基于CT影像组学与放射学特征的胸膜下亚实性肺结节生长趋势预测模型研究

本研究针对胸膜下亚实性结节(SSNs)恶性转化风险分层难题，通过整合CT放射组学特征与常规影像学指标，构建了可预测结节生长的联合模型。研究团队回顾性分析494例SSNs的3年随访数据，发现部分实性结节(PSNs)、不规则形态和胸膜牵拉是独立预测因子，联合模型在训练集(AUC 0.896)和测试集(AUC 0.842)均表现优异。该成果为优化个体化随访策略提供客观依据，可减少低风险结节的过度随访，同时优先干预高风险病例。

　　

随着低剂量CT(LDCT)在肺癌筛查中的普及，肺结节检出率显著提升，但约95%的结节最终被证实为良性。这种"高检出-低恶性"的现状带来双重困境：一方面患者承受不必要的辐射暴露和心理负担，另一方面具有恶性潜能的亚实性结节(Subsolid nodules, SSNs)又需要长期监测。尤其当SSNs位于胸膜下区域时，其临床意义更为关键——一旦发生胸膜侵犯，患者预后将显著恶化。然而，传统CT形态学评估对小尺寸SSNs的鉴别力有限，且生长动力学分析依赖纵向随访数据，亟需建立早期风险预测体系。

山东第一医科大学附属第一医院（山东省千佛山医院）放射科团队开展了一项开创性研究，通过整合放射组学与常规影像特征，构建了胸膜下SSNs生长预测模型。研究纳入494例胸膜下SSNs（训练集345例，测试集149例），所有病例均接受≥3年CT随访。通过提取放射组学特征（包括原始图像、小波变换和LoG滤波特征）与评估常规影像指标（结节类型、形态、胸膜牵拉等），采用LASSO回归构建放射组学评分(Radscore)，最终建立联合预测模型。

关键技术方法包括：1) 基于ITK-SNAP软件手动勾画结节体积；2) 使用PyRadiomics提取1218个放射组学特征；3) 采用SMOTE算法解决训练集类别不平衡问题；4) 通过LASSO回归筛选关键特征构建Radscore；5) 结合多因素Logistic回归确定的独立预测因子建立联合模型。

患者基线特征和放射学特征分析
研究发现生长组与稳定组在结节直径(9.00±1.65 mm vs. 8.08±1.84 mm)、PSN比例(58.33% vs. 32.32%)、不规则形态(54.17% vs. 28.28%)和胸膜牵拉(58.33% vs. 39.39%)存在显著差异。多因素分析证实PSN类型(OR=2.359)、不规则形态(OR=2.917)和胸膜牵拉(OR=2.227)是独立预测因子。

关键放射组学特征
筛选出12个核心特征构成Radscore公式，包括：

• 原始图像特征：original_shape_Sphericity(负向关联)
• 小波特征：wavelet_HHH_glszm_GrayLevelNonUniformity(正向关联)
• LoG特征：log_sigma_5_0_mm_3D_glszm_SmallAreaHighGrayLevelEmphasis

模型性能比较
联合模型在训练集(AUC 0.896)和测试集(AUC 0.842)均显著优于单纯放射学模型(0.716/0.741)，且与单纯放射组学模型(0.857/0.840)性能相当。决策曲线分析显示，在10-90%阈值范围内，联合模型能提供更高的临床净收益。

模型校准与验证
通过倾向评分匹配控制基线混杂因素后，联合模型仍保持稳健性能(AUC 0.785)，证实其预测能力独立于常规影像特征。校准曲线显示预测概率与实际观察值高度一致(Hosmer-Lemeshow检验P>0.05)。

该研究首次建立了针对胸膜下SSNs的放射-放射组学联合预测模型，解决了传统方法对微小结构变化识别不足的痛点。模型通过量化结节异质性与宏观特征的协同效应，实现了三大突破：1) 将PSN类型、不规则形态等视觉评估指标客观化；2) 通过小波变换特征捕捉人眼不可辨的微观结构改变；3) 为临床提供可量化的风险分层工具。研究局限性包括回顾性设计可能引入选择偏倚，以及缺乏病理金标准验证生长结节的性质。未来需通过前瞻性多中心研究进一步验证，并探索与液体活检等技术的联合应用价值。

发表于《Scientific Reports》的这项成果，为优化肺结节管理提供了新范式——通过精准区分惰性与进展性SSNs，既可避免低风险患者的过度医疗，又能及时发现需要干预的高危病例，最终实现肺癌筛查"精准分流"的目标。