《European Journal of Radiology Open》：Deep learning for Three‐Class Classification of ground-glass nodules on non-enhanced chest CT: A multicenter comparative study of CNN architectures
编辑推荐：
目的：开发、验证并比较4种三维（3D）卷积神经网络（CNN）模型，用于在非增强胸部计算机断层扫描（CT）上区分磨玻璃结节（GGNs），并将其分类为不典型腺瘤样增生/原位腺癌（AAH/AIS）、微浸润性腺癌（MIA）或浸润性腺癌（IA）。
材料与方法：这项多中
目的：开发、验证并比较4种三维（3D）卷积神经网络（CNN）模型，用于在非增强胸部计算机断层扫描（CT）上区分磨玻璃结节（GGNs），并将其分类为不典型腺瘤样增生/原位腺癌（AAH/AIS）、微浸润性腺癌（MIA）或浸润性腺癌（IA）。
材料与方法：这项多中心回顾性研究纳入2015年1月至2023年12月期间4家医院4284例经手术切除且病理证实为AAH/AIS、MIA或IA的连续患者。研究将GGNs随机分为训练集（n=3083，72%）和验证集（n=1277，28%）。构建并比较4种3D深度学习模型（Res2Net 3D、DenseNet3D、ResNet50 3D、Vision Transformer 3D，ViT 3D），用于结节分割和三分类。同时在Res2Net 3D基础上融合临床与CT特征，形成Res2Net 3D_w2（性别、年龄）、Res2Net 3D_w6（增加病灶大小、位置、吸烟史）和Res2Net 3D_w10（进一步加入性别、年龄、位置、CT衰减均值/最大值/标准差、结节体积、体积比、左右肺体积比及全肺最大CT值）。模型性能采用准确率、召回率、精确率、F1值和受试者工作特征曲线下面积（AUC）评估。
结果：Res2Net 3D表现最佳，在验证集中对AAH/AIS、MIA和IA的AUC分别为0.91、0.88和0.92；对应F1值分别为0.416、0.500和0.929。各Res2Net变体的准确率均在0.83–0.84之间。
结论：Res2Net 3D可基于非增强胸部CT较准确地区分GGN亚型，尤其对IA具有较高识别性能。
本文围绕磨玻璃结节（GGNs）术前良恶性/侵袭性分层这一临床难题展开。随着高分辨率胸部CT在肺癌筛查中的普及，GGNs检出率显著上升，而GGNs可对应AAH、AIS、MIA和IA等不同病理谱系。根据WHO 2021分类，AAH和AIS属于腺癌前驱病变，而MIA与IA属于腺癌。不同亚型的生物学行为和预后差异明显：AAH/AIS及MIA整体预后较好，而IA侵袭性更强，通常需要更积极的手术策略。临床上，影像科医师多依赖结节大小、密度、边缘、实性成分等CT征象判断侵袭性，但前浸润与浸润性病变之间存在明显重叠，主观判读差异也较大，因此亟需一种客观、可重复的术前评估方法。
研究人员以多中心、大样本的手术病理确诊病例为基础，比较多种3D CNN架构在三分类任务中的表现，并进一步探索融合临床与CT特征是否能提升性能。结果显示，Res2Net 3D优于DenseSharp 3D、ResNet50 3D和ViT 3D，且在识别IA方面尤其稳定。研究还提示，加入临床变量后模型性能并未明显改善，说明3D CNN从影像中提取的局部与多尺度特征已能较充分表征结节侵袭性。该研究的意义在于为非增强CT下GGNs的术前分层提供了一种非侵入性、定量化、可重复的辅助决策工具，有助于优化手术方式选择与随访策略。
本研究主要采用了多中心回顾性病例队列分析、胸部CT图像标准化预处理、3D CNN建模（包括Res2Net 3D、DenseNet3D、ResNet50 3D、ViT 3D）、临床/CT特征融合，以及ROC、AUC、F1值等分类性能评估；样本来源于4家医院，经手术切除并病理证实的4284例GGNs。
### 研究结果
#### 3.1 临床特征与CT表现
训练集与验证集中，AAH/AIS、MIA和IA三组在性别、平均年龄、吸烟状态、肺气肿、间质性肺疾病（ILD）、结节类型、肿瘤标志物、形态、分叶、毛刺、空气支气管征、长径（LD）、短径（SD）以及CT值方面差异均有统计学意义；而手术状态、糖尿病、肝炎/肝硬化、支气管扩张、钙化、晕征和反晕征等差异不显著。提示病灶侵袭性与部分人口学及影像学特征相关，但存在重叠。
#### 3.2 3D CNN模型的诊断效能
在4种基础模型中，Res2Net 3D在验证集表现最佳，准确率为0.847，高于DenseSharp 3D（0.843）、ResNet50 3D（0.839）和ViT 3D（0.818）。其中，Res2Net 3D对IA的F1值最高（0.929），精确率也最高（0.933），说明其对浸润性病变的识别更稳健。ROC曲线与热力图显示，模型主要关注肿瘤内部实性成分区域，这与侵袭性判断密切相关。
#### 3.3 Res2Net 3D融合临床特征后的性能
Res2Net 3D_w2、Res2Net 3D_w6和Res2Net 3D_w10分别融合2项、6项和10项临床/CT特征后，准确率仍稳定在0.83–0.84之间，AUC约为0.86–0.93，未明显优于纯影像模型。说明在该任务中，3D CNN提取的影像特征已具有较强判别力。
### 讨论与结论
作者认为，GGNs的术前侵袭性评估对决定随访、肺段切除、楔形切除或肺叶切除等策略至关重要。传统基于CT征象的判断受限于前浸润与浸润性病变之间的重叠以及观察者差异，而深度学习，尤其是3D CNN，能够利用体积影像信息提取局部细微结构与多尺度特征，因此更适合这一任务。与既往研究相比，本研究样本更大、来源更广，并直接比较了多种3D模型，证明Res2Net 3D在三分类任务中更具优势。作者还指出，ViT 3D表现相对较弱，可能与其对局部层级特征建模能力不及CNN有关。尽管融合临床特征并未进一步提升性能，但这并不削弱Res2Net 3D的临床价值，反而说明单纯基于非增强CT即可获得较强的风险分层能力。
作者总结认为，本研究构建的3D CNN模型可为GGNs提供一种非侵入性、定量化且可重复的三分类辅助工具，尤其有助于识别IA，从而促进更合适的治疗方案制定。研究也提示未来仍需通过前瞻性研究和标准化成像流程进一步验证其推广价值。
