劉倩倩，黃小華，潘 珂（通信作者）

（川北醫(yī)學院附屬醫(yī)院放射科 四川 南充 637000）

近年，隨著低劑量CT（low dose CT，LDCT）普及和高分辨CT（high resolution CT，HRCT）廣泛應用，肺磨玻璃結(jié)節(jié)（ground glass nodule，GGN）檢出明顯增多。GGN 是指CT 上局部密度增高，其內(nèi)部的血管紋理和支氣管影走形如常，是一種特征非特異性的影像學征象，病因多樣，可為感染、出血或腫瘤等。隨著對GGN 的研究深入，發(fā)現(xiàn)其是早期肺腺癌的影像學表現(xiàn)，惡性率高，病理以腺癌多見，及早手術(shù)5 年生存率近100%[1-3]。目前，CT 依然是GGN 篩查、診斷和隨訪的主要方式。磨玻璃樣結(jié)節(jié)肺腺癌CT 征象識別對診斷、鑒別診斷有十分重要的意義，本文就磨玻璃樣結(jié)節(jié)肺腺癌的CT 征象及研究進展予以綜述。

1 分類

GGN 分類尚未統(tǒng)一，多是基于CT 表現(xiàn)，主要分為純磨玻璃結(jié)節(jié)（pure GGN，pGGN）、部分實性結(jié)節(jié)（part solid nodule，PSN）和實性結(jié)節(jié)（solid nodule，SN）[4]。pGGN 指內(nèi)無實性成分，PSN 是指內(nèi)有實性成分的GGN[5]。也有學者把PSN 稱為混合磨玻璃結(jié)節(jié)（mixed GGN，mGGN）。

2011 年，肺癌國際協(xié)會對肺腺癌病理分型進行重新分類[6]，分為浸潤前病變、微浸潤性腺癌（minimally invasive adenocarcinoma，MIA）及浸潤性腺癌（invasive adenocarcinoma，IAC），其中浸潤前病變包括非典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）和原位腺癌（adenocarcinoma insitu，AIS）。不同類型GGN手術(shù)方式和預后不盡相同，浸潤前病變只需做局部切除[7]，5 年生存率為100%[3,6]；MIA 為局部肺楔形切除術(shù)[7-8]，5 年生存率為87.0%～95.5%[7,9]；IAC 需肺葉切除并淋巴結(jié)清掃[10]，由于血管侵犯和淋巴結(jié)轉(zhuǎn)移，5 年生存率僅為38%～86%[11]。

2 CT特征征象表現(xiàn)

當下對GGN 的良惡性診斷主要依據(jù)是CT 影像表現(xiàn)，特征征象主要包括大小、形態(tài)、邊緣、毛刺征、實性成分占比、鄰近結(jié)構(gòu)關(guān)系，這些征象仍然是現(xiàn)階段影像科醫(yī)師對GGN 診斷的主要依據(jù)[2]。

2.1 大小

大小是評估結(jié)節(jié)性質(zhì)的首要重點征象[11-12]，結(jié)節(jié)的惡變率與其直徑呈正相關(guān)，直徑小于6 mm 時惡性率低于1%，6～8 mm 時惡性率是1%～2%[11]。Lu 等[13]發(fā)現(xiàn)GGN 直徑＞9.8 mm 是預測良惡性的臨界值。肺結(jié)節(jié)專家共識[5]、NCCN 指南[11]、Fleischner 協(xié)會指南[15]對結(jié)節(jié)的隨訪策略中指出首要考慮因素仍然是結(jié)節(jié)的大小，大小是直接決定隨訪時間、臨床診療決策的首要因素。研究發(fā)現(xiàn)IAC 的直徑明顯大于浸潤前病變，且隨著從AAH到IAC 的進展呈現(xiàn)出逐漸增大的趨勢[13-14]。雖然對結(jié)節(jié)大小評判良惡性閾值不一[16]，但都認為直徑越大惡性率越大。有研究發(fā)現(xiàn)可通過GGN 的大小輔助鑒別IAC 和非IAC，閾值為11.5 mm，AUC 為0.865[17]。但結(jié)節(jié)大小的測定方法一直存在爭議，特別是對于亞毫米結(jié)節(jié)，不同研究者、不同測量層面、不同測量次數(shù)、測量方法（手動測量和AI 自動測量）均會帶來較大誤差，甚至導致研究結(jié)果相反[16]。因此提出測量結(jié)節(jié)體積、質(zhì)量、倍增時間來反映GGN 的性質(zhì)和生長變化情況[11,18-19]，發(fā)現(xiàn)測量結(jié)節(jié)的體積、質(zhì)量、容積變化率、倍增時間比直徑更能反映其動態(tài)變化過程，能更敏感地反映其病理變化過程[18]。

2.2 外形

有研究發(fā)現(xiàn)pGGN 外形為圓形質(zhì)軟時為惡性可能性更大[13]。mGGN 實性成分位于中央比位于外周邊惡性可能性更大[9]。結(jié)節(jié)外周呈波浪狀或扇形時稱為分葉征，為深分葉和淺分葉。淺分葉的結(jié)節(jié)為惡性可能性更大[20]。Wu等[21]發(fā)現(xiàn)浸潤前病變的邊緣光滑，MIA 與周圍組織分界不清，因此分葉征被認為是具有侵襲性的特征征象[22]。但GGN較小時，特別是亞毫米，常規(guī)CT難以觀察分葉征，需在薄層圖像上或增大矩陣或?qū)Y(jié)節(jié)進行靶掃描、靶重建，結(jié)合多平面重組圖像，多方位觀察以精準診斷。

2.3 毛刺征

病灶的邊緣反映了病變與正常組織的關(guān)系，毛刺征是結(jié)節(jié)CT 征象中較常見的征象，是指結(jié)節(jié)邊緣小棘狀突起；但并非是惡性腫瘤的特異性征象，良性病變常亦可見。有研究發(fā)現(xiàn)GGN 見毛刺征時更傾向于浸潤性病變，病理機制為腫瘤細胞向周圍浸潤致其毛糙、不光整[22-24]。炎性結(jié)節(jié)也可見毛刺征象，相對腫瘤而言，炎癥所致的毛刺更長更纖細，病理上是由于炎癥細胞的浸潤致病變邊緣與鄰近肺組織的滲出牽拉所致。

2.4 空氣支氣管征

空氣支氣管征指病灶內(nèi)細條狀的空氣密度影，病理基礎(chǔ)是軟骨彈性層或癌細胞累積支氣管。研究把GGN 內(nèi)的支氣管改變分為3 型：Ⅰ型-支氣管穿行；Ⅱ型-支氣管擴張、扭曲；Ⅲ型-支氣管阻塞、截斷，隨著GGN 侵襲性的增加，更易觀察到Ⅱ型和Ⅲ型支氣管[25]。Zhang 等[26]發(fā)現(xiàn)空氣支氣管征與pGGN 病理組織學浸潤性密切相關(guān)；Chu 等[27]發(fā)現(xiàn)空氣支氣管征是pGGN 惡變的潛在危險因素。雖然空氣支氣管征與GGN 良惡性、浸潤性密切相關(guān)，但對于早期肺腺癌，特別是外周胸膜下pGGN 空氣支氣管征概率較小，這時需綜合其他特征征象診斷。

2.5 實性成分

實性成分指GGN 內(nèi)密度更高的實性區(qū)域。研究發(fā)現(xiàn)結(jié)節(jié)的實性成分比例越大其潛在惡性的可能性更大[16,28]。學者研究表明GGN 的實性成分是決定預后的主要因素[3,12]。國際肺癌研究學會在對肺癌分期的病理更新中指出GGN 惡性程度與CT 圖像中GGN 的實性成分明顯相關(guān)[29]，GGN 實性成分的量化是研究實性成分對GGN價值的關(guān)鍵點。有學者采用實性成分與腫瘤整體的比率（consolidation tumor ration，CTR）進行GGN 的是實性成分定量，發(fā)現(xiàn)CTR 為0 時，病變3 年內(nèi)進展風險較低，病理類型為浸潤前病變；當CTR ＞25%時，3 年內(nèi)進展的風險較高，病理類型可能為MIA 或IAC；CTR 的增加或總GGN 直徑的增加與浸潤性肺癌的風險有關(guān)[7]。研究顯示CTR ＞50%時的GGN 出現(xiàn)淋巴結(jié)轉(zhuǎn)移風險更大[30]。對于結(jié)節(jié)實性成分的評估方法眾多，且CT 掃描參數(shù)不一致也嚴重影響實性成分的測量，未來需要更科學、更精準的定量研究方法。

2.6 與鄰近結(jié)構(gòu)的關(guān)系

GGN 性質(zhì)與鄰近胸膜、血管的改變有直接相關(guān)[6]。胸膜凹陷征與GGN 的良惡性診斷密切相關(guān)，但并非是特異性征象，炎癥性病變、腫瘤性病變亦?？梢?。從形態(tài)學上看，炎癥所致的胸膜凹陷范圍更大、形態(tài)較柔軟，腫瘤所致胸膜凹陷范圍較局限、形態(tài)較僵硬。腫瘤的生長進展離不開新生血管和脈管的重構(gòu)，這為GGN 供血血管的分析提供理論基礎(chǔ)。主要將病灶與血管的關(guān)系分為3 型：Ⅰ型，繞行，未進入病灶內(nèi)，多見于良性病變；Ⅱ型，血管在GGN 內(nèi)走行如常，多見于浸潤前病變或MIA；Ⅲ型，血管走行扭曲、僵直、增粗或聚集等，多見于IAC[31]。有發(fā)現(xiàn)GGN 中的血管變化能更早、更準確地反映組織病理學過程，因此，學者[17]將pGGN 內(nèi)扭曲或擴張的血管和血管聚集定義為血管變化征象，血管變化征象與病變侵襲性直接有關(guān)，血管變化征象發(fā)生在IAC 為53.3%，而發(fā)生在AAH 為12%?？傊?，通過GGN 與其鄰近結(jié)構(gòu)的關(guān)系可為肺內(nèi)亞毫米結(jié)節(jié)的診斷提供重要診斷價值。

3 影像組學對GGN的價值

隨著計算機的迅猛發(fā)展，人工智能和影像組學在醫(yī)學領(lǐng)域的應用越來越廣泛，最先在臨床應用的便是肺小結(jié)節(jié)的輔助診斷。影像組學是從CT 圖像高通量地提取影像特征、分析病灶異質(zhì)性、對圖像紋理信息進行深度挖掘，提供腫瘤表型及病變微環(huán)境信息。目前，影像組學在GGN 研究多為結(jié)節(jié)良惡性診斷、侵襲性、預測預后和復發(fā)、基因突變等方面[32-33]；Cai 等[34]研究發(fā)現(xiàn)，影像組學方法對GGN 的診斷有較高的準確性、敏感性和特異性。Sun 等[35]研究發(fā)現(xiàn)影像組學能較準確地分析GGN 的侵襲性，結(jié)合放射學特征對GGN 侵襲的預測比單一模型預測更好。Liu 等[36]研究發(fā)現(xiàn)將影像組學特征與臨床信息結(jié)合建立后可提高準確性，還發(fā)現(xiàn)影組學特征在預測效能方面優(yōu)于臨床特征和常規(guī)CT 特征。人工智能和影像組學能提高GGN 的診斷和鑒別診斷、預測預后，但由所涉及的結(jié)構(gòu)和參數(shù)較復雜，得到的結(jié)果大多是計算機類名詞如灰度共生矩陣、熵等，難以與傳統(tǒng)醫(yī)學相關(guān)聯(lián)，難以用醫(yī)學做出解釋和醫(yī)患溝通，此外還可能出現(xiàn)的過擬合問題，還需要內(nèi)部和外部驗證來確保結(jié)果的可靠性，未來還需要更多的研究以建立醫(yī)學與工學的關(guān)聯(lián)，讓人工智能工具更能廣泛地為臨床服務。

3 小結(jié)

通過對GGN 征象的識別能做出較準確的診斷，主要的CT 征象包括結(jié)節(jié)的大小、外形、毛刺征、空氣支氣管征、實性成分、結(jié)節(jié)與鄰近胸膜和血管的關(guān)系，上述CT征象與結(jié)節(jié)的性質(zhì)、侵襲性和預后直接相關(guān)。當亞毫米結(jié)節(jié)時，需注意采用先進的CT 掃描技術(shù)（如靶掃描）、后處理方法（如靶重建、高分辨重建、迭代重建）以顯示微小結(jié)節(jié)的細微征象。結(jié)合人工智能和影像組學能大大提高對GGN 的正確診斷率，還能預測預后、病理分型及基因突變等信息，為臨床治療方案的抉擇提供重要信息；但目前對重要數(shù)據(jù)的閾值仍未達成共識，需要臨床研究人員提出更準確性的預測方法，以提高診斷率。此外，影像科醫(yī)生仍需重視GGN 的CT 傳統(tǒng)征象識別，特別是在青年醫(yī)師的培養(yǎng)過程中，不能過度依賴人工智能等軟件工具。