覃凱 傅小龍

肺癌發(fā)生約占癌癥總數(shù)的11.6%，位居第二；肺癌死亡約占癌癥相關(guān)死亡的18.4%，位居首位；其中非小細胞肺癌（non-small cell lung cancer, NSCLC）約占肺癌的85%[1,2]。N分期是NSCLC腫瘤分期的重要部分，是選擇治療手段和判斷預(yù)后的重要依據(jù)。近年來，盡管影像學技術(shù)進步巨大，但其影像學評估準確性仍欠佳[3,4]，眾多其他影像學參數(shù)也表現(xiàn)出對淋巴結(jié)的診斷價值。通過影像組學、深度學習等新興技術(shù)挖掘淋巴結(jié)區(qū)域影像中蘊含的豐富特征進而診斷淋巴結(jié)良惡性也展現(xiàn)出廣大的應(yīng)用前景。本文旨在綜述近年來基于影像學診斷NSCLC患者腫大淋巴結(jié)良惡性的研究進展，以便臨床醫(yī)生更準確而無創(chuàng)地評估NSCLC患者的淋巴結(jié)狀態(tài)。

1 基于影像學診斷腫大淋巴結(jié)良惡性的臨床意義

準確診斷NSCLC腫大淋巴結(jié)的良惡性是明確N分期的重要環(huán)節(jié)，影響著后續(xù)治療手段的選擇和預(yù)后判斷等[5]。臨床上常依據(jù)電子計算機斷層掃描（computed tomography, CT）淋巴結(jié)短徑≥1 cm或正電子發(fā)射計算機斷層成像（positron emission tomography/CT, PET/CT）上最大標準攝取值（maximum of standardized uptake value,SUVmax）≥2.5診斷淋巴結(jié)為惡性。但由于淋巴結(jié)反應(yīng)性增生、肺部炎癥、肉芽腫性疾病等良性病變也可引起淋巴結(jié)增大及代謝增高，這些標準的特異性較低[6]。由于目前影像學診斷標準的準確率較低，對于影像學上的腫大淋巴結(jié)，美國國立綜合癌癥網(wǎng)絡(luò)（National Comprehensive Cancer Network, NCCN）等指南建議進一步行有創(chuàng)性檢查如超聲內(nèi)鏡引導(dǎo)下的經(jīng)支氣管針吸活檢、縱隔鏡等獲取淋巴結(jié)組織樣本以明確淋巴結(jié)良惡性，以便更準確地進行N分期[7]。然而有創(chuàng)性檢查存在造成創(chuàng)傷、患者接受程度低、部分淋巴結(jié)由于解剖學位置難取樣造成敏感性降低等問題，此外對于擬接受放療的患者，往往存在多站、多枚淋巴結(jié)腫大，每個淋巴結(jié)取活檢不可行等問題，因而有創(chuàng)性檢查的臨床使用常受到限制[8]。對于以放療作為主要治療手段的患者，淋巴結(jié)放療總體原則是對于明確存在轉(zhuǎn)移的淋巴結(jié)做局部放療，而不實施淋巴引流區(qū)域預(yù)防性照射，這就要求對每個腫大淋巴結(jié)是否存在轉(zhuǎn)移作出精準判斷[9]。基于目前影像學診斷淋巴結(jié)良惡性的標準，在臨床放療實踐中，不可避免地存在漏照或過度照射等問題。對每個腫大淋巴結(jié)進行有創(chuàng)的病理學檢查，患者依從性和可操作性較差，這意味著基于影像學更準確地診斷腫大淋巴結(jié)良惡性對優(yōu)化治療靶區(qū)有重要意義。

2 基于CT診斷腫大淋巴結(jié)良惡性

CT是NSCLC患者的基本檢查之一，對臨床評估患者是否存在淋巴結(jié)轉(zhuǎn)移及轉(zhuǎn)移部位具有重要價值。目前臨床上主要將CT上淋巴結(jié)短軸直徑≥1 cm作為惡性淋巴結(jié)診斷標準，但其診斷準確性欠佳，近年來發(fā)現(xiàn)其他CT參數(shù)如淋巴結(jié)CT值、淋巴結(jié)形狀等在良惡性淋巴結(jié)之間存在差異，可輔助診斷淋巴結(jié)良惡性。

2.1 淋巴結(jié)短軸直徑 基于CT上淋巴結(jié)短軸直徑判斷淋巴結(jié)良惡性是目前最廣泛使用的診斷標準，淋巴結(jié)短軸直徑≥1 cm被認為是惡性的，＜1 cm則考慮為良性。然而炎癥、肉芽腫、淋巴結(jié)反應(yīng)性增生等良性病變同樣可以引起淋巴結(jié)短徑≥1 cm，并且腫瘤轉(zhuǎn)移灶較小時淋巴結(jié)可保持正常大小，其識別惡性淋巴結(jié)的敏感性和特異性分別約為55%和81%[10]，陽性預(yù)測值和陰性預(yù)測值分別為56%和83%[11]。盡管根據(jù)淋巴結(jié)短軸直徑判斷惡性淋巴結(jié)的敏感性和特異性低，但淋巴結(jié)短軸長度越大則其為惡性的可能性越大，Prenzel等[12]報告NSCLC患者中短徑＜5 mm、5 mm-9 mm、10 mm-14 mm、≥15 mm的淋巴結(jié)分別有4.0%、10.7%、25.3%、40.1%的淋巴結(jié)為惡性。

2.2 淋巴結(jié)CT值 淋巴結(jié)的CT值反映了其密度，可輔助診斷淋巴結(jié)的良惡性。CT值＞70 HU的淋巴結(jié)常表明其為良性，有研究[13,14]認為淋巴結(jié)具有高CT值通常意味著其為肉芽腫性炎癥（如肺結(jié)核）或淋巴結(jié)鈣化等。Lee等[15]分析了271個淋巴結(jié)的CT值直方圖，發(fā)現(xiàn)71.0%的惡性淋巴結(jié)CT值中位值在25 HU-45 HU，而78.9%的良性淋巴結(jié)CT值＜25 HU或＞45 HU；CT值為25 HU-45 HU的淋巴結(jié)中58.2%為惡性，CT值＜25 HU或＞45 HU的淋巴結(jié)僅16.7%為惡性。Flechsig等[16]報告惡性淋巴結(jié)CT密度中位值顯著高于良性淋巴結(jié)，CT值＞20 HU的淋巴結(jié)中77%為惡性；CT值＜20HU的淋巴結(jié)中18%為惡性，他們認為惡性淋巴結(jié)CT值較高可能是由于淋巴結(jié)脂肪門結(jié)構(gòu)喪失引起，而淋巴結(jié)脂肪門的存在通常意味著淋巴結(jié)為良性。邵亭亭等[17]利用淋巴結(jié)與縱隔血池密度的比值診斷淋巴結(jié)良惡性，其曲線下面積（area under curve, AUC）為0.755，密度比≤0.9記為惡性淋巴結(jié)，敏感性為68.9%，特異性為79.9%。

2.3 淋巴結(jié)形狀 Yin等[18]發(fā)現(xiàn)使用淋巴結(jié)長軸長度/短軸長度之比（L/S），較使用淋巴結(jié)短軸長度能更好地判斷淋巴結(jié)良惡性。他們發(fā)現(xiàn)大多數(shù)情況下，正常淋巴結(jié)為橢圓形，而當淋巴結(jié)被惡性腫瘤侵犯時，淋巴結(jié)的形狀趨于圓形，失去了正常的橢圓形。但對于反應(yīng)性淋巴增生，長短徑的增加往往遵循一定的比例，維持正常的橢圓形。他們報道惡性淋巴結(jié)L/S平均為1.60，良性淋巴結(jié)L/S平均為2.03；86.48%的轉(zhuǎn)移淋巴結(jié)的L/S＜2，而78.57%的良性淋巴結(jié)的L/S≥1.5，但計算淋巴結(jié)L/S需先得到淋巴結(jié)立體圖像，相比測量淋巴結(jié)短軸更加復(fù)雜。

通過CT診斷淋巴結(jié)良惡性主要基于腫瘤細胞可引起淋巴結(jié)結(jié)構(gòu)改變，包括淋巴結(jié)的大小、形狀、密度等。但對于微小轉(zhuǎn)移灶，CT觀測到的淋巴結(jié)結(jié)構(gòu)可能保持正常，同時這些結(jié)構(gòu)改變在炎癥、肉芽腫、淋巴結(jié)反應(yīng)性增生等良性病變中也可出現(xiàn)，因此其敏感性和特異性均低。相較于臨床常用的平掃和增強CT，近些年發(fā)展的能譜CT也表現(xiàn)出較高的診斷價值，朱巧等[19]報道定量能譜參數(shù)如靜脈期標準化碘濃度可通過反映淋巴結(jié)內(nèi)部血供情況進而鑒別淋巴結(jié)良惡性，其準確性為77.9%，優(yōu)于通過淋巴結(jié)短徑診斷，具有潛在應(yīng)用價值。

3 基于PET/CT診斷腫大淋巴結(jié)良惡性

PET/CT是一種可有機融合PET代謝圖像和CT解剖圖像的影像學技術(shù)，其中PET?；谑聚檮?8F-氟脫氧葡萄糖（18F-fluorodeoxyglucose,18F-FDG）在腫瘤細胞中攝取更高進行成像。PET/CT診斷NSCLC淋巴結(jié)良惡性主要依據(jù)淋巴結(jié)的SUVmax，一般認為SUVmax≥2.5的淋巴結(jié)為惡性。PET/CT根據(jù)淋巴結(jié)代謝增高，可發(fā)現(xiàn)正常大小淋巴結(jié)中的轉(zhuǎn)移灶，因而其診斷惡性淋巴結(jié)的敏感性顯著高于CT。然而炎癥、結(jié)核病等非腫瘤轉(zhuǎn)移因素同樣可引起淋巴結(jié)代謝增高，使得其診斷特異性降低[20]。此外受限于代謝成像分辨率有限，微小的高代謝灶由于部分容積效應(yīng)無法在PET/CT上得到體現(xiàn)，仍然存在假陰性的問題[21]。PET/CT診斷性能受淋巴結(jié)大小影響，對短徑≥1 cm的淋巴結(jié)，PET/CT敏感性顯著高于短徑＜1 cm的淋巴結(jié)（74%vs40%），但特異性顯著降低（81%vs98%），同時準確性也顯著降低（78%vs90%）[22]。此外SUVmax測量的準確性受到一些干擾因素的影響，如血糖水平、呼吸運動、示蹤劑的攝取時間等[23]。臨床常用的淋巴結(jié)SUVmax僅代表特定時間特定區(qū)域內(nèi)具有最高體素值的單一代謝焦點，近年來其他代謝參數(shù)也表現(xiàn)出對淋巴結(jié)良惡性獨特的診斷價值。

3.1 淋巴結(jié)SUVmax 惡性淋巴結(jié)由于存在腫瘤細胞，代謝變得更加活躍，可攝取更多的18F-FDG，在PET/CT上具有更高的SUVmax，但炎癥等因素同樣會使得淋巴結(jié)代謝增高進而導(dǎo)致假陽性，而轉(zhuǎn)移灶較小時則可產(chǎn)生假陰性診斷。關(guān)于淋巴結(jié)SUVmax的最佳截止值尚有爭論，目前一般采用SUVmax≥2.5作為惡性淋巴結(jié)的診斷標準。一項薈萃分析[24]報告以淋巴結(jié)SUVmax≥2.5為標準，PET/CT診斷惡性淋巴結(jié)的匯總敏感性和特異性分別為81.3%和79.4%，而以淋巴結(jié)活動大于本底背景為標準的敏感性和特異性分別為77.4%和90.1%。Lee等[15]發(fā)現(xiàn)使用4.0作為SUVmax的截止值，顯示出對惡性淋巴結(jié)最高的診斷能力，其特異性較高為94.5%，而敏感性稍低，為70.4%。Kumar等[25]發(fā)現(xiàn)適當增加SUVmax截止值可提高特異性，同時保持可接受的敏感性，他們發(fā)現(xiàn)當2.5作為截止值時，敏感性為93%，特異性為40%，而當6.2作為截止值時，敏感性為87%，特異性為70%。不同研究間SUVmax最佳截止值存在差異，可能與納入的研究人群及測量條件有關(guān)。

3.2 淋巴結(jié)體積代謝參數(shù) SUVmax僅代表特定區(qū)域內(nèi)具有最高體素值的單一代謝焦點，基于體積的代謝參數(shù)如代謝腫瘤體積（metabolic tumor volume, MTV）、總病變糖酵解（total lesion glycolysis, TLG）在診斷良惡性淋巴結(jié)方面的價值也得到了關(guān)注。Nakanishi等[26]發(fā)現(xiàn)惡性淋巴結(jié)的SUVmax、MTV、TLG3.5以及淋巴結(jié)與原發(fā)腫瘤SUVmax的比率（lymph node-to-primary tumor ratio of SUVmax, LPR）均顯著高于良性淋巴結(jié)。多變量分析提示淋巴結(jié)的LPR可替代SUVmax作為診斷淋巴結(jié)良惡性的獨立預(yù)測因素。此外，亞組分析提示在肺鱗癌中LPR預(yù)測效果最佳，而在肺腺癌中TLG3.5預(yù)測效果最佳。

3.3 淋巴結(jié)雙時間點（dual-time-point, DTP）成像參數(shù) DTP18F-FDG PET/CT在區(qū)分良性和惡性病變方面具有優(yōu)勢，其基本原理是腫瘤中18F-FDG的攝取可能會隨著時間的推移而增加，而在正常和非惡性病變中18F-FDG的攝取隨時間的推移可能會保持穩(wěn)定或減少[27]。相較于某時刻測得的SUVmax，18F-FDG攝取隨時間的變化可能是一個更好的區(qū)分良惡性疾病的代謝參數(shù)。Lee等[28]報道DTP PET/CT對診斷NSCLC縱隔淋巴結(jié)具有良好性能，早期圖像顯示靈敏度為0.80，特異性為0.83，延遲圖像顯示靈敏度為0.84，特異性為0.87?；谠缙诤脱舆t圖像計算的保留指數(shù)或SUVmax的百分比變化在診斷縱隔淋巴結(jié)方面優(yōu)于單獨早期或延遲的DTP PET/CT圖像。

目前常用的示蹤劑18F-FDG對惡性淋巴結(jié)診斷具有較高的敏感性，但由于18F-FDG攝取增加在增生、炎癥、感染和肉芽腫性疾病中均可存在，因而其特異性較低[20]，對惡性淋巴結(jié)診斷更敏感和特異的示蹤劑仍在探索中。Zhou等[29]發(fā)現(xiàn)示蹤劑68Ga-DOTA-FAPI-04在良性淋巴結(jié)中攝取顯著低于惡性淋巴結(jié)，可明顯降低淋巴結(jié)診斷的假陽性率，然而與18F-FDG相比，使用68Ga-DOTA-FAPI-04產(chǎn)生了更多的假陰性診斷，他們認為可能是由于小轉(zhuǎn)移灶中成纖維細胞激活蛋白表達較低所致，其診斷性能仍待進一步驗證。

4 基于磁共振成像（magnetic resonance imaging, MRI）診斷腫大淋巴結(jié)良惡性

MRI由于掃描時間較長且肺部運動幅度較大、空氣充盈等原因難以對肺部清晰成像，未常規(guī)應(yīng)用于NSCLC胸部檢查[30]。隨著MRI快速成像技術(shù)的發(fā)展，近幾年已有較多研究報道了MRI對診斷惡性淋巴結(jié)具有較高的特異性和準確性，但目前尚未廣泛應(yīng)用于臨床。MRI中的擴散加權(quán)成像（diffusion weighted imaging, DWI）序列可反映組織中水分子的擴散情況，對診斷淋巴結(jié)良惡性具有較好的效果，在DWI序列中測量表觀彌散系數(shù)（apparent diffusion coefficient, ADC）可用于鑒別淋巴結(jié)良惡性[31]。

ADC值反映了DWI序列中不同方向的分子擴散運動的速度和范圍，對鑒別淋巴結(jié)良惡性有潛在應(yīng)用價值。其原理基于惡性淋巴結(jié)存在腫瘤細胞，而腫瘤細胞內(nèi)水分子活動較正常細胞受限，因而其ADC值減低[32]。ADC值的常用類型包括平均ADC（mean ADC value, ADCmean）和最小ADC（minimum ADC value, ADCmin），蔡榮芳等[33]使用1.88×10-3mm2/s作為ADCmean閾值時診斷惡性淋巴結(jié)的敏感度和特異度分別為96.6%和90.3%，而使用1.57×10-3mm2/s作為ADCmin閾值時敏感度和特異度分別為98.3%和90.3%。一項薈萃分析[34]報道基于DWI序列診斷淋巴結(jié)良惡性的匯總敏感性和特異性分別為0.70和0.97，PET/CT的相應(yīng)值分別為0.69和0.93，這表明PET/CT和MRI的DWI序列均有利于診斷縱隔淋巴結(jié)良惡性，診斷能力無統(tǒng)計學差異。

對于診斷淋巴結(jié)良惡性，除了目前研究較多的DWI序列，其他序列如短時間反轉(zhuǎn)恢復(fù)序列等也被認為存在診斷價值[35]。相較于在臨床廣泛使用的CT和PET/CT，將肺部MRI納入常規(guī)臨床實踐仍有許多問題待解決，包括進一步驗證基于圖像的測量方法、建立正常值、證明成本效益和可改善患者預(yù)后等[36]。

5 基于影像組學診斷腫大淋巴結(jié)良惡性

影像組學于2012年由Lambin等[37]提出，如今已成為一門處理醫(yī)學影像的新興學科，影像組學通過自動算法將醫(yī)學影像中的感興趣區(qū)域（region of interest, ROI）轉(zhuǎn)化為高通量定量特征信息，從而將圖像轉(zhuǎn)化為可挖掘的數(shù)據(jù)。影像組學可幫助醫(yī)生量化ROI中諸如紋理、形狀、小波等難以人工觀測的特征，這些特征可通過機器學習算法（如支持向量機、隨機森林等）進行挖掘，進而建立數(shù)學模型。影像組學特征在反映腫瘤的生物學信息，例如細胞形態(tài)、分子和基因表達等方面已取得大量研究成果，可比臨床醫(yī)生更準確地判斷病理類型、預(yù)后和治療反應(yīng)等[38]。近年來，基于影像組學診斷腫大淋巴結(jié)良惡性的研究已取得大量成果，有望在現(xiàn)有成像技術(shù)下進一步提升淋巴結(jié)診斷的準確性。

惡性淋巴結(jié)由于腫瘤細胞的存在，可有淋巴結(jié)結(jié)構(gòu)的改變，如前所述可在大小、密度、形狀等方面不同于良性淋巴結(jié)。除了可人工觀測的特征外，惡性淋巴結(jié)還有許多人工難以觀測的特征不同于良性淋巴結(jié)，例如異質(zhì)性等，而通過影像組學的特征提取算法可反映這些差異。Andersen等[39]分析了29例NSCLC患者的46個縱隔淋巴結(jié)，通過對淋巴結(jié)區(qū)域的增強CT進行紋理分析，他們發(fā)現(xiàn)良性和惡性淋巴結(jié)的紋理特征存在顯著差異，并通過篩選的紋理特征建立邏輯回歸模型，其診斷淋巴結(jié)良惡性的AUC為0.834。同年Bayanati等[40]也發(fā)現(xiàn)平掃CT上縱隔淋巴結(jié)的紋理特征以及3個表征淋巴結(jié)圓形度的形狀參數(shù)可建立模型區(qū)分良性和惡性淋巴結(jié)，其AUC為0.87。Sha等[41]提取了平掃期、動脈期、靜脈期圖像的淋巴結(jié)影像組學特征用于鑒別淋巴結(jié)良惡性，結(jié)果顯示不同CT相位的影像組學模型都有較高的準確性，其中平掃期模型AUC最高，聯(lián)合動脈期特征后，其敏感性和陰性預(yù)測值可進一步提高。

隨著PET/CT應(yīng)用的增多，基于PET/CT進行影像組學建模也顯示出較單純PET/CT參數(shù)有更好的診斷性能。Yoo等[42]分析了1,329個縱隔淋巴結(jié)的PET/CT影像，提取并篩選影像組學特征，通過增強決策樹建立的縱隔淋巴結(jié)診斷模型效果最佳，并且在模型結(jié)合患者吸煙史和肺部病史后，其準確率和AUC顯著高于醫(yī)生，尤其是對SUVmax偏低的縱隔淋巴結(jié)。Xie等[43]回顧性分析了263個淋巴結(jié)，提取了其在PET/CT中對應(yīng)區(qū)域的CT影像組學特征，通過特征篩選后，納入14個影像組學特征建立了診斷淋巴結(jié)良惡性的淋巴結(jié)影像組學評分，其AUC在訓(xùn)練組和測試組中分別為0.849和0.828。此外多變量邏輯回歸提示，淋巴結(jié)影像組學評分和SUVmax是診斷淋巴結(jié)良惡性的獨立風險因素，可建立診斷列線圖，其在測試組的AUC為0.872，顯著高于僅使用淋巴結(jié)SUVmax的AUC（0.828）和僅使用淋巴結(jié)短軸的AUC（0.729）。Ouyang等[44]回顧了298個高代謝淋巴結(jié)，為了區(qū)分高代謝淋巴結(jié)的良惡性，他們提取了PET上高代謝淋巴結(jié)區(qū)域的影像組學特征，并篩選出4個特征用于建立診斷模型，在外部驗證隊列中其AUC為0.808，而通過2個臨床特征（淋巴結(jié)大小和淋巴結(jié)平均CT值）建立模型的AUC為0.802，結(jié)合三者的綜合模型AUC為0.841，此外他們發(fā)現(xiàn)惡性淋巴結(jié)有3個與組織異質(zhì)性相關(guān)的影像組學特征GLRLM_GLNU、GLRLM_RLNU及NGLDM_Coarseness顯著高于良性淋巴結(jié)，這提示惡性淋巴結(jié)可能較良性淋巴結(jié)具有更高的組織異質(zhì)性，這或許是影像組學診斷淋巴結(jié)良惡性的生物學基礎(chǔ)之一。

通過影像組學提取并篩選淋巴結(jié)區(qū)域豐富的影像特征，進而建立診斷模型已提升了淋巴結(jié)良惡性診斷的準確性，表現(xiàn)出了巨大的臨床價值，但目前研究以單中心回顧性研究為主，還有待進一步多中心前瞻性研究驗證。

6 基于深度學習診斷腫大淋巴結(jié)良惡性

深度學習是一類先進的人工智能方法，它具有的多層神經(jīng)網(wǎng)絡(luò)架構(gòu)可將輸入信息轉(zhuǎn)換為多個抽象層次的數(shù)據(jù)表示，極大地提升了圖像、語音、文本等識別的水平[45]。對于醫(yī)學影像處理，深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural networks, DCNN）是最常用的深度學習網(wǎng)絡(luò)，它可通過反向傳播調(diào)整權(quán)重進行訓(xùn)練，從訓(xùn)練樣本中學習提取相關(guān)特征[46]。相較于影像組學所提取的特征是預(yù)先設(shè)計的，DCNN通過訓(xùn)練來自動學習目標相關(guān)的特征表征，可以學習到更抽象和豐富的特征。此外相較于影像組學，深度學習無需精確地描繪ROI，大大減少了工作量。

目前在NSCLC中基于深度學習建立淋巴結(jié)良惡性診斷模型尚處于起步階段，Pham等[47]分析了271個縱隔淋巴結(jié)的CT影像，通過預(yù)訓(xùn)練的深度學習網(wǎng)絡(luò)ResNet-101提取影像特征，并通過支持向量機建立診斷模型，結(jié)果顯示模型的準確性為88%，敏感性為85%，特異性為92%，較使用傳統(tǒng)影像組學模型效果更佳。然而相較于傳統(tǒng)的影像組學特征，深度學習網(wǎng)絡(luò)提取的特征更加抽象，臨床醫(yī)生可能對其診斷結(jié)果持懷疑態(tài)度，但不可否認深度學習模型已在多種醫(yī)學任務(wù)中表現(xiàn)出巨大優(yōu)勢[48]。在其他類型的腫瘤中，基于深度學習診斷淋巴結(jié)良惡性已取得了良好的效果，如Lee等[49]在甲狀腺癌中應(yīng)用995個頸部淋巴結(jié)的CT影像訓(xùn)練了基于深度學習的淋巴結(jié)良惡性診斷模型，其AUC為0.953，并后續(xù)進行了外部驗證，其AUC為0.884[50]。

基于深度學習建立NSCLC淋巴結(jié)良惡性診斷模型，表現(xiàn)出了巨大的潛力，未來通過建立更先進的“端到端”人工智能模型，或許將進一步提升模型的診斷性能，同時相較于影像組學，可進一步減輕人工描畫ROI的負擔和主觀性。

7 問題與展望

診斷NSCLC患者腫大淋巴結(jié)的良惡性是準確評估患者淋巴結(jié)分期的基礎(chǔ)，但目前廣泛使用的CT和PET/CT診斷標準假陽性率和假陰性率均較高，無法滿足臨床需求。CT診斷基于腫瘤細胞引起淋巴結(jié)結(jié)構(gòu)（大小、密度等）改變，其敏感性和特異性均低。PET/CT診斷基于腫瘤細胞引起淋巴結(jié)代謝增高，敏感性明顯高于CT，但炎癥等同樣可引起淋巴結(jié)代謝增高，因而特異性較低，DTP PET/CT的應(yīng)用有助于進一步提升診斷性能。MRI診斷基于腫瘤細胞引起水分子運動受限，在良性腫大中較少出現(xiàn)，因而具有更高的特異性。目前影像學基于淋巴結(jié)結(jié)構(gòu)或代謝改變進行診斷，需腫瘤細胞達一定數(shù)量，因而對微小轉(zhuǎn)移灶的診斷仍存在困難，導(dǎo)致敏感性較低。影像組學在目前的成像技術(shù)下，通過挖掘豐富的影像特征并建立診斷模型，進一步提升了診斷準確性，表現(xiàn)出巨大的應(yīng)用價值，但目前的研究主要以單中心回顧性研究為主，還有待進一步臨床檢驗?；趩我荒B(tài)影像已進行了大量研究，進而聯(lián)合多模態(tài)影像數(shù)據(jù)以提升診斷準確性將是未來的研究重點，此外應(yīng)用更先進的人工智能技術(shù)能否進一步提升診斷準確性也值得期待。