论文部分内容阅读
第一部分CT联合临床、病理特征鉴别浸润性肺腺癌的不同病理亚型目的探讨浸润性肺腺癌不同病理亚型的临床、病理特征及CT征象的差异,以期寻找一种有助于鉴别其病理亚型的无创性影像学方法。材料与方法收集2013年7月至2019年7月经本院手术病理证实的单发浸润性肺腺癌患者422例,根据病理亚型将其分为A组（以贴壁状生长方式为主、腺泡状生长方式为主或乳头状生长方式为主）及B组（以实体状生长方式为主或微乳头状生长方式为主）,然后将A组细分为A1组（以贴壁状生长方式为主）和A2组（以腺泡状生长方式为主或乳头状生长方式为主）。首先,收集所有患者的临床和病理资料,主要包括性别、吸烟状态、病理分化程度、淋巴结转移、远处转移和病理TNM分期。其次,分析所有肿瘤病灶大小、病灶密度、病灶分布、毛刺征、分叶征、充气支气管征、含气腔隙、坏死、钙化及邻近胸膜牵拉征、血管集束征和胸腔积液等CT征象。最后,利用独立样本t检验、Mann-WhitneyU检验和X2检验分别比较A组和B组、A1组和A2组的临床、病理及CT特征。结果（1）A、B两组临床、病理特征比较:两组性别构成、吸烟史、分化程度、淋巴结转移率和病理TNM分期均存在显著统计学差异（P均<0.05）。其中B组以男性、吸烟、低分化、淋巴结转移及TNM分期III-IV期多见,而A组以女性、不吸烟、中高分化、无淋巴结转移及TNM分期Ⅰ-Ⅱ期多见。但两组远处转移率无统计学差异（P>0.05）。（2）A、B两组CT征象比较:两组病灶大小、病灶密度、充气支气管征、钙化、坏死、血管集束征及胸腔积液发生率均存在统计学差异（P均<0.05）。其中B组病灶较大（平均直径为34.50mm）且更易表现为实性密度,钙化、坏死及胸腔积液在B组发生率更高;而充气支气管和血管集束征在A组发生率更高。但两组病灶分布、含气腔隙、毛刺征、分叶征及胸膜牵拉征发生率均无显著统计学差异（P均>0.05）。（3）A1、A2组临床、病理及CT特征比较:两组仅病灶密度存在显著统计学差异（P<0.001）,其中A1组以亚实性密度为主,A2组以实性密度为主。其余临床、病理及CT特征在A1和A2组之间均无显著统计学差异（P均>0.05）。结论浸润性腺癌不同生长方式具有不同的临床、病理和CT特征,正确认识这些征象可以较好地鉴别浸润性肺腺癌的病理亚型,为其临床治疗方案和预后评估提供更多有价值的线索。第二部分能谱CT联合临床、病理特征预测非小细胞肺癌表皮生长因子受体基因突变目的探讨能谱CT联合临床、病理特征在预测非小细胞肺癌（NSCLC）表皮生长因子受体（EGFR）基因突变中的应用价值。材料与方法回顾性纳入2016年1月到2018年8月经本院手术病理证实的NSCLC患者91例。搜集所有病例的临床、病理和CT资料,并根据其EGFR基因检测结果将所有病例分为突变阳性组（n=47）和突变阴性组（n=44）。首先,比较两组间年龄、性别、吸烟状态、病理类型及病理TNM分期等临床、病理特征。其次,比较两组间肿瘤病灶位置、最长径、毛刺征、充气支气管征、含气腔隙、坏死、钙化、血管集束征及胸膜凹陷征等常规CT征象。然后,测量并比较两组患者的能谱CT定量参数,主要包括:（1）平扫CT图像中有效原子序数、40 Ke V及65Ke V单能量图像上肿瘤病灶CT值、钙（水）浓度、能谱曲线斜率（40Ke V-65 Ke V）;（2）动、静脉期CT图像中碘（水）浓度和水（碘）浓度。最后,以临床和病理特征构建预测NSCLC患者EGFR基因突变的逻辑回归模型1,同时利用能谱CT、临床和病理特征构建逻辑回归模型2,采用受试者工作特性曲线下面积（AUC）比较两个模型对EGFR基因突变的预测效能。结果（1）两组临床、病理特征比较:性别、吸烟病史及病理类型在两组之间比较差异均有统计学意义（P均<0.05）。其中,女性、不吸烟及肺腺癌患者在EGFR基因突变阳性组更为多见。但年龄和病理TNM分期在两组之间差异无统计学意义（P均>0.05）。（2）两组常规CT征象比较:含气腔隙在突变阳性组病灶中发生率更高（P<0.05）,而钙化和坏死在突变阴性组病灶中发生率更高（P均<0.05）。其余CT特征在两组之间均无显著统计学差异（P均>0.05）。（3）两组能谱CT定量参数比较:突变阳性组的动、静脉期碘（水）浓度值和水（碘）浓度值均高于突变阴性组（P均<0.05）。其余能谱CT参数在两组之间无显著统计学差异（P均>0.05）。（4）多因素逻辑回归模型:预测NSCLC患者EGFR基因突变效能时,利用能谱CT、临床和病理特征所构建的逻辑回归模型2性能优于以临床和病理特征所构建的逻辑回归模型1,差异有统计学意义（AUC:0.788 vs 0.686,Z=2.606,P=0.019）。结论与单纯的临床、病理特征模型相比较,能谱CT联合临床、病理特征可提高非小细胞肺癌患者表皮生长因子受体基因突变的预测效能。第三部分基于CT的周围型肺腺癌淋巴结转移术前预测模型的构建与验证目的基于“种子-土壤”假说,旨在开发和验证一个用于预测周围型肺腺癌（PLADC）患者淋巴结转移（LNM）的机器学习模型。材料与方法回顾性纳入2016年1月到2018年8月经本院手术病理证实的390例PLADC患者作为机器学习模型的训练集,同时收集2018年9月至2019年11月期间166名连续患者作为该机器学习模型的内部验证集。根据术后病理结果,将所有患者分为LNM（-）组和LNM（+）组,然后根据肺癌第8版TNM分期将所有患者进一步细分为N0、N1、N2和N3。首先,分析并比较所有患者的临床和CT特征,筛选出LNM的危险因素。其次,从图像存档和通信系统中获取所有病例的DICOM格式平扫CT图像,并手动进行病灶感兴趣区域分割,提取原发性肿瘤的影像组学特征（R1）和肿瘤邻近胸膜的影像组学特征（R2）,采用组内相关系数对所有特征进行一致性分析,随后结合最佳子集法和最小赤池信息准则对所有影像组学特征进行筛选。最后,利用多因素逻辑回归分析等方法,以R1、R2、CT特征和临床危险因素构建机器学习模的综合模型,并用受试者工作特性（ROC）曲线评价该综合模型的性能。结果（1）两组临床和CT特征比较:性别、吸烟史、病灶大小、病灶密度、充气支气管征、毛刺征、分叶征、坏死、胸腔积液、胸膜受累等特征在LNM（-）组和LNM（+）组间均有显著统计学差异（P均<0.05）。（2）影像组学特征筛选和机器学习模型构建:从R1和R2感兴趣区域中共提取了1300个特征,其中31个特征与LNM显著相关（P均<0.05）。R1模型由一阶方差、小波变换、灰度直方图特征、梯度和灰度区域大小矩阵等13个特征组成,预测LNM训练集和验证集的AUC分别为0.847和0.859。R2模型由小波、平方根、对数和梯度等19个特征组成,其训练和集验证集的AUC分别为0.837和0.815;此外,R1+R2模型在训练集和验证集的AUC分别为0.878和0.870。（3）综合模型构建和验证:综合模型中R1、R2、肿瘤大小和毛刺征是PLADC患者发生LNM的独立预测因子,训练集和验证集的AUC分别为0.897与0.883。该综合模型在识别N0、N1、N2和N3方面也表现良好,训练集和验证集的AUC分别为0.691-0.927与0.700-0.951。结论“种子-土壤”假说也同样适用于周围型肺腺癌患者淋巴结转移的预测,综合分析周围型肺腺癌原发肿瘤和临近胸膜的信息将为其临床决策提供更多的参考信息。