密度均匀性作为鉴别亚厘米实性肺结节良恶性的关键CT指标：一项回顾性多中心研究

引言

肺癌仍然是全球癌症相关死亡的主要原因[1]。已有研究证实，与在计算机断层扫描（CT）图像上表现为磨玻璃结节的患者相比，表现为实性结节（SNs）的肿瘤预后更差[2, 3]。这凸显了早期准确识别恶性实性结节的临床重要性。大量研究报道，表现为实性结节的T1a期（≤ 1 cm）非小细胞肺癌（NSCLC）患者与病灶大于1 cm的患者相比，5年总生存率显著更高，淋巴结转移发生率更低[4–7]。因此，准确区分亚厘米恶性实性结节（SMSNs）与亚厘米良性实性结节（SBSNs）对于改善患者预后至关重要。

然而，大多数检出的亚厘米实性结节为良性，且在CT特征上与恶性结节存在大量重叠[8, 9]。此外，用于诊断肺癌的传统CT特征在亚厘米恶性实性结节中较少见[10]，这进一步增加了鉴别的难度。尽管少数研究已成功基于CT特征开发了亚厘米恶性实性结节的预测模型，但这些模型的效能（曲线下面积[AUC]范围：0.747–0.875）和CT特征存在显著差异[11, 12]。此外，部分CT参数在不同研究中存在争议。这些差异可能归因于样本量不足和CT特征评估中的主观偏倚。虽然近期一些研究建立了影像组学预测模型，但影像组学的可重复性和临床适用性较差仍具有挑战性[13, 14]。因此，需要更大规模的队列进行进一步探索和验证，以确定更适用、稳定和可靠的CT指标。

在肺癌进展过程中，肿瘤细胞或分泌的黏液逐渐填充肺泡腔。同时，纤维组织增生增加，导致肺泡结构塌陷[15, 16]。因此，病灶的CT衰减值增加，最终达到实性病灶的阈值[17–19]。因此，当肿瘤仍处于这一逐渐进展过程的中间阶段、肺泡腔尚未被完全替代时，其密度可能不均匀。相比之下，大多数良性实性结节，如纤维化结节、肉芽肿和良性肿瘤，缺乏含气腔隙或仅含少量气体，在肺窗CT图像上通常表现为均匀的高密度[20, 21]。因此，良恶性实性结节密度特征的差异与其不同的组织病理学特征相关，可能为鉴别诊断提供新的视角。然而，这一用于鉴别亚厘米实性结节的潜在密度指标尚未得到充分验证。

在临床实践中发现，密度不均匀的病灶在亚厘米恶性实性结节中更为常见。基于这一观察，我们假设密度均匀性可能作为鉴别亚厘米实性结节的关键指标。因此，本研究旨在探讨密度均匀性在区分亚厘米恶性实性结节与亚厘米良性实性结节中的意义，以期提高对潜在高危结节的准确早期检出。

材料与方法

这项多中心回顾性研究获得了重庆医科大学附属第一医院伦理委员会（2025-117-01）、陆军军医大学第二附属医院伦理委员会（2022-196-01）和重庆大学三峡医院伦理委员会（2023 NO.104）的批准。由于本研究的回顾性性质，免除了知情同意。

患者

本研究回顾性审查了2018年1月至2024年7月期间在重庆医科大学附属第一医院（中心1；n = 19,756）、陆军军医大学第二附属医院（中心2；n = 2528）和重庆大学三峡医院（中心3；n = 1558）经病理确诊的肺部病变患者以及随访胸部CT扫描显示结节稳定的患者。其胸部CT图像在图像归档与通信系统（PACS）工作站中进行了人工检索和审阅。

纳入本研究的患者需满足以下条件：（1）有在手术切除前两周内进行的胸部CT扫描，且专门针对经病理检查确认的病变；（2）专门针对经随访确认的病变，CT随访间隔≥ 2年；（3）病变被识别为SNs；（4）病变直径≤ 1 cm。SN定义为具有纯软组织衰减、完全遮蔽其下支气管和血管结构的结节[22]。对于病变周围有少量磨玻璃影（GGO）的SN，根据Fleischner学会的建议[22]，将其归类为带有晕征的SN，而非部分实性结节。SN的评估由一名经过专科培训的胸部放射科医师（W.T.Z.，具有6年胸部影像学经验；放射科医师A）和一名资深胸部放射科医师（H.G.，具有15年胸部影像学经验；放射科医师B）在肺窗设置下（窗位：−600 HU；窗宽：1200 HU）独立进行，放射科医师之间的任何分歧通过共识解决。排除标准如下：（1）临床资料不完整的患者；（2）CT图像层厚大于1.0 mm；（3）CT图像上有影响评估的明显伪影或噪声。

最终，来自中心1的512例患者共735个SMSNs和656例患者共814个SBSNs被纳入作为训练集，而来自中心2和中心3的190例患者共244个SBSNs和141例患者共163个SMSNs被纳入作为验证集（图1）。

CT检查

胸部CT扫描使用以下CT扫描仪进行：SOMATOM Perspective（Siemens Healthineers）、Discovery CT750 HD（GE Healthcare）、SOMATOM Definition Flash（Siemens Healthineers）、SOMATOM Force（Siemens Healthineers）、OPTIMA CT660（GE Healthcare）和Aquilion ONE pureViSION（Canon Medical System）。所有患者均取仰卧位，上肢上举，并要求患者在深吸气后屏气以获得更好的曝光。扫描范围从胸廓入口至肋膈角。扫描参数包括管电压110–120 kVp，参考管电流50–140 mAs（自动管电流调制技术），重建层厚和间隔均为0.625或1.0 mm（同一扫描仪的层厚和间隔一致），矩阵512 × 512，螺距0.975–1.2，视野350–400 mm，旋转时间0.5 s，采用中等锐度重建算法（表S1）。

临床资料与图像分析

检索电子健康记录系统，收集患者的年龄、性别、吸烟史、肺癌家族史、糖尿病史、高血压史、恶性肿瘤史及肿瘤标志物（包括癌胚抗原[CEA]、细胞角蛋白19抗原[CYFRA 21-1]、神经元特异性烯醇化酶[NSE]、胃泌素释放肽前体[pro-GRP]、鳞状细胞癌抗原[SCC-Ag]）。

评估所有病灶的CT特征，包括：（a）直径（取轴位CT图像上最长直径与垂直直径的平均值），（b）位置（上叶、中叶或下叶），（c）形状（圆形、椭圆形或不规则形），（d）密度均匀性（不均匀或均匀），（e）边界（清晰或不清），（f）边缘（光滑或粗糙），以及（g）其他表现（分叶征、毛刺征、空泡征、胸膜凹陷征、空气支气管征和晕征）。除密度均匀性外，所有测量均遵循Fleischner学会关于肺结节CT特征测量的建议[22]。

根据密度均匀性，SN分为不均匀型和均匀型亚型。不均匀型SN定义为在薄层CT（TSCT）图像上整体呈非均匀软组织衰减的结节，其间散布相对较高和较低衰减区域。内部空泡和支气管作为较低衰减区域，不被视为判断不均匀型SN的证据，因为它们属于偶然发现，不反映病灶的组织学异质性。相比之下，均匀型SN表现为均匀密度，呈现为纯软组织衰减的病灶（图2）。视觉评估后，在每个病灶最具代表性的轴位图像上测量平均CT值及相应标准差（SD）：不均匀型SN选择异质性最明显的层面，均匀型SN选择最大层面。所有CT值测量均使用感兴趣区（ROI）进行。ROI勾画覆盖结节在其最具代表性轴位层面上约70%的面积（图S1）。若结节内存在空泡或空气支气管征，则手动勾画不规则ROI，同时小心避开这些含气结构。

前述对最终病理结果和临床数据设盲的放射科医师（放射科医师A和放射科医师B）通过PACS工作站使用肺窗设置独立评估了TSCT图像。此外，由于密度均匀性是一项新特征，第三位放射科医师（Z.G.C.，具有18年胸部影像学经验；放射科医师C）也评估了该参数，所有三位放射科医师在一周后重新评估该参数以计算观察者内一致性。三位放射科医师之间分类变量的任何差异均通过共识解决，共识包括基于多平面重建图像进行联合审阅以达成一致。连续变量的数值计算为放射科医师A和放射科医师B两者测量的平均值。

统计分析

所有统计分析均使用SPSS（版本25.0，IBM）和Python（版本3.8.19）进行。组内相关系数（ICC）和Fleiss' kappa分别用于连续变量和分类变量。连续变量以均值±标准差或中位数（范围）表示，而分类变量以数量和百分比表示。SBSN与SMSN之间连续变量的差异使用Mann-Whitney U检验评估，而分类变量的差异使用Pearson卡方检验比较。

区分不均匀性与均匀性SN的平均CT值标准差的最佳截断阈值通过受试者工作特征（ROC）分析和最大化Youden指数确定。临床特征和CT特征的预测价值使用ROC分析评估，AUC用于评估预测性能。为确定独立预测因子并避免过拟合，单因素分析中p < 0.05的变量通过最小绝对收缩选择算子（LASSO）回归分析进一步筛选以确认其独立性。保留的变量（在LASSO回归分析中系数非零）纳入多因素分析以确定独立风险预测因子并构建预测模型。我们使用以“患者ID”为随机效应的混合效应logistic回归来解决患者内病灶相关性，并进行了1000次重复的bootstrap内部验证以获得乐观校正的AUC。构建Brier评分和校准曲线以评估模型预测的校准性能。模型比较基于DeLong检验和净重分类指数（NRI）。p值小于0.05被认为具有统计学意义。

结果

CT特征的观察者间一致性

对于训练集和验证集中的所有病灶，观察者间对结节直径、平均CT值和平均CT值标准差的一致性均极佳（ICC = 0.892–0.924）。对于分类指标，观察者间评估形态、边缘、边界、毛刺征、胸膜凹陷征、空泡征、空气支气管征、晕征和钙化的一致性均极佳（κ = 0.801–1.000），分叶征的一致性为中等程度（κ = 0.770 [95% CI: 0.734–0.807]）。关于密度均匀性，观察者间一致性（κ = 0.851 [95% CI: 0.827–0.873]）和观察者自身一致性（κ = 0.926–0.951）几乎完美（表S2）。放射科医师A、B和C在两次评估之间分别有60、45和32例密度均匀性分类不一致。三名放射科医师之间共发现179例观察者间差异，随后经共识重新审阅和裁定，最终分类为109例不均匀结节和70例均匀结节。

患者的临床特征和病灶的CT特征

表1总结了训练集和验证集中病理诊断的分布。在良性结节中，训练集206例和验证集98例通过影像学随访确诊，其余病灶通过病理检查确诊。表2和表S3分别总结了训练集和验证集中患者的临床特征。在训练集中，与实性明显结节（SMSNs）患者相比，实性不明显结节（SBSNs）患者中糖尿病更为常见（15.09% vs 4.10%，p < 0.001）。

表3和表S4分别详细列出了训练集和验证集中病灶的CT特征。在训练集中，密度不均匀（51.84% vs 7.00%，p < 0.001）、边缘粗糙（38.91% vs 28.87%，p < 0.001）、分叶征（31.97% vs 14.37%，p < 0.001）、毛刺征（11.29% vs 6.88%，p = 0.003）和空气支气管征（15.24% vs 10.32%，p = 0.005）在SMSNs中更为常见，而边界不清（8.35% vs 4.35%，p = 0.002）、胸膜凹陷征（17.57% vs 11.29%，p < 0.001）、晕征（8.72% vs 1.09%，p < 0.001）和钙化（1.72% vs 0%，p < 0.001）在SBSNs中更为常见。ROC分析和DeLong检验显示，密度不均匀在训练集（0.722，95% CI: 0.676–0.769；p < 0.001）和验证集（AUC：0.738，95% CI: 0.696–0.777；p < 0.001）中均获得了CT指标中最高的AUC用于鉴别诊断。密度均匀性与分叶征或毛刺征之间的共线性较弱（Cramér's V值：0.072，p = 0.005；0.099，p < 0.001）。

平均CT值标准差用于鉴别不均匀和均匀实性结节的 optimal cutoff threshold

在训练集中，异质性SNs的平均CT值（−33.62 ± 67.09 HU）显著低于均质性SNs（1.14 ± 63.53 HU），而异质性SNs平均CT值的标准差（80.22 ± 27.65 HU）显著高于均质性SNs（35.11 ± 11.20 HU）。用于区分视觉上异质性与均质性SNs的平均CT值标准差的最佳截断点为57.3 HU，其AUC为0.938（95% CI：0.923–0.952，p < 0.001），敏感度为0.774（95% CI：0.735–0.813），特异度为0.953（95% CI：0.941–0.966）。在验证集中，重新评估了该截断点的鉴别性能，其AUC为0.928（95% CI：0.896–0.956），敏感度为0.890（95% CI：0.834–0.949），特异度为0.960（95% CI：0.935–0.980），准确度为0.944（95% CI：0.921–0.963），阳性预测值（PPV）为0.888（95% CI：0.826–0.941），阴性预测值（NPV）为0.963（95% CI：0.940–0.983）。

基于临床和CT特征预测SMSNs的混合效应逻辑回归分析

基于LASSO回归分析筛选的临床和CT特征（不包括密度均匀性），进行了预测SMSNs的混合效应逻辑回归分析。基于训练集的模型（Model A-Training）显示，分叶征（比值比[OR]：2.857；95% CI：2.176–3.752；p < 0.001）、毛刺征（OR：1.707；95% CI：1.115–2.612；p = 0.014）和空气支气管征（OR：1.431；95% CI：1.029–1.991；p = 0.033）是SMSNs的独立预测因素。相比之下，糖尿病（OR：4.167；95% CI：2.682–6.459；p < 0.001）、胸膜凹陷征（OR：2.137；95% CI：1.527–2.994；p < 0.001）和晕征（OR：8.981；95% CI：4.182–19.285；p < 0.001）是SBSNs的独立预测因素。

Model A-Training的乐观校正AUC为0.698（95% CI：0.692–0.704；p < 0.001），准确度为0.640（95% CI：0.624–0.651），敏感度为0.673（95% CI：0.535–0.833），特异度为0.610（95% CI：0.440–0.743），PPV为0.612（95% CI：0.574–0.650），NPV为0.678（95% CI：0.637–0.745），Brier评分为0.217（95% CI：0.216–0.218），校准斜率/截距为1.078/−0.023。基于验证集的模型（Model A-Validation）的乐观校正AUC为0.679（95% CI：0.656–0.694；p < 0.001），准确度为0.641（95% CI：0.587–0.685），敏感度为0.608（95% CI：0.374–0.847），特异度为0.663（95% CI：0.420–0.881），PPV为0.562（95% CI：0.491–0.694），NPV为0.723（95% CI：0.677–0.803），Brier评分为0.216（95% CI：0.212–0.222），校准斜率/截距为1.026/0.005。

模型B-训练集是基于训练集中患者的临床特征和病灶CT特征（包括密度均匀性）建立的。结果显示，密度不均匀（OR：15.794；95% CI：11.277–22.120；p < 0.001）、分叶征（OR：2.818；95% CI：2.059–3.866；p < 0.001）、毛刺征（OR：3.109；95% CI：1.873–5.176；p < 0.001）和空气支气管征（OR：1.462；95% CI：0.942–2.145；p = 0.048）是SMSN的独立预测因素。相比之下，边界不清（OR：2.740；95% CI：1.517–5.097；p < 0.001）、胸膜凹陷征（OR：2.151；95% CI：1.516–3.276；p < 0.001）、晕征（OR：6.803；95% CI：3.285–18.965；p < 0.001）和糖尿病（OR：3.305；95% CI：2.095–5.708；p < 0.001）是SBSN的独立预测因素。其乐观校正AUC为0.824（95% CI：0.819–0.827；p < 0.001），准确度为0.767（95% CI：0.759–0.775），灵敏度为0.665（95% CI：0.610–0.730），特异度为0.859（95% CI：0.749–0.905），PPV为0.812（95% CI：0.761–0.855），NPV为0.740（95% CI：0.720–0.765），Brier评分为0.165（95% CI：0.164–0.167），校准斜率/截距为1.007/−0.002。与模型A-训练集相比，模型B-训练集预测SMSN的效能显著提高（p < 0.001）（图3），NRI为48.61%（95% CI：43.98–53.68%）。

模型B-验证集是基于验证集建立的。结果显示，密度不均匀的OR最高（20.296；95% CI：11.519–55.105；p < 0.001），其乐观校正AUC为0.831（95% CI：0.817–0.839；p < 0.001），准确度为0.806（95% CI：0.788–0.820），灵敏度为0.704（95% CI：0.629–0.767），特异度为0.874（95% CI：0.815–0.930），PPV为0.792（95% CI：0.731–0.858），NPV为0.816（95% CI：0.788–0.839），Brier评分为0.152（95% CI：0.147–0.159），校准斜率/截距为1.003/−0.008。与模型A-验证集相比，模型B-验证集的效能也显著提高（p < 0.001），NRI为56.89%（95% CI：44.45%–69.90%）（图3）。

密度不均匀与密度均匀SMSN的病理诊断

表4总结了训练集中密度均匀与密度不均匀SMSN的病理诊断。与密度均匀SMSN相比，非黏液腺癌（non-MAC）在密度不均匀SMSN中显著更常见（95.01% vs 85.59%，p < 0.001）。浸润性腺癌（IAC）（65.54% vs 40.68%，p < 0.001）、黏液腺癌（MAC）（7.91% vs 3.94%，p = 0.033）和鳞状细胞癌（SCC）（5.93% vs 1.05%，p < 0.001）在密度均匀SMSN中显著更常见，而微浸润性腺癌（MIA）（30.45% vs 9.89%，p < 0.001）和原位腺癌（AIS）（23.88% vs 10.17%，p < 0.001）在密度不均匀SMSN中更常见（图4）。此外，在non-MAC中，表现为密度不均匀结节的病灶中贴壁生长模式显著多于表现为密度均匀结节的病灶（66.40% vs 35.59%，p < 0.001）。

不同直径范围SMSN的独立预测因素

图S2显示异质性和均质性结节在不同直径范围的SBSN和SMSN中的分布（I组：≤ 6 mm；II组：> 6 mm但≤ 8 mm；III组：> 8 mm）。在三组中，SMSN中异质性结节的比例（40.68%–60.52%）显著高于SBSN（6.27%–8.52%）（各p < 0.001）（图5）。

图6展示了通过逻辑回归分析在I–III组中确定的SMSNs的独立临床和CT预测因子。不均匀密度是所有组中SMSNs的独立预测因子，显示出最高的OR值（11.126–25.062）。分叶和毛刺均是II组和III组中SMSNs的独立预测因子，空气支气管征是I组和II组中的独立预测因子。相比之下，糖尿病是所有三组中SBSNs的独立预测因子；边界不清是I组和III组中的独立预测因子；胸膜凹陷是I组和II组中的独立预测因子；晕征是II组和III组中的独立预测因子。I组、II组和III组预测模型的AUC分别为0.838（95% CI：0.823–0.847；p < 0.001）、0.866（95% CI：0.856–0.875；p < 0.001）和0.799（95% CI：0.789–0.804；p < 0.001）。

讨论

临床特征和传统CT特征在鉴别实性肺结节和肿块方面发挥重要作用。然而，本研究发现这些特征在鉴别亚厘米SNs方面的价值有限，而不均匀密度是一项重要指标。纳入密度均匀性后，预测模型的效能显著提高，而不均匀密度是SMSNs最重要的预测因素。此外，在三个不同直径组中，密度均匀性始终表现出更大的鉴别意义，尤其是在较小的亚厘米病变中。因此，密度均匀性应被视为亚厘米SNs中稳定且可靠的恶性放射学预测因素。较小的亚厘米不均匀SNs具有更高的恶性风险，需要密切监测以实现早期诊断和治疗。

在临床和实验室指标中，糖尿病是SBSNs的唯一预测因素。糖尿病通常与免疫系统减弱相关。因此，糖尿病患者发生肺部感染和炎症反应的风险更高，这可能导致肉芽肿和非特异性炎性结节的形成[23, 24]。尽管吸烟史是众所周知的高危肺癌因素[25]，但在本研究中并非SMSNs的显著指标，可能是因为SMSNs患者中女性参与者比例较高，而该人群吸烟率较低。此外，没有任何肿瘤标志物对SMSNs表现出预测价值。这可能是因为这些标志物的水平通常随着肿瘤体积增大而升高[26, 27]，因此在亚厘米阶段通常不会显著升高。因此，在鉴别亚厘米SNs时，评估患者的潜在免疫抑制状态很重要。

此外，还发现若干传统CT特征有助于区分SMSNs与SBSNs。既往研究报道，分叶和毛刺在较大的肺癌中更为明显[12]。在本研究中，这些特征在>6 mm的SMSNs中更常见。这两个特征在较大的SNs中可能具有更强的鉴别能力，这是合理的。此外，这两个特征与密度均匀性未表现出显著共线性。有趣的是，尽管胸膜凹陷是公认的外周型肺癌指示征象[28]，但在本研究中其在≤8 mm的SBSNs中更为常见。这一发现可能与胸膜凹陷主要由病灶内纤维增生引起的收缩效应所致有关[22, 29]。在本研究中，SBSNs主要为肉芽肿和纤维透明变性病变，其特征为广泛的纤维化增生[30, 31]。然而，对于>8 mm的结节，该征象在SMSNs与SBSNs之间未观察到显著差异，进一步表明较小恶性结节中的纤维增生相对轻微，但随着肿瘤生长而变得更加显著。因此，在亚厘米SNs中，尤其是≤8 mm者，胸膜凹陷的恶性指示价值应谨慎解读。此外，空气支气管征通常与高分化腺癌相关[32]，在≤8 mm的SMSNs中更常见。我们推测这可能源于这些小型SNs的低侵袭性，不足以普遍遮盖病灶内的气道。因此，尽管这些特征可作为SMSNs的预测因子，但其鉴别价值有限，凸显了需要额外指标以实现小型SNs更准确鉴别的必要性。

与临床特征和传统CT特征相比，密度均匀性表现出较高的诊断效能，这可能与SMSNs和SBSNs之间的组织病理学异质性有关。在本研究中，大多数SMSNs为非MACs。在这些病变中，不均匀SMSNs更可能为MIAs或AISs，而大多数均匀SMSNs为IACs。此外，与均匀SMSNs相比，不均匀SMSNs更可能含有贴壁生长模式。因此，不均匀SMSN的密度可能随着侵袭性病理成分进展和纤维组织增生而逐渐增高，最终在影像学上表现为均匀外观。此外，侵袭性成分、黏液、纤维组织或残留气腔的混合分布也可能与CT图像上的不均匀密度相关。相比之下，肉芽肿或纤维组织可在一个月内形成，并可能表现为慢性病变，呈现致密且均匀的结构[33]。这些因素的综合作用导致SBSNs在CT成像上呈均匀密度。

既往研究已确定密度均匀性是鉴别SNs的预测因素之一[10]。然而，据我们所知，密度均匀性在亚厘米SNs中优于其他形态学CT特征的鉴别意义尚未被充分揭示。此外，既往研究报道，偏度和峰度（直方图参数）较高的结节与恶性风险增加及侵袭性更强相关[34, 35]。在一定程度上，本研究结果与这些发现一致，因为偏度和峰度增加与更显著的密度不均匀性相关。基于本研究数据，我们提出密度均匀性应被视为亚厘米SNs鉴别诊断的主要因素。在视觉评估之后，确定SNs均匀性的平均CT值标准差的最佳截断阈值为57.3 HU，这在验证集中进一步表现出优异的鉴别性能。与主观视觉评估相比，这一定量参数更为客观。因此，我们推荐将平均CT值的标准差作为评估和验证SNs均匀性的重要标准，尤其是对于那些视觉评估中性质不确定的结节。

在所有三个直径组中，密度均匀性表现出最高的鉴别效能，尤其是在较小的亚厘米SNs中。值得注意的是，在> 8 mm的SMSNs中，不均匀结节的比例下降，进一步提示SMSNs的密度在自然进展过程中倾向于逐渐增高，最终表现为影像学上的均匀病灶。因此，在随访中评估病灶密度的动态变化也可能有助于识别恶性SNs。亚厘米SNs中密度从 heterogeneous 向 homogeneous 的转变可能提示恶性风险增加。

本研究存在若干应予承认的局限性。第一，回顾性设计可能引入选择偏倚，未来有必要进行前瞻性验证。第二，SNs的密度均匀性是基于肺窗的主观影像学指标，本研究未使用纵隔窗进行评估。因此，一些不均匀SNs可能被归类为亚实性结节。除视觉标准外，我们引入了定量CT阈值（平均CT值的标准差高于57.3 HU）来定义不均匀SNs。该截断点在验证集中区分均匀与不均匀SNs的AUC为0.928。第三，由于本研究仅评估≤ 10 mm的SNs，密度均匀性对较大病灶的诊断意义仍未确定。第四，多台CT扫描仪之间扫描参数的微小差异可能潜在影响密度均匀性的评估。第五，尽管CT值是在每个病灶最具代表性的轴位层面上测量的，但这种平面测量可能无法完全反映整个结节的整体不均匀性。最后，我们未对不均匀SNs的动态变化进行随访研究，而这可进一步揭示亚厘米不均匀SNs的进展模式。

结论

为区分亚厘米级结节（SNs），应充分考虑密度均匀性。不均匀的亚厘米级结节，尤其是伴有分叶、毛刺或空气支气管征者，应高度怀疑恶性，并需要更积极的管理策略，如缩短随访间隔或组织活检。对于结节，平均CT值的标准差（SD）> 57.3 HU可作为识别不均匀结节的客观参考，但仍需在未来研究中进一步验证。

补充信息

电子补充材料