会/美国胸科学会/欧洲呼吸学会肺腺癌国际多学科分类。中华外科杂志，2011;6:244-85。gydF4y2Bahttps://doi.org/10.1097/JTO.0b013e318206a221gydF4y2Ba．gydF4y2Ba
曹淑娟，李志强，等。2021年世卫组织肺肿瘤分类:2015年以来进展的影响。中华外科杂志，2022;17:362-87。gydF4y2Bahttps://doi.org/10.1016/j.jtho.2021.11.003gydF4y2Ba．gydF4y2Ba
杨春春，李志刚，李志刚，等。切除的原位腺癌和微创肺腺癌患者的长期预后。中华外科杂志，2000,16(3):332 - 332。gydF4y2Bahttps://doi.org/10.1016/j.jtho.2021.04.007gydF4y2Ba．gydF4y2Ba
叶涛，邓林，向杰，等。磨玻璃样影特征肺腺癌病理肿瘤侵袭及预后的预测因素。Ann Thorac外科，2018;106:1682-90。gydF4y2Bahttps://doi.org/10.1016/j.athoracsur.2018.06.058gydF4y2Ba．gydF4y2Ba
Balachandran副总裁，Gonen M, Smith JJ, DeMatteo RP。肿瘤学中的nomogram:比我们看到的更多。《医学杂志》2015;16:e173-80。gydF4y2Bahttps://doi.org/10.1016/s1470 - 2045 (14) 71116 - 7gydF4y2Ba．gydF4y2Ba
胡军，王涛，张克辉，等。一种预测原发性肝癌胸腹肝外转移的新型nomogram模型的预处理风险管理。《翻译医学》2019;17:117。gydF4y2Bahttps://doi.org/10.1186/s12967-019-1861-zgydF4y2Ba(2019年4月8日出版)。gydF4y2Ba
袁海林，张旭，李勇，等。预测胃癌化疗患者血栓栓塞风险的Nomogram。Front Oncol. 2021;11:598116。gydF4y2Bahttps://doi.org/10.3389/fonc.2021.598116gydF4y2Ba(2021年5月26日出版)。gydF4y2Ba
韩玲，张鹏，王勇，等。CT定量参数预测肺纯磨玻璃结节(pGGNs)的侵袭性。临床放射。2018;73:504.e1-504.e7。gydF4y2Bahttps://doi.org/10.1016/j.crad.2017.12.021gydF4y2Ba．gydF4y2Ba
高峰，李明，葛霞，等。肺部磨玻璃结节与血管关系的多层螺旋CT研究。《Eur Radiol》，2013;23:3271-7。gydF4y2Bahttps://doi.org/10.1007/s00330-013-2954-3gydF4y2Ba．gydF4y2Ba
张艳，强吉文，沈艳，叶建东，张娟，朱林。多层CT空气支气管图预测肺小腺癌侵袭性。中国生物医学工程学报。2016;26(5):529 - 529。gydF4y2Bahttps://doi.org/10.1016/j.ejrad.2015.12.014gydF4y2Ba．gydF4y2Ba
卓勇，詹勇，张震，等。肺腺癌与孤立实性结节结核术前鉴别的临床和CT放射组学Nomogram。Front Oncol. 2021;11:701598。gydF4y2Bahttps://doi.org/10.3389/fonc.2021.701598gydF4y2Ba(2021年10月12日出版)。gydF4y2Ba
向伟，邢勇，姜松，等。癌症影像学。2014;14:33。gydF4y2Bahttps://doi.org/10.1186/s40644-014-0033-xgydF4y2Ba(2014年11月20日出版)。gydF4y2Ba
金欧美。磨玻璃结节的治疗:何时及如何操作?癌症(巴塞尔)。2022; 14:715。gydF4y2Bahttps://doi.org/10.3390/cancers14030715gydF4y2Ba(发布于2022年1月29日)。gydF4y2Ba
陈福辉，张明明，曾文伟，陈超，纪超。肺癌磨玻璃样结节的侵袭性及手术时机的临床评价。胸癌。2019;10:2133-41。gydF4y2Bahttps://doi.org/10.1111/1759-7714.13199gydF4y2Ba．gydF4y2Ba
西格尔，米勒·KD, Fuchs HE, Jemal A.癌症统计，2022。CA癌症杂志，2022;72:7-33。gydF4y2Bahttps://doi.org/10.3322/caac.21708gydF4y2Ba．gydF4y2Ba
何伟伟，范罗斯马伦，贺维曼，等。CT检测肺结节患者肺癌的概率:来自NELSON低剂量CT筛查试验数据的预先分析。《柳叶刀》，2014;15:1332-41。gydF4y2Bahttps://doi.org/10.1016/s1470 - 2045 (14) 70389 - 4gydF4y2Ba．gydF4y2Ba
王志刚，王志刚，王志刚，等。肺亚实性结节的自然史:一项前瞻性多中心研究。中华外科杂志，2016;11:1012-28。gydF4y2Bahttps://doi.org/10.1016/j.jtho.2016.04.006gydF4y2Ba．gydF4y2Ba
大林K，清水K，中泽S，等。组织学及磨玻璃影成分对原发性肺癌体积加倍时间的影响。中华外科杂志2018;10:5428-34。gydF4y2Bahttps://doi.org/10.21037/jtd.2018.08.118gydF4y2Ba．gydF4y2Ba
杨克维茨，叶荣，史密斯，等。肺癌的CT筛查:基线和年度复查的非实性结节。放射学。2015;277:555 - 64。gydF4y2Bahttps://doi.org/10.1148/radiol.2015142554gydF4y2Ba．gydF4y2Ba
金超，曹杰，蔡勇，等。单发周围亚实性结节患者发生侵袭性肺腺癌风险的nomogram预测。中华胸心外科杂志，2017;23 (3):462-469.e1。gydF4y2Bahttps://doi.org/10.1016/j.jtcvs.2016.10.019gydF4y2Ba．gydF4y2Ba
Mahmood SA, Ahmed HA。一种改进的基于cnn的肺结节自动分类架构。医学生物工程杂志。2022;60:1977-86。gydF4y2Bahttps://doi.org/10.1007/s11517-022-02578-0gydF4y2Ba．gydF4y2Ba
蒋波，张勇，张林，等。人可识别的肺亚实性结节CT图像特征与卷积神经网络诊断分类Eur Radiol. 2021; 31:7303-15。gydF4y2Bahttps://doi.org/10.1007/s00330-021-07901-1gydF4y2Ba．gydF4y2Ba
王志强，王志强，王志强，等。CT图像检测到的偶发肺结节的处理指南:来自Fleischner学会2017。放射学。2017;284:228-43。gydF4y2Bahttps://doi.org/10.1148/radiol.2017161659gydF4y2Ba．gydF4y2Ba
李明敏，朴敏敏，具建民，李海杰，魏建勇，姜春春。肺浸润性腺癌与毛玻璃样结节的CT鉴别。放射学。2013;268:265 - 73。gydF4y2Bahttps://doi.org/10.1148/radiol.13120949gydF4y2Ba．gydF4y2Ba
李志强，李志强，李志强，等。纯毛玻璃结节的组织学侵袭性与ct值的相关性。今日外科，2016;46:593-8。gydF4y2Bahttps://doi.org/10.1007/s00595-015-1208-1gydF4y2Ba．gydF4y2Ba
赵伟，徐勇，杨忠，等。用于识别亚厘米磨玻璃样结节的肺腺癌侵袭性的放射组学nomogram的开发和验证。欧元J Radiol 2019; 112:161-8。gydF4y2Bahttps://doi.org/10.1016/j.ejrad.2019.01.021gydF4y2Ba．gydF4y2Ba
Sakurai H, Nakagawa K, Watanabe S, Asamura H.切除亚厘米肺癌的临床病理特征。Ann Thorac外科杂志，2015;gydF4y2Bahttps://doi.org/10.1016/j.athoracsur.2015.01.034gydF4y2Ba．gydF4y2Ba
林海杰，安松，李凯凯，等。CT扫描时直径≥10mm的持续性纯磨玻璃样影肺结节:组织病理学比较及预后意义胸部。2013;144:1291-9。gydF4y2Bahttps://doi.org/10.1378/chest.12-2987gydF4y2Ba．gydF4y2Ba
金霞，赵帅，高洁，等。纯磨玻璃影的早期(T1N0M0)肺腺癌的CT特征及病理意义欧洲放射性。2015;25:2532-40。gydF4y2Bahttps://doi.org/10.1007/s00330-015-3637-zgydF4y2Ba．gydF4y2Ba
李强，范林，曹等，李春峰，顾玉峰，刘永生。肺部纯毛玻璃状结节的定量CT分析可预测其组织学侵袭性。《放射学报》，2017;39(4):344 - 344。gydF4y2Bahttps://doi.org/10.1016/j.ejrad.2017.01.024gydF4y2Ba．gydF4y2Ba
池田K, Awai K, Mori T, Kawanaka K, Yamashita Y, Nomori H.毛玻璃样结节的鉴别诊断:三维计算机定量CT数字分析。胸部。2007;132:984 - 90。gydF4y2Bahttps://doi.org/10.1378/chest.07-0793gydF4y2Ba．gydF4y2Ba
朱喆，朱志勇，王志强，等。通过同时消融CD276/ b7 - h3阳性肿瘤细胞和肿瘤血管来根除肿瘤。中国癌症杂志，2017;31:501-515.e8。gydF4y2Bahttps://doi.org/10.1016/j.ccell.2017.03.005gydF4y2Ba．gydF4y2Ba
Krzywinska E, Kantari-Mimoun C, Kerdiles Y，等。自然杀伤细胞中HIF-1α的缺失通过刺激非生产性血管生成抑制肿瘤生长。Nat Commun. 2017;8:1597。gydF4y2Bahttps://doi.org/10.1038/s41467-017-01599-wgydF4y2Ba(2017年11月17日发布)。gydF4y2Ba
吴峰，田素萍，金霞，等。直径小于10mm的纯磨玻璃状结节肺腺癌的CT及组织病理学特征Eur Radiol. 2017; 27:4037-43。gydF4y2Bahttps://doi.org/10.1007/s00330-017-4829-5gydF4y2Ba．gydF4y2Ba
致谢gydF4y2Ba
感谢安徽胸科医院病理科同仁对病理诊断的协助。gydF4y2Ba
资金gydF4y2Ba
基金资助:中心转移支付金融建设项目(资助号Z155080000004);自然科学基金项目(81771817);安徽省卫健委科研项目(批准号:AHWJ2021a024)。gydF4y2Ba
作者信息gydF4y2Ba
作者及隶属关系gydF4y2Ba
贡献gydF4y2Ba
YQY、XHM、DCM、XHL:设计研究;QLS、BS、WC、BW、YL、ZHW、XW:数据管理;QLS、XHM:形式化分析;YQY、DCM:融资收购;BS, WC:调查;QLS、BS、XHM:软件;WC, BW, YL:验证;ql:写作。所有作者阅读并批准了最终版本。gydF4y2Ba
相应的作者gydF4y2Ba
道德声明gydF4y2Ba
伦理批准并同意参与gydF4y2Ba
本研究已获得学院伦理委员会的伦理批准(批准编号:;K2020-009)和知情参与者同意被放弃。gydF4y2Ba
发表同意书gydF4y2Ba
本研究已获全体作者批准发表。gydF4y2Ba
相互竞争的利益gydF4y2Ba
所有作者都宣称他们没有竞争利益。gydF4y2Ba
额外的信息gydF4y2Ba
出版商的注意gydF4y2Ba
伟德体育在线施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。gydF4y2Ba
补充信息gydF4y2Ba
附加文件1:gydF4y2Ba
补充表1。gydF4y2Ba三位放射科医生之间定量参数的ICC值。gydF4y2Ba
附加文件2:gydF4y2Ba
补充表2。gydF4y2Ba三名放射科医师分类变量的kappa系数。gydF4y2Ba
权利和权限gydF4y2Ba
开放获取gydF4y2Ba本文遵循知识共享署名4.0国际许可协议，允许以任何媒介或格式使用、分享、改编、分发和复制，只要您对原作者和来源给予适当的署名，提供知识共享许可协议的链接，并注明是否有更改。本文中的图像或其他第三方材料包含在文章的创作共用许可协议中，除非在材料的信用额度中另有说明。如果材料未包含在文章的创作共用许可协议中，并且您的预期使用不被法定法规所允许或超出了允许的使用范围，您将需要直接获得版权所有者的许可。如欲查看本牌照的副本，请浏览gydF4y2Bahttp://creativecommons.org/licenses/by/4.0/gydF4y2Ba．创作共用公共领域奉献弃权书(gydF4y2Bahttp://creativecommons.org/publicdomain/zero/1.0/gydF4y2Ba)适用于本条所提供的资料，除非在资料的信用额度中另有说明。gydF4y2Ba
关于本文gydF4y2Ba
引用本文gydF4y2Ba
宋，Q.，宋，B.，李，X。gydF4y2Baet al。gydF4y2Ba根据2021年WHO分类，基于ct的nomogram预测亚实性结节患者腺癌的风险。gydF4y2Ba癌症成像gydF4y2Ba22gydF4y2Ba， 46(2022)。https://doi.org/10.1186/s40644-022-00483-1gydF4y2Ba
收到了gydF4y2Ba：gydF4y2Ba
接受gydF4y2Ba：gydF4y2Ba
发表gydF4y2Ba：gydF4y2Ba
DOIgydF4y2Ba：gydF4y2Bahttps://doi.org/10.1186/s40644-022-00483-1gydF4y2Ba
关键字gydF4y2Ba
- 诺模图模型gydF4y2Ba
- 肺癌gydF4y2Ba
- CT特征gydF4y2Ba
- 2021年世卫组织分类gydF4y2Ba