European Radiology：放射组学特征增加了基于传统放射学特征的肺结节鉴别诊断的优势

据统计，肺癌仍然是世界上最常见的癌症之一，占所有癌症病例的11.4%，占癌症相关死亡人数的18%（180万）。总体而言，肺癌的5年生存率仅为19.4%左右，T1期原位肺癌和微创腺癌的5年生存率为100%，无转移的5年生存率为57.4%，有淋巴结转移或远处转移的5年生存率为16%。因此，早期准确诊断可疑肺结节对降低死亡率至关重要。

尽管肺癌筛查在降低死亡率方面取得了成功，但管理不确定结节成为一个巨大的挑战，影响了超过20-30%的筛查人群。这种不确定性不仅会引起一般筛查人群的焦虑和降低生产力，而且还会造成国家医疗资源的巨大浪费，因此需要针对这一紧迫的公共卫生问题采取有效的管理战略。

传统上，除了临床病史外，肺结节还通过影像学检查进行评估，如大小、密度、形状、边缘和一些放射科医生定义的语义特征，这些特征受观察者之间的差异影响。放射组学通过高通量工程特征，如反映病变内部空间异质性的纹理特征和指示三维形态的几何特征，使以前视觉上具有挑战性的图形特征得以量化。研究表明放射组学特征在肺良恶性结节鉴别诊断中的临床应用。然而，一些研究集中于基于密度的肺结节亚群，如亚实性结节或实性结节，或基于大小的肺结节亚群，或仅两种特定组织学类型的鉴别诊断，如腺癌与肉芽肿。

最近，发表在European Radiology 上的一篇文章探讨了在传统的基于语义放射学特征的肺良恶性结节鉴别诊断中增加放射学特征的附加价值。

本项研究于2017年5月至2021年3月期间纳入393例病理证实的肺结节465例，其中54例54个肺结节为外检。在手工分割肺结节的基础上，提取1409个放射组学特征。最终获得16个放射学特征。最小绝对收缩和选择算子（LASSO）分别从两个特征集中选择信息量最大的特征。采用支持向量机（SVM）和logistic回归（LR）建立模型（放射组学模型、放射学模型和组合模型），并采用DeLong检验进行性能比较。

经特征选择，选择了形态、血管会聚征（III型）、边缘、密度、胸膜牵引征、多棘等6个影像学特征和9个放射组学特征。在独立检验和外部检验中，联合模型的AUC均显著高于相应的SVM分类器模型(AUC: 0.871 vs. 0.773, p = 0.029；0.810 vs. 0.706, p = 0.037)和LR分类器(AUC: 0.871 vs. 0.742, p = 0.008；0.828 vs. 0.712, p = 0.044)，以及相应的放射学模型对SVM分类器(AUC: 0.871 vs. 0.803, p = 0.015；0.810 vs. 0.730, p = 0.045)和LR分类器(AUC: 0.871 vs. 0.818, p = 0.034；0.828 vs. 0.756, p = 0.040)。

表 模型的性能

本项研究表明，放射组学特征可以为传统的基于放射学特征的鉴别诊断提供附加价值。

原始出处：

Zhou Liu,Long Yang,JiuPing Liang,et al.Radiomic features add incremental benefit to conventional radiological feature-based differential diagnosis of lung nodules.DOI:10.1007/s00330-024-11221-5