李夢(mèng)乾，張曉梅，胡家蕊，車麗坤，李瑞，于小林

100029 北京，北京中醫(yī)藥大學(xué) 研究生院(李夢(mèng)乾、胡家蕊、車麗坤、李瑞、于小林)；100078 北京，北京中醫(yī)藥大學(xué)東方醫(yī)院 呼吸科(張曉梅)

肺結(jié)節(jié)是指肺內(nèi)單獨(dú)出現(xiàn)的或者多發(fā)性的，直徑不超過3 cm的圓形或類圓形異常密度影，邊界或清晰或模糊，發(fā)生孤立性肺結(jié)節(jié)(solitary pulmonary nodules,SPN)原因諸多，目前發(fā)病機(jī)制尚未明確，肺部原發(fā)腫瘤、結(jié)核感染、肺部轉(zhuǎn)移瘤、錯(cuò)構(gòu)瘤、炎性假瘤、腺瘤樣改變等均可引起SPN[1]。近年，隨著低劑量CT技術(shù)的普及，人工智能閱片技術(shù)的應(yīng)用，人們健康體檢意識(shí)的增強(qiáng)，肺結(jié)節(jié)人群檢出率越來越高,研究顯示健康體檢人群中肺結(jié)節(jié)的檢出率可達(dá)20.65%～26.8%[2-3]，約1/5～1/4，也就是說健康體檢人群中，平均每4～5個(gè)人中就有一個(gè)肺結(jié)節(jié)患者。

肺癌是我國(guó)發(fā)病率和死亡率均最高的惡性腫瘤[4]，惡性肺結(jié)節(jié)病理類型多為肺癌，有研究表明陽性肺結(jié)節(jié)中有11.66%肺癌可疑率[5]，因此肺結(jié)節(jié)的良惡性預(yù)測(cè)尤為重要，及早識(shí)別惡性肺結(jié)節(jié)并及時(shí)干預(yù)治療可防止肺癌發(fā)生，近年來有關(guān)肺結(jié)節(jié)惡性概率預(yù)測(cè)的數(shù)學(xué)模型層出不窮，本文通過查閱文獻(xiàn)對(duì)現(xiàn)有的SPN良惡性預(yù)測(cè)模型進(jìn)行系統(tǒng)評(píng)價(jià)，尋找肺結(jié)節(jié)惡性風(fēng)險(xiǎn)的獨(dú)立危險(xiǎn)因素及獨(dú)立保護(hù)因素，以期為今后肺結(jié)節(jié)良惡性預(yù)測(cè)模型的建立及肺結(jié)節(jié)良、惡性的評(píng)估提供參考。

1 資料方法

1.1 文獻(xiàn)檢索

使用計(jì)算機(jī)檢索CNKI、VIP、Wanfang和Pubmed、Embase、Web of Science數(shù)據(jù)庫，對(duì)關(guān)于SPN良惡性預(yù)測(cè)模型進(jìn)行全面檢索，檢索的時(shí)間為自建庫至2021年2月9日，中文檢索詞為“孤立性肺結(jié)節(jié)”“預(yù)測(cè)模型”，英文數(shù)據(jù)庫檢索主題詞為“solitary pulmonary nodule”“prediction model”。

1.2 納入、排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn):1)國(guó)內(nèi)外公開發(fā)表的有關(guān)SPN的良惡性預(yù)測(cè)模型的研究；2)研究類型為回顧性研究或前瞻性研究；3)研究對(duì)象為病理診斷的SPN患者或病理診斷結(jié)合隨訪的SPN患者，包含良性和惡性SPN患者；4)原始數(shù)據(jù)提供OR值和95%CI；5)文獻(xiàn)資料完整，包含模型公式、預(yù)測(cè)因子、建模病例數(shù)、良惡性分布、性別分布、AUC值、靈敏度、特異度等。排除標(biāo)準(zhǔn)：1)摘要、綜述、信件、專利、會(huì)議/學(xué)位論文、基于系統(tǒng)評(píng)價(jià)/元分析建立模型或非臨床研究；2)資料不全、未建模/模型公式缺失或重復(fù)、借助現(xiàn)有經(jīng)典模型進(jìn)行比較或驗(yàn)證、研究質(zhì)量差的文獻(xiàn)；3)預(yù)測(cè)因子≤2個(gè)及風(fēng)險(xiǎn)因素賦值描述不清者；4)建模樣本量≤100例；5)語言為非中文、英文類文獻(xiàn)。

1.3 文獻(xiàn)的篩選和資料提取

由2名研究者對(duì)文獻(xiàn)進(jìn)行篩選和資料提取，共同核對(duì)，若出現(xiàn)意見分歧，則與第3位研究者進(jìn)行商討決定。資料提取的內(nèi)容包括：篇名、第一作者、研究起止時(shí)間、研究地區(qū)、納入結(jié)節(jié)直徑、建模樣本量、惡良性病例數(shù)、性別、預(yù)測(cè)因子、模型公式、AUC、靈敏度、特異度、陽性預(yù)測(cè)值、陰性預(yù)測(cè)值等。

1.4 名稱統(tǒng)一規(guī)范化

對(duì)模型中包含的獨(dú)立預(yù)測(cè)因素進(jìn)行名稱規(guī)范化統(tǒng)一，如最大徑、結(jié)節(jié)最大直徑、結(jié)節(jié)直徑、病變直徑、結(jié)節(jié)面積等統(tǒng)一為直徑；血管集束、血管牽拉、血管征、三維血管穿透征等統(tǒng)一為血管集束征；磨玻璃結(jié)節(jié)、磨玻璃成分、含磨玻璃成分、混合磨玻璃等統(tǒng)一為磨玻璃成分；惡性腫瘤史、既往腫瘤史、腫瘤既往史、腫瘤病史等統(tǒng)一為腫瘤史；腫瘤家族史、家族惡性腫瘤史、家族癌癥史等統(tǒng)一為腫瘤家族史等。

1.5 統(tǒng)計(jì)分析

采用Excel軟件提取數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理，查找SPN惡性風(fēng)險(xiǎn)的獨(dú)立危險(xiǎn)因素及獨(dú)立保護(hù)因素，并對(duì)獨(dú)立危險(xiǎn)因素和獨(dú)立保護(hù)因素進(jìn)行頻次統(tǒng)計(jì)，按頻次高低依次排序，查找出現(xiàn)2次及以上的獨(dú)立相關(guān)因素進(jìn)行展示分析。

1.6 文獻(xiàn)質(zhì)量評(píng)估

借助臨床預(yù)測(cè)模型偏倚風(fēng)險(xiǎn)評(píng)估工具CHARMS清單[6]對(duì)最終納入的文獻(xiàn)進(jìn)行方法學(xué)及質(zhì)量評(píng)價(jià)，從數(shù)據(jù)來源、參與者、預(yù)測(cè)結(jié)局、篩選因子、樣本量、缺失數(shù)據(jù)、模型建立、模型性能、模型評(píng)價(jià)、結(jié)果解釋、討論等11個(gè)方面對(duì)模型進(jìn)行評(píng)價(jià)。納入文獻(xiàn)的質(zhì)量評(píng)價(jià)由兩名研究者共同完成，遇到意見分歧時(shí)，則同第三名研究者共同商討裁決。

2 結(jié) 果

2.1 文獻(xiàn)檢索結(jié)果

共檢索出文獻(xiàn)574篇，其中CNKI(114篇)、VIP(29篇)、Wanfang(90篇)和Pubmed(163篇)、Em-base(85篇)、Web of science(93篇)，通過閱讀題目、摘要和全文，剔除重復(fù)及不符合要求文獻(xiàn)，最終納入文獻(xiàn)27篇[7-33]，包含27個(gè)建模公式，文獻(xiàn)篩選流程如圖1。

2.2 獨(dú)立危險(xiǎn)因素情況

對(duì)模型中出現(xiàn)的獨(dú)立危險(xiǎn)因素進(jìn)行匯總，并統(tǒng)計(jì)頻次，篩選出現(xiàn)2次及以上的獨(dú)立危險(xiǎn)因素共22種，累計(jì)出現(xiàn)頻次共138次，分別為：1)年齡;2)直徑;3)分葉征;4)毛刺征;5)胸膜牽拉征;6)血管集束征;7)細(xì)胞角蛋白19(Cyfra21-1);8)腫瘤家族史;9)邊界不清;10)空泡征;11)磨玻璃成分;12)吸煙史;13)腫瘤史;14)癌胚抗原(carcinoembryonic antigen,CEA);15)18F-FDG攝取;16)SUVmax;17)邊界清楚;18)空氣支氣管征;19)女性;20)神經(jīng)元特異性烯醇化酶(neuron-specific enolase,NSE);21)男性;22)上葉。出現(xiàn)次數(shù)≥2次的危險(xiǎn)因素情況如表1。

2.3 獨(dú)立保護(hù)因素情況

對(duì)模型公式中出現(xiàn)的獨(dú)立保護(hù)因素進(jìn)行匯總，并統(tǒng)計(jì)排序，獨(dú)立保護(hù)因素共13種分別為a)鈣化;b)邊界清楚;c)邊緣光滑;d)有癥狀;e)中性粒細(xì)胞淋巴細(xì)胞比值;f)非上肺;g)形狀規(guī)則;h)戒煙;i)CEA;j)密度值(heat unit,HU);k)混合磨玻璃;l)實(shí)性;m)衛(wèi)星灶，其中出現(xiàn)2次及以上的獨(dú)立保護(hù)因素依次是：鈣化、邊界清楚、邊緣光滑。分布情況如表2。

表1 出現(xiàn)次數(shù)≥2次的獨(dú)立危險(xiǎn)因素

表2 獨(dú)立保護(hù)因素分布情況

圖1 文獻(xiàn)篩選流程圖

2.4 模型特征情況

最終納入27篇文獻(xiàn)，近五年發(fā)表的文獻(xiàn)有18篇;27項(xiàng)研究中，25項(xiàng)回顧性研究，2項(xiàng)前瞻性研究;5項(xiàng)研究進(jìn)行了外部模型驗(yàn)證，8項(xiàng)研究進(jìn)行了內(nèi)部模型驗(yàn)證，2項(xiàng)研究進(jìn)行了驗(yàn)證(內(nèi)外部不詳);納入文獻(xiàn)中3項(xiàng)研究是多中心研究，22項(xiàng)研究為單中心研究，2項(xiàng)研究的研究中心不詳。納入文獻(xiàn)基本特征情況見表3，模型預(yù)測(cè)效能情況見表4。

2.5 納入研究的偏倚風(fēng)險(xiǎn)評(píng)價(jià)

本研究納入的研究借助臨床預(yù)測(cè)模型偏倚風(fēng)險(xiǎn)評(píng)估工具CHARMS清單進(jìn)行評(píng)價(jià)，結(jié)果顯示納入研究整體偏倚風(fēng)險(xiǎn)低，方法學(xué)和質(zhì)量評(píng)價(jià)較好，評(píng)價(jià)結(jié)果情況見表5。

3 討 論

隨著人群健康體檢意識(shí)的增強(qiáng)及胸部CT技術(shù)的普及，肺結(jié)節(jié)成為一種新興的肺部疾患，人群檢出率較高，惡性SPN的病理類型多為肺癌，及早的識(shí)別惡性肺結(jié)節(jié)并及早采取干預(yù)措施對(duì)于肺癌的防治意義重大，近年來SPN預(yù)測(cè)模型層出不窮，成為國(guó)內(nèi)外研究和討論的熱點(diǎn)，盡管各大指南關(guān)于SPN已有相應(yīng)的隨訪策略，肺結(jié)節(jié)預(yù)測(cè)模型則能更好的量化其惡性風(fēng)險(xiǎn)概率，本文通過文獻(xiàn)回顧對(duì)國(guó)內(nèi)外SPN良惡性預(yù)測(cè)模型進(jìn)行系統(tǒng)分析，查找肺結(jié)節(jié)惡性風(fēng)險(xiǎn)的獨(dú)立危險(xiǎn)因素，并對(duì)模型預(yù)測(cè)效能進(jìn)行分析，發(fā)現(xiàn)預(yù)測(cè)模型的整體性能較好，預(yù)測(cè)模型的驗(yàn)證有待探討，希望本研究能為SPN良惡性的判定及預(yù)測(cè)模型的建立完善提供參考。

3.1 獨(dú)立危險(xiǎn)因素分析

研究結(jié)果顯示，胸部CT表現(xiàn)出的結(jié)節(jié)直徑、分葉征、毛刺征、胸膜牽拉征、血管集束征、邊界不清、空泡征、磨玻璃成分、邊界清楚、空氣支氣管征、上葉位置是惡性SPN的獨(dú)立危險(xiǎn)因素，鈣化、邊界清楚、邊緣光滑是其獨(dú)立保護(hù)因素。大多數(shù)預(yù)測(cè)模型中結(jié)節(jié)的直徑與惡性概率密切相關(guān)，結(jié)節(jié)直徑越大，惡性風(fēng)險(xiǎn)越高，結(jié)節(jié)直徑小于5 mm的惡性率低于1%,直徑5～10 mm的惡性率增至6%～28%,直徑超過20 mm的惡性率高達(dá)64%～82%[34]。分葉的形成與癌細(xì)胞小葉內(nèi)增殖速度相關(guān)，以深分葉多見；毛刺征的病理基礎(chǔ)為腫瘤引起的結(jié)締組織快速增生或腫瘤細(xì)胞快速侵犯局部淋巴管；胸膜牽拉征的形成與靠近胸膜的惡性結(jié)節(jié)惡性增生時(shí)纖維組織牽拉胸膜相關(guān)，通常此類結(jié)節(jié)離胸膜較近；空泡征與腫瘤破壞肺支架和支氣管扭曲有關(guān)，多見于鱗腺癌、細(xì)支氣管肺泡癌、腺癌；血管集束現(xiàn)象與腫瘤細(xì)胞產(chǎn)生血管因子，引起原有血管增粗或誘發(fā)新生血管向腫瘤供血等有關(guān)[35]?？諝庵夤苷鞯男纬刹±砘A(chǔ)為沿肺泡和細(xì)支氣管表面生長(zhǎng)的腫瘤侵襲管腔所致，良惡性結(jié)節(jié)均可見到，惡性結(jié)節(jié)多見于淋巴瘤和細(xì)支氣管肺泡癌。

本研究的磨玻璃成分多為密度不均的混合磨玻璃結(jié)節(jié)，張曉輝等[19]將密度不均作為惡性肺結(jié)節(jié)的影像表現(xiàn)建立的預(yù)測(cè)模型曲線下面積達(dá)0.901，Chen等[26]將混合磨玻璃(mixed ground-glass nodule,mGGN)作為獨(dú)立危險(xiǎn)因素建立的模型曲線下面積達(dá)0.744，且與良性結(jié)節(jié)相比惡性結(jié)節(jié)mGGN出現(xiàn)的概率更高?；旌夏ゲＡЫY(jié)節(jié)是三類結(jié)節(jié)中惡性度最高的結(jié)節(jié)，ACCP指南、亞洲指南和中國(guó)專家共識(shí)均認(rèn)為直徑<8 mm的混合磨玻璃結(jié)節(jié)應(yīng)至少3個(gè)月、12個(gè)月、24個(gè)月復(fù)查，一旦發(fā)現(xiàn)結(jié)節(jié)增大或者實(shí)性成分增多均建議手術(shù)切除[36]，此外，實(shí)性結(jié)節(jié)中一旦出現(xiàn)空泡或磨玻璃樣成分，也提示結(jié)節(jié)有向混合磨玻璃轉(zhuǎn)化的惡性傾向，需要引起重視。邊界不清或邊緣模糊多為惡性肺結(jié)節(jié)的影像學(xué)征象，而邊界清楚和邊界光滑多提示良性結(jié)節(jié)，本研究納入喻微等[14]的研究將邊界清楚作為獨(dú)立危險(xiǎn)因素，多考慮納入的良性患者里非特異性炎性結(jié)節(jié)比例偏高，而此類結(jié)節(jié)的邊界是模糊的。將上葉位置作為惡性SPN的獨(dú)立危險(xiǎn)因素，最早見于梅奧診所的Mayo模型，后期研究認(rèn)為惡性肺結(jié)節(jié)可出現(xiàn)在任何肺葉位置，上葉已經(jīng)不作為獨(dú)立危險(xiǎn)因素納入模型。18F-PDG攝取常分為5個(gè)等級(jí)[20]：0級(jí)表示無攝取(攝取程度與周圍肺組織相當(dāng))；1級(jí)表示攝取高于肺組織但低于縱膈；2級(jí)表示與縱膈吸收接近；3級(jí)表示高于縱膈但低于肝臟；4級(jí)表示攝取明顯高于肝臟)攝取等級(jí)越高，攝取等級(jí)越高表明病灶代謝越高，3項(xiàng)研究[20,22,31]將18F-PDG攝取作為獨(dú)立危險(xiǎn)因素，根據(jù)其攝取程度等級(jí)賦值，也有3項(xiàng)研究[23-25]將最大攝取量SUVmax作為獨(dú)立危險(xiǎn)因素建模，認(rèn)為肺結(jié)節(jié)的惡性程度與最大攝取量相關(guān)，這與指南建議的考慮惡性的肺結(jié)節(jié)行PET-CT檢查或病理活檢的觀點(diǎn)一致，PET-CT可用于良惡性肺結(jié)節(jié)的輔助鑒別診斷。

傳統(tǒng)特征中高齡、吸煙、腫瘤史、腫瘤史家族、Cyfra21-1、CEA、NSE、男性、女性作為惡性SPN的獨(dú)立危險(xiǎn)因素。多項(xiàng)研究認(rèn)為隨著年齡增長(zhǎng)，惡性SPN發(fā)生的風(fēng)險(xiǎn)增高，尤其是40歲以后，主要考慮與人體衰老機(jī)體免疫力下降、線粒體功能低下有關(guān)，基因更容易發(fā)生突變或異常表達(dá)，研究表明[37]川芎嗪聯(lián)合順鉑可調(diào)節(jié)PI3K/AKT/mTOR通路，改善線粒體功能，抑制肺癌A549細(xì)胞增殖；而腫瘤史和腫瘤史家族史則更從基因遺傳學(xué)家角度增加了其惡變的概率。男性、吸煙作為獨(dú)立危險(xiǎn)因素與我國(guó)2015年腫瘤普查結(jié)果肺癌男女比例3∶1相符合，且吸煙是肺鱗癌的明確誘因。近年來不吸煙的女性肺腺癌發(fā)病率逐漸升高，考慮女性更容易處于焦慮抑郁狀態(tài)，從情志方面影響結(jié)節(jié)發(fā)生惡變，且有研究表明[38]女性血漿對(duì)尼古丁清除能力較差，導(dǎo)致吸煙史，促進(jìn)其鱗癌的發(fā)生，還有研究顯示[39]EGFR 在女性患者中的突變頻率高于男性，促使非小細(xì)胞肺癌的發(fā)生，因此將女性作為惡性SPN的獨(dú)立危險(xiǎn)因素。Cyfra21-1、NSE、CEA均為腫瘤標(biāo)志物，其中Cyfra21-1作為非小細(xì)胞肺癌的免疫標(biāo)記物，6項(xiàng)研究[8，10，11，17，29-30]將Cyfra21-1作為獨(dú)立危險(xiǎn)因素建立模型曲線下面積均在0.789以上，顯示包含血清腫瘤標(biāo)志物的模型具備良好的預(yù)測(cè)性能，NSE作為小細(xì)胞肺癌的特異性腫瘤標(biāo)志物，對(duì)于小細(xì)胞肺癌的預(yù)測(cè)和診斷具備一定特異性，CEA雖不能作為某種惡性腫瘤的特異性指標(biāo)，但是確是一種廣譜腫瘤標(biāo)志物，對(duì)于惡性肺結(jié)節(jié)的預(yù)測(cè)可以提高預(yù)測(cè)準(zhǔn)確度，李笑瑩等[17]結(jié)合血清腫瘤標(biāo)志物建立的預(yù)測(cè)模型，預(yù)測(cè)模型的AUC為0.734±0.033、靈敏度為63.5%、特異度為71.2%，與指南推薦的Mayo模型比較差異無統(tǒng)計(jì)學(xué)意義，值得引薦。

3.2 模型建立、評(píng)價(jià)及效能情況分析

本研究納入的27篇文獻(xiàn)，建模時(shí)均采用Logistic回歸，而Logistic回歸是常用的建模方法，27個(gè)模型[7-33]計(jì)算惡性概率時(shí)均根據(jù)回歸系數(shù)權(quán)重對(duì)預(yù)測(cè)因子進(jìn)行賦值，且24個(gè)模型[7-22，25-31，33]均得出了最佳截?cái)嘀?，各研究模型可以針?duì)性的預(yù)測(cè)惡性SPN發(fā)生的風(fēng)險(xiǎn)比例。模型預(yù)測(cè)效能常用曲線下面積AUC值表示，AUC值介于0～1間，越接近1表明預(yù)測(cè)效能越好，本研究納入的27個(gè)模型整體預(yù)測(cè)效能好，建模組AUC值均在0.70以上，進(jìn)行驗(yàn)證的模型[7，9，13-16，18，20，21，27-31,33]驗(yàn)證組AUC值均在0.80以上，表明模型在驗(yàn)證時(shí)依舊具備較好的預(yù)測(cè)效能。

本研究有15個(gè)模型[7，9，13-16，18，20-21，27-31，33]在模型建立后進(jìn)行了驗(yàn)證，其中5個(gè)模型[7，13-15，18]進(jìn)行了外部驗(yàn)證，其AUC值在0.859～0.978，準(zhǔn)確度在83.5%～85.4%，靈敏度在81.8%～90.8%，特異度在78.79%～100%，表明模型在外部使用時(shí)可能具備較好的預(yù)測(cè)效能；8個(gè)模型[9，16，21，27-28，30-31,33]進(jìn)行了內(nèi)部驗(yàn)證，AUC值在81.6%～84.5%，準(zhǔn)確度在81.6%～84.5%，敏感度在64.8%～94.7%，特異度在70%～86.3%，表明預(yù)測(cè)模型具備較好的內(nèi)部適用性，但是進(jìn)行外部推廣仍待商榷；2個(gè)模型[20，29]進(jìn)行了驗(yàn)證，但驗(yàn)證組來源信息不詳，雖然驗(yàn)證組AUC值均在0.85以上，但是其可信度和適用性存疑；其余12個(gè)模型[8，10，11-12，17，19，22-26，32]未進(jìn)行驗(yàn)證，因此其內(nèi)外部推廣使用情況仍待進(jìn)一步深入研究確定。雖然納入的研究中一半模型進(jìn)行了驗(yàn)證，但多為內(nèi)部驗(yàn)證，驗(yàn)證集多隨機(jī)抽自前期納入的病例或同一家研究中心獲得的病例，因此研究中心具備單一性，研究人群具備一定限制性，而進(jìn)行外部驗(yàn)證的模型，多為單一外部驗(yàn)證或受驗(yàn)證組病例的限制，因此預(yù)測(cè)模型的整體推廣問題仍待商討和進(jìn)一步研究。

納入研究中有14個(gè)模型[9-11，16-17，20，22，24，26-27，29-30，32-33]進(jìn)行了評(píng)估檢驗(yàn)，其中11個(gè)模型[10-11，17，20，22，26-27，29-30，32-33]進(jìn)行了Hosmer-Lemeshow檢驗(yàn)表明模型具有較好的擬合優(yōu)度；3個(gè)模型[9，27，33]進(jìn)行了校正曲線評(píng)價(jià)表明模型的預(yù)測(cè)效果好；1個(gè)模型[24]進(jìn)行了K-ford交叉驗(yàn)證表明模型的準(zhǔn)確度良好；5個(gè)模型[26-27，29-30，33]進(jìn)行了多項(xiàng)檢驗(yàn)評(píng)價(jià)，表明模型的質(zhì)量和價(jià)值較高，可供臨床參考使用。本研究納入的文獻(xiàn)借助CHARMS清單進(jìn)行評(píng)價(jià)，納入研究整體偏倚風(fēng)險(xiǎn)低，方法學(xué)和質(zhì)量評(píng)價(jià)較好，研究結(jié)果具有一定參考價(jià)值。

3.3 研究的局限性分析

本研究納入的模型多為影像學(xué)定性結(jié)合傳統(tǒng)定量模型，此外，國(guó)內(nèi)外已廣泛開展人工智能、影像組學(xué)相關(guān)研究模型，包括人工智能新模型，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)等模型[40]，此類模型將定性的影像學(xué)圖像轉(zhuǎn)化為可采集、高保真的數(shù)據(jù)資料進(jìn)行深度挖掘，且圖像分割的速度和效率均較手動(dòng)分割得以提升，在SPN的良惡性鑒別及有無侵襲性鑒別上具有較為顯著的優(yōu)勢(shì)，但本研究考慮到此類新興領(lǐng)域模型問世時(shí)間有限，目前仍處于研究開發(fā)階段，且不同的研究機(jī)構(gòu)及掃描儀器，不同的研究方法及算法，具備不同的參數(shù)和評(píng)分標(biāo)準(zhǔn)，難以統(tǒng)一，對(duì)于放射科醫(yī)生也有較高的交叉學(xué)科要求，相比之下傳統(tǒng)模型相對(duì)簡(jiǎn)單適用，因此納入的研究模型多為傳統(tǒng)模型，具備一定局限性。但研究者相信隨著人工智能模型的不斷發(fā)展完善，今后將有較好的應(yīng)用前景。且本研究經(jīng)過嚴(yán)格的納、排后最終納入文獻(xiàn)27篇數(shù)量有限，文獻(xiàn)篩選時(shí)語言設(shè)置為中、英文存在一定選擇偏倚，實(shí)為本研究的局限與不足之處。

4 總 結(jié)

本研究對(duì)現(xiàn)有的肺結(jié)節(jié)良惡性預(yù)測(cè)模型進(jìn)行系統(tǒng)評(píng)價(jià)，查找出了肺結(jié)節(jié)惡性風(fēng)險(xiǎn)的獨(dú)立危險(xiǎn)因素，包括影像特征：直徑、分葉征、毛刺征、胸膜牽拉征、血管集束征、邊界不清、空泡征、磨玻璃成分、18F-FDG攝取、SUVmax、邊界清楚、空氣支氣管征、上葉等；傳統(tǒng)特征：年齡、腫瘤家族史、吸煙史、腫瘤史、女性、男性、血清腫瘤標(biāo)志物(Cyfra21-1、CEA、NSE)等。而鈣化、邊界清楚、邊界光滑則是其保護(hù)因素。通過對(duì)模型的效能進(jìn)行分析，發(fā)現(xiàn)納入模型整體具備較好的預(yù)測(cè)效能，并由半數(shù)以上模型進(jìn)行了內(nèi)部或外部驗(yàn)證，顯示出良好的適用性。篩選出的獨(dú)立危險(xiǎn)因素和預(yù)測(cè)模型可幫助臨床醫(yī)護(hù)人員鑒別良、惡性肺結(jié)節(jié)，但是模型的大范圍外推使用待商討，且模型中包含的預(yù)測(cè)因素?cái)?shù)目有限，未來需開展進(jìn)一步深入研究來完善模型并對(duì)模型進(jìn)行外部驗(yàn)證。

作者聲明：本文全部作者對(duì)于研究和撰寫的論文出現(xiàn)的不端行為承擔(dān)相應(yīng)責(zé)任；并承諾論文中涉及的原始圖片、數(shù)據(jù)資料等已按照有關(guān)規(guī)定保存，可接受核查。

學(xué)術(shù)不端：本文在初審、返修及出版前均通過中國(guó)知網(wǎng)(CNKI)科技期刊學(xué)術(shù)不端文獻(xiàn)檢測(cè)系統(tǒng)的學(xué)術(shù)不端檢測(cè)。

同行評(píng)議：經(jīng)同行專家雙盲外審，達(dá)到刊發(fā)要求。

利益沖突：所有作者均聲明不存在利益沖突。

文章版權(quán)：本文出版前已與全體作者簽署了論文授權(quán)書等協(xié)議。