張龍富，劉 潔，倪 箏，路新源，胡 斌，汪 灝，馮明祥，張 勇

1.上海市徐匯區(qū)中心醫(yī)院呼吸與危重癥醫(yī)學科，上海 200031；

2.復旦大學附屬中山醫(yī)院呼吸與危重癥醫(yī)學科，上海 200032 ；

3.復旦大學附屬中山醫(yī)院病理科，上海 200032；

4.復旦大學公共衛(wèi)生學院公共衛(wèi)生安全教育部重點實驗室，上海 200032；

5.復旦大學附屬中山醫(yī)院胸外科，上海 200032

肺癌是全球范圍內(nèi)發(fā)病率和死亡率很高的惡性腫瘤之一，中國肺癌發(fā)病率呈上升趨勢［1-2］。隨著低劑量計算機斷層掃描（low-dose computed tomography，LDCT）篩查的普及，越來越多的早期肺癌被檢出，其中大部分為腺癌［3］。根據(jù)近年來JCOG0804和JCOG0802研究的結(jié)果，越來越多的直徑≤2 cm的早期肺腺癌患者被推薦行亞肺葉切除從而改善生活質(zhì)量而不影響總生存期［4-5］。然而早期肺腺癌，即使ⅠA期術(shù)后復發(fā)率仍可達10% ～ 20%［6-7］。肺泡間轉(zhuǎn)移（spread through air spaces，STAS）是2015版世界衛(wèi)生組織（World Health Organization，WHO）肺癌病理學分類中提出的概念，指肺癌主病灶之外的周圍肺泡腔內(nèi)存在腫瘤細胞；按組織形態(tài)可分為3種亞型：微乳頭細胞簇、實體巢、單個腫瘤細胞［8］。Eguchi等［9］研究顯示，STAS陽性的ⅠA期肺腺癌行亞肺葉切除的5年復發(fā)率明顯高于肺葉切除（39%vs16%，P＜0.001）。Ren等［10］研究結(jié)果表明，亞肺葉切除的ⅠA期肺腺癌患者中，STAS陽性的無復發(fā)生存期（recurrence-free survival，RFS）顯著低于STAS陰性（HR = 5.371，95% CI：1.843 ～ 15.650，P= 0.001）。因此，通過術(shù)前評估STAS的風險，對STAS陽性的患者推薦行肺葉切除，可能減少ⅠA期肺腺癌患者術(shù)后的復發(fā)概率或避免再次手術(shù)。

計算機斷層掃描（computed tomography，CT）是肺癌診斷和分期的常規(guī)檢查方法，多項研究［11-12］表明影像學特征如分葉征、毛刺征、胸膜凹陷征、血管征、實性成分占比（consolidation tumor ratio，CTR）等與STAS密切相關(guān)。Bassi等［13］通過人工智能學習99例肺腺癌的放射組學特征構(gòu)建模型預測STAS，該模型靈敏度為89%，特異度為64%。江長思等［14］采用人工智能學習肺腺癌的CT影像學特征構(gòu)建模型預測STAS，模型的靈敏度為78%，特異度為77%。Chen等［15］通過分析116例ⅠA期肺腺癌的CT影像學特征構(gòu)建預測STAS的列線圖（nomogram），結(jié)果顯示，一致性指數(shù)（concordance index，C-index）為0.803，靈敏度為92.3%，特異度為66.7%。

上述研究納入的病例分期不局限于早期，構(gòu)建人工智能學習模型的病例數(shù)有限，且操作較復雜，不便于臨床推廣。Chen等［16］構(gòu)建的nomogram模型，僅基于影像學特征，且C-index提示預測準確性為中等。有研究［10］結(jié)果表明男性吸煙、癌胚抗原（carcinoembryonic antigen，CEA）水平可能與STAS有關(guān)，兼顧臨床和影像學特征的模型可能有更佳的預測效能；但亦有研究［17］提示上述臨床特征與STAS無關(guān)。本研究旨在進一步探討臨床和影像學特征與STAS的關(guān)系，并建立基于術(shù)前臨床和影像學特征的nomogram模型來預測ⅠA期肺腺癌的STAS。

1 資料和方法

1.1 研究對象

回顧性分析2017年1月—2018年12月在復旦大學附屬中山醫(yī)院行手術(shù)治療且臨床和病理學檢查均診斷為ⅠA 期的肺腺癌患者595例。入組標準：① 術(shù)前3個月內(nèi)在手術(shù)醫(yī)院行胸部CT檢查；② 有4%的甲醛溶液固定石蠟包埋組織標本或H-E染色玻片。③ 有完整的隨訪資料。排除標準：①術(shù)前3個月內(nèi)在手術(shù)醫(yī)院未行胸部CT檢查；② 術(shù)前行組織活檢；③ 術(shù)前行新輔助化療；④ 有多發(fā)肺部結(jié)節(jié)。本研究經(jīng)復旦大學附屬中山醫(yī)院倫理委員會批準。

1.2 組織病理學評估

兩名經(jīng)驗豐富的病理科醫(yī)師按照WHO對STAS的定義，對H-E染色切片進行評估，結(jié)果不一致的病例經(jīng)討論后達成共識。STAS陽性定義為肺癌主病灶之外的周圍肺泡腔內(nèi)存在腫瘤細胞；主要包括以下3種形式：單細胞被定義為肺泡腔內(nèi)無黏性的單個腫瘤細胞，微乳頭細胞簇被定義為在肺泡腔內(nèi)沒有中央纖維血管核心的乳頭狀結(jié)構(gòu)，實性巢被定義為充滿肺泡腔內(nèi)的腫瘤細胞的實性集合［8］。

1.3 影像學特征分析

使用肺窗和縱隔窗在PACS（圖像存檔和通信系統(tǒng)）上進行CT圖像分析。由胸外科和呼吸科副主任醫(yī)師各一位獨立判讀CT圖像，讀片前不知道病理科判讀的STAS結(jié)果。分析病灶位置、結(jié)節(jié)類型、結(jié)節(jié)大小、肺氣腫、分葉征、毛刺征、空泡征、胸膜凹陷征、血管征、CTR等影像學特征。結(jié)節(jié)及其實性成分的長軸和短軸直徑在結(jié)節(jié)最大橫切面采用肺窗設置測量。對于影像學特征，任何差異通過兩位副主任醫(yī)師討論來解決。

1.4 統(tǒng)計學處理

各亞組間臨床特征以及影像學特征的比較采用χ2檢驗或Fisher精確檢驗法；通過單因素和多因素logistic回歸篩選臨床和影像學特征中預測STAS的獨立預測因素。利用R語言的“rms”包構(gòu)建基于獨立預測因素的nomogram模型，通過一致性指數(shù)、繪制校準曲線和受試者工作特征（receiver operating characteristic，ROC）曲線對模型進行效能評價。采用雙側(cè)檢驗，P＜0.05為差異有統(tǒng)計學意義。數(shù)據(jù)統(tǒng)計分析采用SPSS 24.0軟件和R語言（R version 4.1.0）。

2 結(jié) 果

2.1 患者臨床及影像學特征

本研究共入組595例ⅠA期肺腺癌患者，其中STAS陽性患者為87例，陽性率為14.6%；STAS陰性患者為508例，占總?cè)巳旱?5.4%。STAS陽性患者多為年齡≥65歲男性、吸煙，大多具有CEA水平升高的臨床特征。STAS陽性患者多具有分葉征、毛刺征、肺氣腫等影像學特征，多見于純實性結(jié)節(jié)或CTR＞0.75的混合磨玻璃結(jié)節(jié)；其他影像學特征與STAS無相關(guān)性；具體的臨床影像學特征見表1。

2.2 單因素和多因素logistic回歸分析

本研究以STAS為因變量，采用單因素和多因素logistic回歸分析來確定哪些參數(shù)可以作為STAS的獨立預測因素。單因素回歸分析顯示，年齡≥65歲、男性、吸煙、CEA水平升高、實性結(jié)節(jié)、結(jié)節(jié)直徑＞1 cm、肺氣腫、CTR、分葉征、毛刺征與ⅠA期肺腺癌的STAS陽性有關(guān)（表2）。多因素回歸分析顯示，分葉征（OR = 8.156，95% CI：1.021 ～ 65.099,P= 0.048）、毛刺征（OR = 5.258，95% CI：2.506 ～ 11.032，P＜0.001）、0.50＜CTR≤0.75（OR = 16.955，95% CI：3.579 ～ 80.309，P＜0.001）、0.75＜CTR≤1.00（OR = 20.793，95% CI：4.383 ～ 98.636，P＜0.001）為STAS的獨立預測因素。其余為非獨立預測因素（表3）。

2.3 Nomogram模型的構(gòu)建和效能評估

基于多因素logistic回歸分析篩選的獨立預測因素（分葉征、毛刺征、CTR），利用R語言構(gòu)建預測STAS的nomogram模型（圖1）。從圖1中可見，每個變量有不同的取值范圍，分值的大小與回歸分析的OR值有關(guān)。每例患者均可根據(jù)自身危險因素進行評分，所得總分投射到概率一欄，從而得出STAS陽性的概率。

表1 患者臨床和CT影像學特征Tab.1 Clinical and CT characteristics of the patients

相對于術(shù)后病理學檢查結(jié)果，校準曲線顯示了良好的一致性，表明nomogram術(shù)前預測早期腺癌STAS的穩(wěn)定性（圖2）。C-index為0.901（95% CI：0.872 ～ 0.929），提示本模型有較好的預測效果。

根據(jù)ROC比較不同預測方法（nomogram、分葉征、毛刺征、CTR）對STAS的預測效能。結(jié)果顯示，nomogram模型的曲線下面積（area under curve，AUC）為0.897（靈敏度為85.1%，特異度為84.3%），優(yōu)于CTR的AUC值0.834（靈敏度為96.6%，特異度為63.8%）、毛刺征的AUC值0.796（靈敏度為87.4%，特異度為71.9%）和分葉征的AUC值0.670（靈敏度為98.9%，特異度為35.2%，圖3）。由此可見，與單項預測因素相比，Nomogram模型預測ⅠA期肺腺癌患者的STAS有更佳的準確性。

表2 單因素logistic回歸分析Tab.2 Univariate logistic regression analysis for STAS as the dependent variable

3 討 論

近年來，JCOG0804和JCOG0802研究［4-5］結(jié)果相繼公布，為早期肺癌的手術(shù)優(yōu)化方案提供了很好的循證醫(yī)學證據(jù)。但上述兩項研究主要探討直徑≤2 cm，CTR≤0.25或CTR＞0.50時亞肺葉切除與肺葉切除的預后差異，未包含STAS的相關(guān)數(shù)據(jù)。STAS是肺癌患者，尤其是肺腺癌的不良預后因素；它被認為是無疾病生存期、總生存期和肺癌特異性生存期的不良預測因素［10，18］。多項研究［9-10］探討STAS對接受亞肺葉切除術(shù)的肺癌患者的影響，結(jié)果顯示，STAS陽性的肺癌患者行亞肺葉切除后局部和遠處轉(zhuǎn)移均增加。因此，術(shù)前預測肺癌患者的STAS狀態(tài)能提供重要信息，有助于制訂個體化手術(shù)計劃。

有研究［19］提出通過術(shù)中快速冷凍切片病理學檢查判斷STAS，但即使肺部病理學亞專業(yè)的

醫(yī)師出具病理學檢查報告，靈敏度只有55%，特異度為80%；有8%的患者因過度診斷行不必要的肺葉切除術(shù)。也有研究［20］提出用支氣管細胞學檢查預測STAS，但在支氣管細胞學陽性組和陰性組中，STAS陽性率差異無統(tǒng)計學意義。近來，也有研究［11，13，15，21］通過術(shù)前CT特征或影像組學來構(gòu)建預測STAS的模型；但這些預測模型也未能取得令人滿意的結(jié)果，故在臨床未得到推廣應用。

表3 多因素logistic回歸分析Tab.3 Multivariable logistic regression analysis for STAS as the dependent variable

圖1 預測ⅠA期肺腺癌STAS的Nomogram模型Fig.1 Nomogram for preoperative prediction of STAS in stageⅠA lung adenocarcinoma

圖2 評估nomogram模型的校準曲線Fig.2 The calibration plots for evaluating the nomogram model

圖3 預測ⅠA期肺腺癌STAS的ROC曲線Fig.3 ROC curve analyses for predicting STAS in stage ⅠA lung adenocarcinoma

Kim等［11］利用CT影像學特征建立logistic預測模型，發(fā)現(xiàn)CTR是STAS的獨立預測因素，其AUC值為0.77；當CTR的Cutoff設置為90%時，其靈敏度為89.2%，特異度為60.3%。但該研究是在選定人群中得出，STAS陽性與STAS陰性組的性別、年齡、吸煙進行配對。在臨床應用時因為選擇偏倚，影響該模型推廣應用。Bassi等［13］通過人工智能學習99例肺腺癌的放射組學特征構(gòu)建模型預測STAS，但放射組學特征獲取依賴放射科、流程費時，故未能在臨床上推廣。上述兩項研究入組病例分期不局限于ⅠA期，Chen等［15］首次構(gòu)建基于CT影像學特征的nomogram模型預測ⅠA期肺腺癌STAS。該研究通過多因素回歸分析得出分葉征和CTR是獨立預測因素，并進一步構(gòu)建nomogram模型。但訓練集只有116例患者，模型的C-index為0.803，靈敏度為92.3%，特異度為66.7%；預測準確性仍有待提高。

上述預測模型均基于影像學特征或放射組學，本研究探討聯(lián)合臨床特征和影像學特征構(gòu)建nomogram模型。本研究入組595例ⅠA期肺腺癌，病例數(shù)多于既往研究。單因素回歸分析提示，年齡、性別、吸煙、CEA水平升高與STAS相關(guān)，分葉征、毛刺征、CTR、肺氣腫、腫瘤直徑等影像學特征與STAS相關(guān)。但多因素回歸分析顯示只有分葉征、毛刺征、CTR為STAS的獨立預測因素，臨床特征和其他影像學特征非獨立預測因素。在Chen等［15］研究中，單因素回歸分析顯示毛刺征與STAS相關(guān)，但多因素回歸分析毛刺征非獨立預測因素；這可能與其病例數(shù)不足有關(guān)?；谏鲜?個獨立預測因素，我們構(gòu)建了nomogram模型，其預測ⅠA期肺腺癌STAS的C-index為0.901，AUC值達到0.897（靈敏度為85.1%，特異度為84.3%），預測準確性優(yōu)于既往模型。本研究構(gòu)建的nomogram模型，每例患者可以根據(jù)危險因素進行評分，得到總分后從列線圖找出對應的STAS陽性概率。Nomogram模型比放射組學模型便捷，且較logistic模型預測更個體化，有利于臨床推廣應 用。

本研究存在一些不足之處。首先，本研究為單中心回顧性研究；入選患者均為接受手術(shù)的患者，可能存在選擇偏倚。其次，本研究入組患者為ⅠA 期肺腺癌，STAS陽性率偏低為14.6%；可能導致數(shù)據(jù)不平衡，從而影響模型準確性。未來需要通過前瞻性多中心研究以進一步驗證。

綜上所述，我們構(gòu)建了一個基于術(shù)前CT影像特征預測STAS狀態(tài)的nomogram模型，通過驗證得出該模型具有較高的預測準確性。該模型解決了術(shù)前難以診斷STAS狀態(tài)的難題；可方便胸外科醫(yī)師確立合適的手術(shù)策 略。

利益沖突聲明：所有作者均聲明不存在利益沖突。