基于 Lung-RADS® v2022 与 CT 特征的风险分层模型构建与验证:用于预测中国人群浸润性纯磨玻璃肺结节
前瞻性纳入 526 例患者共 572 个纯磨玻璃结节,按时间分为训练集(169 个)与验证集(403 个),构建结合结节-血管关系(GVR)的 cLung-RADS® v2022 模型。训练集中 cLung-RADS® v2022 诊断浸润性的 AUC 为 0.718,高于 Lung-RADS 1.0 的 0.543 和 Lung-RADS® v2022 的 0.511;验证集 AUC 为 0.693,同样高于两者。作者结论认为该模型可有效预测 pGGN 的浸润性。
要点
- 以 GVR 分型为核心的 cLung-RADS® v2022 将 4a–4x 定义为浸润性 pGGN,训练集 AUC 0.718、验证集 0.693。
- Lung-RADS® v2022 对 pGGN 的 AUC 在训练集降至 0.511、验证集 0.509,均低于 Lung-RADS 1.0。
- cLung-RADS® v2022 训练集召回率 94.9%、准确率 87.6%,验证集召回率 90.8%、准确率 80.4%。
核心结论
- 作者结论认为 cLung-RADS® v2022 能在真实场景中有效预测 pGGN 的浸润性,并可能有助于指导及时的手术干预。
研究设计与样本
- 前瞻性研究,纳入 526 例患者共 572 个 pGGN,2022 年 1 月至 12 月的 157 例 169 个 pGGN 为训练集,2023 年 1 月至 2024 年 5 月的 369 例 403 个 pGGN 为验证集。
- 采用 LightSpeed-16(GE)或 iCT-256(Siemens)低剂量胸部 CT,管电压 120 kVp、管电流 50–200 mA、矩阵 512×512、准直 128×0.625 mm 或 16×1.25 mm、旋转时间 0.5 s、螺距 0.8 或 1.02、重建层厚 1.25 mm。
- 参考标准为术后病理,按 WHO 胸部肿瘤第五版分类,微浸润腺癌与浸润性腺癌归为浸润性病变,炎症、良性病变及腺瘤性前驱病变归为非浸润性病变。
- 由两名胸部影像专家依据薄层 CT 达成共识记录 CT 特征;另随机选取 100 个 pGGN 由三名经验分别为 6、7、9 年的胸部影像医师盲法评估一致性。
关键影像表现/征象
- 按 GVR 分型:I 型为血管从结节旁经过,II 型为血管穿过结节但无增粗或扭曲,III 型为血管穿过结节伴局部增粗,IV 型为血管增多、增粗、扭曲、卷曲。
- 结节边界分为模糊、清晰、锐利三型,用于判定边界清晰。
- 测量采用肺窗任意平面上最大直径与其垂直短径的平均值作为平均直径。
- 建议对随访 3–6 个月后稳定或增大的 GGN 采用最大密度投影与多平面重建评估血管供血。
诊断标准与关键数值
- cLung-RADS® v2022 分级:GVR I 型且直径 <30 mm 为 2 类;GVR I 型且直径 ≥30 mm 或 GVR II 型为 3 类;任何大小 GVR III 型为 4a 类;GVR IV 型不论大小为 4b 类;3 类或 4 类伴其他可疑恶性影像特征为 4x 类。
- 以 cLung-RADS® v2022 4a–4x 作为浸润性 pGGN 的截断值,即需手术干预。
- 训练集 AUC:cLung-RADS® v2022 0.718(95%CI 0.628–0.819)vs Lung-RADS 1.0 0.543(95%CI 0.465–0.620)vs Lung-RADS® v2022 0.511(95%CI 0.433–0.588),P 值分别为 0.014 与 0.0016。
- 验证集 AUC:cLung-RADS® v2022 0.693(95%CI 0.594–0.773)vs Lung-RADS 1.0 0.531(95%CI 0.481–0.580)vs Lung-RADS® v2022 0.509(95%CI 0.459–0.559),P 值分别为 0.0036 与 0.0003。
- 训练集 cLung-RADS® v2022 召回率 94.9%、MCC 60.2%、F1 92.5%、F1weighted 91.2%、准确率 87.6%;验证集分别为 90.8%、50.6%、86.7%、89.1%、80.4%。
临床应用与阅片要点
- 对随访 3–6 个月稳定或增大的 pGGN,建议用最大密度投影与多平面重建评估 GVR 分型并按 cLung-RADS® v2022 分级。
- cLung-RADS® v2022 4a–4x 类定义为浸润性 pGGN 并需手术干预,可作为报告分层与临床决策的参考。
- 作者指出 Lung-RADS® v2022 的 4x 类缺乏明确影像特征指标,且 ≥30 mm 的尺寸截断可能延迟早期肺癌诊断。
- 不同观察者对三种 Lung-RADS 系统分级的组内相关系数分别为 1.00、1.00 和 0.974,一致性优良。
局限性
- 原文自述为单中心研究,可能受设计偏倚影响。
- 原文自述非浸润组的样本量较小,可能影响诊断效能。
- 原文自述 cLung-RADS® v2022 模型不能消除过度治疗的风险,因为部分浸润性 pGGN 可能为惰性且临床意义不大。
- 原文结论认为需在更多 pGGN 病例和全球多个中心进一步评估 cLung-RADS® v2022 的有效性。
全文中译13 节 · 点击展开
引言
肺癌(LC)是中国癌症发病率和死亡率的主要原因[1]。低剂量计算机断层扫描(CT)筛查肺癌是提高早期肺癌检出率和降低相关死亡率的一种有前景的策略[2, 3]。因此,由于CT筛查项目在肺癌检测中的广泛使用,肺部纯磨玻璃结节(pGGN)的检出率急剧增加[4]。与pGGN相关的疾病谱主要包括肺出血、纤维化、不典型腺瘤样增生、原位癌、微浸润性腺癌和浸润性腺癌。为降低肺癌的假阳性率,美国放射学会(ACR)引入了肺部影像报告和数据系统(Lung-RADS),该系统根据结节大小或体积进行分层管理。然而,该系统对pGGN的风险分层较低,可能延迟早期肺癌的检出并降低筛查的获益[5]。此外,2021年5月,世界卫生组织(WHO)发布了第五版胸部肿瘤分类,将不典型腺瘤样增生和原位癌归类为腺瘤样前驱病变[6]。这一新增内容使筛查项目中的CT影像诊断变得更加复杂。大多数pGGN代表早期肺癌,术后5年生存率接近100%[7, 8];术前精准的风险分层对于确定最佳手术时机、手术切除范围以及淋巴结清扫的必要性至关重要[9–11]。2022年11月,ACR使用Lung-RADS® v2022更新了其指南[12],进一步规范了肺癌筛查人群的CT报告以辅助临床决策。然而,该系统中的4x类别缺乏与影像特征相关的明确指标,且大小≥30 mm的截断值延迟了早期肺癌的诊断。本研究旨在开发一种基于Lung-RADS® v2022和CT特征的新型风险分层模型,评估其在真实世界中评估pGGN侵袭性和指导手术干预的实用价值。
材料与方法
本研究经郑州大学附属肿瘤医院和河南省肿瘤医院伦理委员会批准(伦理编号:2022-KY-0137),并符合其伦理标准。
患者特征
在2022年1月至2024年5月期间,于郑州大学附属肿瘤医院和河南省肿瘤医院前瞻性招募了CT图像上表现为孤立性或多余性pGGN的患者。纳入标准如下:(1)CT图像上存在边界清晰的孤立性或多余性肺部pGGN,(2)随访超过3个月后pGGN直径稳定或增大,(3)6个月内无肺部或其他器官感染史,(4)无精神疾病或免疫系统疾病史。排除标准包括缺乏术后病理、失访以及CT图像不完整或质量欠佳。2022年1月至12月入组的157例患者共169个pGGN被指定为训练集,而2023年1月至2024年5月入组的369例患者共403个pGGN被分配至验证集。其中,307例患者共318个GGN既往已有报道[13]。根据世界卫生组织胸部肿瘤分类第五版[6],微浸润性腺癌和浸润性腺癌被指定为需要手术干预的浸润性病变,而炎症、良性病变和腺瘤性前驱病变被归为非浸润性病变,需接受定期随访。研究对象选择流程见图1。
CT扫描
所有患者均在术前一周接受低剂量胸部CT扫描,使用LightSpeed-16扫描仪(GE)或iCT-256扫描仪(Siemens)。扫描参数包括管电压120 kVp,管电流范围50至200 mA,矩阵大小512 × 512,准直128 × 0.625 mm或16 × 1.25 mm,旋转时间0.5 s,螺距0.8或1.02,重建层厚1.25 mm。多期增强扫描使用非离子型对比剂。扫描范围从肺尖延伸至肋膈角,涵盖整个肺野。扫描由经过培训的人员指导,在完全吸气末屏气状态下采集。
CT图像分析
采用标准肺窗(窗宽/窗位:1600–2000 HU/600–700 HU)和纵隔窗(350–380/1015 HU)进行观察。使用多平面重建(矢状面、冠状面和轴面)和最大强度投影(MIP)来显示形态特征及与邻近结构的关系。为反映结节的真实大小,平均直径通过计算肺窗CT图像上任意平面最大直径及其垂直短径的平均值来确定。最初,为诊断清晰边界,图2展示了三种类型的肺结节边界——模糊、清晰和锐利。两位胸部影像学专家基于薄层CT图像序列,在记录病变CT特征方面达成共识。
基于CT特征和阳性结节判读的补充性Lung-RADS® v2022模型设计
对于经过3至6个月随访CT扫描后大小稳定或增大的磨玻璃结节(GGN),建议采用最大密度投影和多平面重建来评估血管供应。基于磨玻璃结节-血管关系(GGN-血管关系,GVR), delineated了四种类型[7],如图3所示:GVR I型(血管从结节旁经过)、GVR II型(血管穿过结节但无增粗或扭曲)、GVR III型(血管穿过结节伴有局部增粗)、GVR IV型(血管增多、增粗、扭曲和卷曲)。基于上述,基于GVR类型开发了一种新的针对pGGN的cLung-RADS® v2022模型。分类标准如下:GVR I型且直径<30 mm归类为cLung-RADS® v2022 2类,GVR I型且直径≥30 mm或GVR II型归类为cLung-RADS® v2022 3类;任何大小的结节伴GVR III型归类为cLung-RADS® v2022 4a类;结节伴GVR IV型,无论大小,归类为cLung-RADS® v2022 4b类;3类或4类伴有其他可疑恶性影像学特征定义为cLung-RADS® v2022 4x类,如表1和图4所示。分类为cLung-RADS® v2022 4a-4x类的结节定义为需要手术干预的浸润性pGGN。
统计分析
统计分析使用SPSS 24.0版进行。连续变量的描述性统计以均值±标准差表示,比较采用独立样本t检验。分类数据以百分比表示,比较采用卡方检验。不同阅片者对Lung-RADS分类的观察者间一致性采用组内相关系数评估。各种Lung-RADS分类模型的性能采用以下指标评估:(1)召回率();(2)精确率();(3)准确率();(4)F1分数();(5)加权平均F1分数();(6)马修斯相关系数()。在这些指标中,真阳性(TP)表示被风险模型诊断为浸润性且经病理证实为恶性的pGGN;假阳性(FP)表示被风险模型诊断为浸润性但经病理证实为良性的pGGN;真阴性(TN)表示被风险模型诊断为良性且经病理证实为良性的pGGN;假阴性(FN)表示被风险模型诊断为良性但经病理证实为恶性的pGGN。为减弱假阴性的影响,我们设定β = 0.5以计算F1weighted。总体性能进一步通过受试者工作特征曲线下面积(AUC)评估,DeLong检验用于评估三种模型间差异的统计学显著性,显著性水平设定为p < 0.05。
结果
数据集特征
本研究共纳入526例患者,共计572个肺部磨玻璃结节(pGGN)。pGGN分布如下:487例患者为孤立性pGGN,32例患者有2个pGGN,7例患者有3个pGGN。训练集患者的平均随访时间为43.6 ± 11.3个月,验证集的平均随访时间约为43.5 ± 12.1个月。所有pGGN的病理谱包括浸润性腺癌(n = 421)和非浸润性病变(n = 151),其中炎性病变39个、硬化性肺细胞瘤3个、腺瘤样前驱病变109个。训练集中GVR类型的分布如下:I型pGGN 15个,II型19个,III型19个,IV型116个。相比之下,验证集包括I型35个、II型41个、III型51个和IV型276个pGGN。训练集与验证集在性别、年龄、肿瘤家族史、临床症状、慢性阻塞性肺疾病、随访时间、医嘱依从性、pGGN分布、pGGN的GVR类型或肺部疾病谱方面均未观察到统计学显著差异(均p < 0.05;表2)。
三名阅片者之间的观察者间一致性
随机选取100例患者共计100个pGGN的子集,由三名在胸部影像方面具有不同经验水平(6年、7年和9年)的资深放射科医师使用Lung-RADS 1.0、Lung-RADS® v2022和cLung-RADS® v2022进行分层管理。不同观察者之间的组内相关系数分别为1.00、1.00和0.974,表明一致性极好(表3)。
Lung-RADS 1.0与Lung-RADS® v2022在诊断pGGN浸润性方面的价值
在训练集中,与 Lung-RADS 1.0 相比,Lung-RADS® v2022 的召回率、F1 分数、F1weighted、准确率和 AUC 分别从 2.2% 降至 6.5%、4.3% 降至 12.1%、10.1% 降至 25.2%、19.5% 降至 23.1%,以及 0.511 降至 0.543(p 值 = 0.002)。同样,在验证集中,Lung-RADS 1.0 在召回率(9.5% 对 1.8%)、F1 分数(17.2% 对 3.5%)、F1weighted(36% 对 31%)和 AUC(0.531 对 0.509)方面优于 Lung-RADS® v2022,p 值为 0.0047,突显了修订 Lung-RADS® v2022 的必要性。
不同模型对浸润性 pGGN 的诊断价值
在训练集中,与 Lung-RADS 1.0 和 v2022 相比,cLung-RADS® v2022 模型在诊断浸润性 pGGN 方面表现出显著改善的指标,包括召回率(94.9%、6.5% 和 2.2%)、MCC 值(60.2%、5.4% 和 6.3%)、F1 分数(92.5%、12.1% 和 4.3%)、F1weighted(91.2%、25.2%、10.1%)和 ACC(87.6%、23.1%、19.5%)。cLung-RADS® v2022 模型的 AUC 达到 0.718,超过 Lung-RADS 1.0(0.543)和 Lung-RADS® v2022(0.511)的 AUC,p 值分别为 0.014 和 0.0016。为进一步验证 cLung-RADS® v2022 模型的有效性,使用更大的验证集(n = 403)进行验证。该模型表现出 90.8% 的召回率、50.6% 的 MCC 值、86.7% 的 F1 分数、89.1% 的 F1weighted 和 80.4% 的 ACC,仍优于 Lung-RADS 1.0 和 Lung-RADS® v2022 的 comparable 数据。在验证集中,cLung-RADS® v2022 模型的 AUC 为 0.693,超过 Lung-RADS 1.0(AUC = 0.531)和 Lung-RADS® v2022(AUC = 0.509),p 值分别为 0.0036 和 0.0003。这表明该模型能够选择性识别需要及时手术干预的 pGGN,如表 4 和图 5 所示。
讨论
在本研究中,我们引入了一种新型 cLung-RADS® v2022 模型,旨在预测 CT 图像上表现为 pGGN 的浸润性病变。我们的模型使用肺 GGN 患者的数据进行训练和验证,在训练集和验证集中均表现出色,在识别浸润性病变方面具有高准确率、召回率和 AUC。我们的研究结果表明,cLung-RADS® v2022 在肺 pGGN 管理中的 LC 风险预测和决策支持方面具有重要潜在价值。通过该模型的高 F1weighted 分数(训练集和验证集分别为 91.2% 和 89.1%)和 AUC(分别为 0.718 和 0.693)有效排除不必要的影像学检查和侵入性操作,我们可能有望减轻大量患者过度检查的负担。
亚洲人群中非吸烟者和女性肺癌(LC)发病率的不断增加,且常表现为部分实性磨玻璃结节(pGGN),已引起广泛关注[13–15]。在我们团队开展的一项pGGN多中心研究中,侵袭性pGGN的比例约为83.06%[16]。由于美国放射学会提出的Lung-RADS® v2022风险分层系统基于西方肺癌高危人群,pGGN的直径截断值从Lung-RADS 1.0的20 mm修订为Lung-RADS® v2022的30 mm。然而,我们的研究观察到,在训练集中,侵袭性pGGN分层的AUC从Lung-RADS 1.0的0.543下降至Lung-RADS® v2022的0.511(p值 = 0.002),这可能会延迟侵袭性pGGN的早期诊断并影响临床决策。因此,我们基于Lung-RADS® v2022对肺结节风险分层模型进行了针对性修改,纳入了CT特征的价值[17]。为评估cLung-RADS® v2022对GGN分层管理的实用性,我们初步随机选取了100个pGGN,并独立选取三名胸部影像学专家以盲法评估这些结节,采用一致性系数评估三名专家之间结果的一致性。结果表明三名专家之间具有极好的一致性。
近年来,随着人工智能在医学领域的快速进展,影像组学和深度学习技术已在pGGN风险分层管理方面得到一定程度的研究探索。Sun等[18]利用影像组学结合CT征象预测pGGN的侵袭性,取得了预期结果。然而,不同影像组学研究项目中样本的异质性在可重复性和临床应用方面带来挑战。Hu等[19]采用深度神经网络与影像组学相结合的方法对恶性pGGN进行分层管理,准确率达76.5%,F1分数为84.6%,马修斯相关系数为43.6%。考虑到医学领域的复杂性以及人工智能研究持续迭代和改进的需求,迫切需要简单、可操作且稳定的pGGN预测模型。鉴于此,我们的研究基于CT特征开发了cLung-RADS® v2022模型,重点关注肺癌典型磨玻璃结节的血管变化。为评估cLung-RADS® v2022模型对pGGN分层管理的实际应用价值,采用召回率、精确率、F1分数、马修斯相关系数、准确率和曲线下面积等参数进行验证。此外,为验证实际效能,本研究验证集中结节的纳入比例高于训练集。与Hu等的研究结果[19]相比,我们的cLung-RADS® v2022模型在训练集中取得了更高的准确率(87.6%)、F1加权值(91.2%)和召回率(94.9%),并在验证集中取得了类似的高诊断性能,均有利于临床肺癌筛查。此外,cLung-RADS® v2022在两个数据集中的AUC均高于Lung-RADS 1.0或Lung-RADS® v2022,均p < 0.05,表明其在该数据集中诊断侵袭性GGN方面表现优异。
我们的研究确实存在一些局限性。首先,这是一项单中心研究,可能受到设计偏倚的影响。无创组样本量较小是本研究的另一局限性,可能影响了诊断效能。最后,cLung-RADS® v2022模型并不能消除过度治疗的风险,因为某些侵袭性pGGN可能呈惰性且无临床意义,可能影响患者的生活质量。然而,Henschke等[20]发现,几乎所有诊断但未治疗的IA期非小细胞LC,即使直径小至10 mm,均具有恶性自然病程,若不治疗则致命。因此,有必要在更多pGGN病例和全球多个中心中进一步评估cLung-RADS® v2022的有效性。
结论
总之,基于CT特征、专为pGGN风险分层设计的cLung-RADS® v2022模型具有优异的诊断效能,在临床实践中指导pGGN的及时手术干预方面展现出前景。该模型能够高精度地区分侵袭性与非侵袭性pGGN,可显著改善肺部pGGN患者的管理,有望减少不必要操作的发生率并确保侵袭性病变的及时治疗。
引用
- Meng Q, Liu T, Peng H, et al. Construction and validation of a risk stratification model based on Lung-RADS® v2022 and CT features for predicting the invasive pure ground-glass pulmonary nodules in China. Insights Imaging. 2025. PMID: 40121609. doi:10.1186/s13244-025-01937-3
- 全文:PMC11930897(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11930897/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。