［摘要］ 目的：通過(guò)分析CT影像特征及人工智能定量參數(shù)，評(píng)估肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的危險(xiǎn)因素。方法：收集128例經(jīng)病理證實(shí)的肺腺癌磨玻璃結(jié)節(jié)患者的CT資料，根據(jù)結(jié)節(jié)生長(zhǎng)趨勢(shì)、隨訪情況，分為生長(zhǎng)組59例和穩(wěn)定組69例。利用人工智能輔助診斷技術(shù)對(duì)CT圖像進(jìn)行分析，提取相關(guān)定性及定量參數(shù)，采用單因素和二元logistic回歸分析評(píng)估各因素與肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的關(guān)系，繪制ROC曲線分析各危險(xiǎn)因素的診斷效能。結(jié)果：2組年齡、CT影像特征（磨玻璃結(jié)節(jié)形態(tài)、類(lèi)型、空泡征、支氣管異常、內(nèi)部血管征、分葉征）及人工智能定量參數(shù)（實(shí)性成分體積占比、實(shí)性成分質(zhì)量占比、最大CT值、平均CT值、中位數(shù)、標(biāo)準(zhǔn)差、偏度、熵）差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。內(nèi)部血管征、實(shí)性成分質(zhì)量占比、平均CT值是肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的獨(dú)立危險(xiǎn)因素。ROC曲線分析顯示，實(shí)性成分質(zhì)量占比的診斷效能最高（AUC=0.835），其次為平均CT值（AUC=0.766），而內(nèi)部血管征的診斷效能相對(duì)較低（AUC=0.693）。結(jié)論：肺腺癌磨玻璃結(jié)節(jié)的CT影像特征及人工智能定量參數(shù)分析顯示，內(nèi)部血管征、實(shí)性成分質(zhì)量占比、平均CT值是預(yù)測(cè)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的危險(xiǎn)因素。

［關(guān)鍵詞］ 體層攝影術(shù)，X線計(jì)算機(jī)；肺磨玻璃結(jié)節(jié)；肺腺癌；結(jié)節(jié)生長(zhǎng)；危險(xiǎn)因素

Risk factors of ground-glass nodule growth in lung adenocarcinoma predicted by CT features and quantitative parameters of artificial intelligence

WANG Rong1，2，ZHANG Na1，2，WANG Qian1，2，LIU Zhenhe1，2，XIE Bingkun1，2

1Imaging Center，Dezhou Hospital of Qilu Hospital of Shandong University，Dezhou 253000，China；2Dezhou Key Laboratory of Intelligent Imaging，Dezhou 253000，China.

［Abstract］ Objective：To investigate the risk factors of the growth of ground-glass nodule （GGN） in lung adenocarcinoma by analyzing CT features and quantitative parameters of artificial intelligence （AI）. Methods：CT data of 128 patients with lung adenocarcinoma GGNs were collected. According to the GGNs growth trend，the patients were divided into a growth group （59 cases） and a stable group （69 cases）. AI-assisted diagnosis technique was used to analyze CT images，and the relevant qualitative and quantitative parameters were extracted. Univariate and binary logistic regression analysis were used to evaluate the correlations between the various factors and GGN growth，and ROC curve was drawn to analyze the diagnostic efficacy of each risk factor. Results：There were statistical differences in age，CT features （nodule morphology，type，bubble sign，bronchial abnormality，internal vessel sign，lobulation sign） and AI quantitative parameters （solid component volume ratio，solid component mass ratio，maximum CT value，average CT value，median，standard deviation，skewness，entropy） between the two groups （all Plt;0.05）. Internal vessel sign，solid component mass ratio and average CT value were the independent risk factors for GGN growth. ROC curve analysis showed that the diagnostic efficiency of solid component mass ratio was the highest （AUC of 0.835），followed by the average CT value （AUC of 0.766），while that of internal vessel sign was relatively low （AUC of 0.693）. Conclusions：Based on the analysis of CT features and AI quantitative parameters of GGNs，the internal vessel sign，solid component mass ratio and average CT value are the risk factors for predicting GGN growth.

［Key words］ Tomography，X-ray computed；Pulmonary ground glass nodules；Adenocarcinoma of the lung；Nodular growth；Risk factors

肺腺癌是最常見(jiàn)的肺癌類(lèi)型，早期診斷治療對(duì)提高患者生存率和生活質(zhì)量有重要意義［1］。肺腺癌磨玻璃結(jié)節(jié)的生長(zhǎng)趨勢(shì)和危險(xiǎn)因素一直是臨床研究的熱點(diǎn)［2］。對(duì)術(shù)前影像學(xué)判斷性質(zhì)不明確的結(jié)節(jié)，隨診觀察其是否生長(zhǎng)是判斷良惡性的重要方法；另外，生長(zhǎng)緩慢的早期肺癌并不會(huì)顯著影響患者的生存率［3］。因此，深度挖掘肺腺癌磨玻璃結(jié)節(jié)的影像學(xué)信息，準(zhǔn)確預(yù)判結(jié)節(jié)的生長(zhǎng)趨勢(shì)并精準(zhǔn)分層非常重要。醫(yī)學(xué)影像技術(shù)和人工智能的快速發(fā)展，使得通過(guò)CT影像特征及人工智能定量參數(shù)評(píng)估肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的危險(xiǎn)因素已成為可能。本研究基于人工智能輔助診斷技術(shù)，分析肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的危險(xiǎn)因素，以期為肺腺癌磨玻璃結(jié)節(jié)個(gè)性化管理和精準(zhǔn)診療方案的制訂提供影像診斷依據(jù)。

1" 資料與方法

1.1" 一般資料

選取我院2016年10月至2023年12月經(jīng)病理證實(shí)的肺腺癌患者128例，術(shù)前CT檢查≥2次，且CT表現(xiàn)為磨玻璃密度結(jié)節(jié)。納入標(biāo)準(zhǔn)：①參考《肺結(jié)節(jié)診治中國(guó)專(zhuān)家共識(shí)（2018年版）》［4］中的肺結(jié)節(jié)定義，即影像學(xué)表現(xiàn)為直徑≤3 cm的純磨玻璃或混合磨玻璃陰影；②隨訪≥2年或隨訪lt;2年但顯示生長(zhǎng)；③隨訪期間未行組織學(xué)活檢和抗腫瘤治療。排除標(biāo)準(zhǔn)：①合并其他原發(fā)惡性腫瘤病史；②存在呼吸、運(yùn)動(dòng)偽影，影響人工智能輔助診斷分割、分析的圖像；③電子病歷信息不完整。參考國(guó)內(nèi)外文獻(xiàn)及Fleischner協(xié)會(huì)2017指南的規(guī)定，肺結(jié)節(jié)生長(zhǎng)的定義是指在多時(shí)間窗CT圖像上，直徑增加gt;2 mm或2次CT檢查圖像上結(jié)節(jié)體積增加25%［5-7］。

通過(guò)對(duì)比人工智能測(cè)量肺腺癌磨玻璃結(jié)節(jié)初次及末次隨訪CT圖像的直徑或體積差異情況，將128例分為生長(zhǎng)組59例（46.09%）和穩(wěn)定組69例（53.91%）。本研究經(jīng)醫(yī)院倫理委員會(huì)審核批準(zhǔn)（2023009）。

1.2" 儀器與方法

采用GE Optima 64排CT掃描儀，患者屏氣、取仰臥位。掃描參數(shù)：采用自動(dòng)曝光劑量調(diào)整掃描模式，80～120 kV，自動(dòng)毫安秒，矩陣512×512，層厚5 mm。所有肺窗圖像采用銳利算法，重建層距1.25 mm，重建層厚1.25 mm。

1.3" 圖像分析

將CT圖像導(dǎo)入人工智能輔助診斷系統(tǒng)（上海聯(lián)影公司uAI軟件）中的肺結(jié)節(jié)智能診斷模塊分析，由2位具有5年以上工作經(jīng)驗(yàn)的胸部影像診斷主治醫(yī)師記錄患者臨床資料（性別、發(fā)現(xiàn)病灶的初始年齡、隨訪時(shí)間、病理類(lèi)型、結(jié)節(jié)位置），同時(shí)結(jié)合人工智能分析軟件采用雙盲法對(duì)結(jié)節(jié)的CT征象及人工智能定量參數(shù)進(jìn)行分析和記錄。CT征象包括結(jié)節(jié)大小、位置、形狀（圓形/類(lèi)圓形、不規(guī)則形）、類(lèi)型（純磨玻璃結(jié)節(jié)、混合磨玻璃結(jié)節(jié)）、空泡征、支氣管異常征（支氣管進(jìn)入病灶并有僵硬、扭曲、狹窄、擴(kuò)張等）、內(nèi)部血管征（肺血管進(jìn)入病灶且走行扭曲、僵直、增粗）、結(jié)節(jié)邊緣征象（分葉征、毛刺征、胸膜牽拉征等）。人工智能定量參數(shù)包括結(jié)節(jié)體積、質(zhì)量、實(shí)性成分體積占比與質(zhì)量占比、最大CT值、最小CT值、平均CT值、中位數(shù)、標(biāo)準(zhǔn)差、峰度、偏度、熵等。若結(jié)節(jié)不規(guī)則、自動(dòng)識(shí)別不準(zhǔn)確時(shí)，2位醫(yī)師采用手動(dòng)識(shí)別、協(xié)商確定結(jié)節(jié)范圍，意見(jiàn)不一致時(shí)，咨詢上級(jí)醫(yī)師達(dá)成共識(shí)。

1.4" 統(tǒng)計(jì)學(xué)分析

采用SPSS 21.0統(tǒng)計(jì)軟件進(jìn)行數(shù)據(jù)分析。計(jì)數(shù)資料組間比較行χ2檢驗(yàn)。正態(tài)分布的計(jì)量資料以x±s表示，組間比較行獨(dú)立樣本t檢驗(yàn)；非正態(tài)分布者以M（QL，QU）表示，組間比較行Mann-Whitney U檢驗(yàn)。對(duì)差異有統(tǒng)計(jì)學(xué)意義的CT特征及人工智能定量參數(shù)行二元logistic回歸分析確定獨(dú)立危險(xiǎn)因素。并繪制ROC曲線，評(píng)估獨(dú)立危險(xiǎn)因素的診斷效能。以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

2" 結(jié)果

2.1" 2組一般資料比較

2組性別、隨訪時(shí)間、病灶分布比較，差異均無(wú)統(tǒng)計(jì)學(xué)意義（均Pgt;0.05）；發(fā)現(xiàn)病灶的初始年齡及病理類(lèi)型差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）（表1）。

2.2" 2組CT影像特征及人工智能定量參數(shù)比較

2組結(jié)節(jié)形狀、類(lèi)型、空泡征、支氣管異常征、內(nèi)部血管征、分葉征比較，差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）（表2，圖1～3）。

2組結(jié)節(jié)的實(shí)性成分體積占比、實(shí)性成分質(zhì)量占比、最大CT值、平均CT值、中位數(shù)、標(biāo)準(zhǔn)差、偏度、熵差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。

2.3" 二元logistic回歸分析

將2組差異有統(tǒng)計(jì)學(xué)意義的人工智能定量參數(shù)及CT影像特征行二元logistic回歸分析，結(jié)果顯示實(shí)性成分質(zhì)量占比、平均CT值、內(nèi)部血管征是預(yù)測(cè)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的獨(dú)立危險(xiǎn)因素（表3，4）。

2.4" 肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)獨(dú)立危險(xiǎn)因素的ROC曲線分析

將logistic回歸分析得出的獨(dú)立危險(xiǎn)因素行ROC曲線分析，結(jié)果表明在區(qū)分肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)與穩(wěn)定病變中，實(shí)性成分質(zhì)量占比的診斷效能最高，AUC為0.835，當(dāng)實(shí)性成分質(zhì)量占比gt;5%，診斷敏感度為84.7%，特異度為76.8%；其次是平均CT值的診斷效能，AUC為0.766，當(dāng)平均CT值gt;-454.80 HU時(shí)，診斷敏感度為69.5%，特異度為79.7%；內(nèi)部血管征的診斷效能相對(duì)較低，AUC為0.693，當(dāng)結(jié)節(jié)內(nèi)出現(xiàn)內(nèi)部血管異常時(shí)，診斷敏感度為66.1%，特異度為72.5%（圖4）。

3" 討論

本研究中肺腺癌患者多見(jiàn)于女性，且生長(zhǎng)組患者年齡顯著偏大，原因可能為年齡增長(zhǎng)導(dǎo)致免疫功能減弱和腫瘤增殖增強(qiáng)，與Sun等［8-9］報(bào)道一致。生長(zhǎng)組中浸潤(rùn)腺癌比例高，且生長(zhǎng)迅速；而穩(wěn)定組中原位腺癌和微浸潤(rùn)腺癌占比較高，表明這些病理類(lèi)型的磨玻璃結(jié)節(jié)生長(zhǎng)相對(duì)緩慢。

3.1" CT影像特征對(duì)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)趨勢(shì)的預(yù)測(cè)

本研究發(fā)現(xiàn)，類(lèi)圓形的肺結(jié)節(jié)更易生長(zhǎng)，推測(cè)圓形肺結(jié)節(jié)因較少受周?chē)M織限制，可能更易獲取養(yǎng)分，生長(zhǎng)更均勻快速，與文獻(xiàn)［9］報(bào)道基本一致。但也有學(xué)者認(rèn)為，不規(guī)則結(jié)節(jié)常提示浸潤(rùn)腺癌的惡性轉(zhuǎn)化［10-11］。此外，混合磨玻璃結(jié)節(jié)較純磨玻璃結(jié)節(jié)有更高的生長(zhǎng)風(fēng)險(xiǎn)，混合磨玻璃結(jié)節(jié)中實(shí)性成分的存在可能反映腫瘤細(xì)胞的增殖更活躍，從而導(dǎo)致結(jié)節(jié)生長(zhǎng)速度更快。

本研究顯示，空泡征、支氣管異常征及分葉征在肺腺癌磨玻璃結(jié)節(jié)的生長(zhǎng)組與穩(wěn)定組間差異有統(tǒng)計(jì)學(xué)意義?？张菡魈崾炯?xì)胞壞死或氣體積聚，預(yù)示結(jié)節(jié)可能生長(zhǎng)或惡變；支氣管異常征反映腫瘤對(duì)支氣管的壓迫或浸潤(rùn)；分葉征則顯示腫瘤異質(zhì)性和生長(zhǎng)速度差異。盡管這些特征為非獨(dú)立危險(xiǎn)因素，但其對(duì)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的診斷有一定價(jià)值，但具體病理機(jī)制仍需深入探究。血管重構(gòu)或新生血管生成是腫瘤發(fā)展早期的起始事件之一［12］。本研究中內(nèi)部血管征是預(yù)測(cè)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的獨(dú)立危險(xiǎn)因素，內(nèi)源性和/或外源性腫瘤血管生成和新生血管可能是早期肺癌血管異常的驅(qū)動(dòng)因素，異常的結(jié)節(jié)內(nèi)血管為腫瘤提供更多的營(yíng)養(yǎng)物質(zhì)，促進(jìn)生長(zhǎng)。研究報(bào)道，結(jié)節(jié)直徑、體積越大，累積增長(zhǎng)率越高［13］，而本研究提示，結(jié)節(jié)大小無(wú)法準(zhǔn)確預(yù)測(cè)其生長(zhǎng)與穩(wěn)定性，同時(shí)毛刺征和胸膜牽拉征等邊緣特征在預(yù)測(cè)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)與穩(wěn)定性方面的作用有限［8］。

3.2" 人工智能定量參數(shù)對(duì)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)趨勢(shì)的預(yù)測(cè)

本研究中人工智能定量參數(shù)分析顯示，肺腺癌磨玻璃結(jié)節(jié)的實(shí)性成分體積占比、實(shí)性成分質(zhì)量占比、最大及平均CT值等參數(shù)在生長(zhǎng)組與穩(wěn)定組間差異有統(tǒng)計(jì)學(xué)意義。其中，實(shí)性成分質(zhì)量占比和平均CT值被確定為預(yù)測(cè)肺腺癌結(jié)節(jié)生長(zhǎng)的獨(dú)立危險(xiǎn)因素。關(guān)于結(jié)節(jié)內(nèi)實(shí)性成分對(duì)預(yù)測(cè)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)與穩(wěn)定性的判斷，文獻(xiàn)報(bào)道并不一致，Xia等［9，14］的研究顯示磨玻璃結(jié)節(jié)中新的實(shí)性成分及實(shí)性成分的大小均與肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)相關(guān)。但也有研究認(rèn)為，磨玻璃結(jié)節(jié)中實(shí)性成分的出現(xiàn)并不是肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的危險(xiǎn)因素［15］。Sato等［16］發(fā)現(xiàn)，單變量分析示磨玻璃結(jié)節(jié)中的實(shí)性成分是肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的一個(gè)影響因素，而多變量分析結(jié)果卻與之相反。盡管文獻(xiàn)對(duì)實(shí)性成分在預(yù)測(cè)中的作用存在分歧，本研究發(fā)現(xiàn)實(shí)性成分質(zhì)量占比更能反映腫瘤細(xì)胞的增殖活動(dòng)，為預(yù)測(cè)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)提供了新視角。生長(zhǎng)組肺腺癌磨玻璃結(jié)節(jié)的最大CT值、平均CT值比穩(wěn)定組更高，較高的CT值提示肺腺癌磨玻璃結(jié)節(jié)內(nèi)部的實(shí)性成分更多，與Bak等［17-18］研究結(jié)果一致。平均CT值反映結(jié)節(jié)整體密度，是肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的獨(dú)立風(fēng)險(xiǎn)因素。Mao等［19］研究了表現(xiàn)為純磨玻璃結(jié)節(jié)肺腺癌的CT值與病理結(jié)果，發(fā)現(xiàn)平均CT值每增加100 HU，腫瘤成分增加約10%，提示平均CT值可反映結(jié)節(jié)內(nèi)部密度和組織成分。另外，在磨玻璃結(jié)節(jié)CT值分布的研究中，本研究發(fā)現(xiàn)中位數(shù)、標(biāo)準(zhǔn)差、偏度及熵組間差異均有統(tǒng)計(jì)學(xué)意義。中位數(shù)雖是代表性指標(biāo)，但在離散型的偏態(tài)分布數(shù)據(jù)中，中位數(shù)的代表性會(huì)受到一定的影響；標(biāo)準(zhǔn)差反映像素值離散程度；偏度是CT值分布偏斜方向和程度的數(shù)字特征，體現(xiàn)CT值分布的對(duì)稱(chēng)性，如果CT值均勻分布，偏度就低，本研究中生長(zhǎng)組CT值較穩(wěn)定組分布更均勻；熵則衡量圖像紋理復(fù)雜性，有研究提出圖像紋理越復(fù)雜，熵越高［20］，本研究中生長(zhǎng)組比穩(wěn)定組的熵更高，但熵不是判斷肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的獨(dú)立危險(xiǎn)因素，還需后續(xù)研究驗(yàn)證。

本研究將實(shí)性成分質(zhì)量占比、平均CT值、內(nèi)部血管征等獨(dú)立危險(xiǎn)因素納入ROC曲線進(jìn)行分析，發(fā)現(xiàn)實(shí)性成分質(zhì)量占比對(duì)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的診斷效能最高（AUC=0.835），提示實(shí)性成分質(zhì)量占比是一個(gè)重要的預(yù)測(cè)因子；當(dāng)平均CT值gt;-454.80 HU時(shí)，結(jié)節(jié)更易生長(zhǎng)，敏感度69.5%、特異度79.7%，提示平均CT值可作為肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的預(yù)測(cè)指標(biāo)。內(nèi)部血管征也是肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的獨(dú)立危險(xiǎn)因素，但其預(yù)測(cè)生長(zhǎng)的效能相對(duì)較低，原因可能為內(nèi)部血管征的評(píng)估受到影像學(xué)檢查技術(shù)、觀察者間差異等多種因素的影響。

本研究的局限性：①為回顧性研究，隨訪周期不完全一致，可能存在選擇偏倚；②樣本量較小，可能影響結(jié)果的穩(wěn)定性和可靠性；③僅分析CT影像特征、人工智能定量參數(shù)與肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的關(guān)系，未探討分子機(jī)制。未來(lái)需擴(kuò)大樣本量，進(jìn)行前瞻性研究，以全面解析肺腺癌磨玻璃結(jié)節(jié)的演變過(guò)程。

總之，肺腺癌磨玻璃結(jié)節(jié)的CT影像特征及人工智能定量參數(shù)分析顯示，內(nèi)部血管征、實(shí)性成分質(zhì)量占比、平均CT值是預(yù)測(cè)肺腺癌磨玻璃結(jié)節(jié)生長(zhǎng)的危險(xiǎn)因素。

［參考文獻(xiàn)］

［1］ 中華醫(yī)學(xué)會(huì)呼吸病學(xué)分會(huì). 早期肺癌診斷中國(guó)專(zhuān)家共識(shí)（2023年版）［J］. 中華結(jié)核和呼吸雜志，2023，46（1）：1-18.

［2］ 尹泚，毛文杰，李斌，等. 人工智能系統(tǒng)在肺結(jié)節(jié)檢出及良惡性鑒別中的應(yīng)用研究［J］. 中華胸心血管外科雜志，2020，36（9）：553-556.

［3］ ZHANG R，TIAN P，QIU Z，et al. The growth feature and its diagnostic value for benign and malignant pulmonary nodules met in routine clinical practice［J］. J Thorac Dis，2020，12（5）：2019-2030.

［4］ 中華醫(yī)學(xué)會(huì)呼吸病學(xué)分會(huì)肺癌學(xué)組，中國(guó)肺癌防治聯(lián)盟專(zhuān)家組. 肺結(jié)節(jié)診治中國(guó)專(zhuān)家共識(shí)（2018年版）［J］. 中華結(jié)核和呼吸雜志，2018，41（10）：763-771.

［5］ HOREWEG N，SCHOLTEN E T，DE JONG P A，et al. Detection of lung cancer through low-dose CT screening （NELSON）：a prespecified analysis of screening test performance and interval cancers［J］. The Lancet Oncol，2014，15（12）：1342-1350.

［6］ DEVARAJ A，VAN GINNEKEN B，NAIR A，et al. Use of volumetry for lung nodule management：theory and practice［J］. Radiology，2017，284（3）：630-644.

［7］ BANKIER A A，MACMAHON H，GOO J M，et al. Recommendations for measuring pulmonary nodules at CT：a statement from the fleischner society［J］. Radiology，2017，285（2）：584-600.

［8］ SUN Y，MA Z，ZHAO W，et al. Computed tomography radiomics in growth prediction of pulmonary ground-glass nodules［J］. Eur J Radiol，2023，159：110684.

［9］ XIA T，CAI M，ZHUANG Y，et al. Risk factors for the growth of residual nodule in surgical patients with adenocarcinoma presenting as multifocal ground-glass nodules［J］. Eur J Radiol，2020，133：109332.

［10］ WENG Q，ZHOU L，WANG H，et al. A radiomics model for determining the invasiveness of solitary pulmonary nodules that manifest as part-solid nodules［J］. Clin Radiol，2019，74（12）：933-943.

［11］ MEI X，WANG R，YANG W，et al. Predicting malignancy of pulmonary ground-glass nodules and their invasiveness by random forest［J］. J Thorac Dis，2018，10（1）：458-463.

［12］ GAO F，LI M，GE X，et al. Multi-detector spiral CT study of the relationships between pulmonary ground-glass nodules and blood vessels［J］. Eur Radiol，2013，23（12）：3271-3277.

［13］ QI L L，WU B T，TANG W，et al. Long-term follow-up of persistent pulmonary pure ground-glass nodules with deep learning-assisted nodule segmentation［J］. Eur Radiol，2020，30（2）：744-755.

［14］ LEE H W，JIN K N，LEE J K，et al. Long-term follow-up of ground-glass nodules after 5 years of stability［J］. J Thorac Oncol，2019，14（8）：1370-1377.

［15］ YOON H Y，BAE J Y，KIM Y，et al. Risk factors associated with an increase in the size of ground-glass lung nodules on chest computed tomography［J］. Thorac Cancer，2019，10（7）：1544-1551.

［16］ SATO Y，F(xiàn)UJIMOTO D，MORIMOTO T，et al. Natural history and clinical characteristics of multiple pulmonary nodules with ground glass opacity［J］. Respirology，2017，22（8）：1615-1621.

［17］ BAK S H，LEE H Y，KIM J H，et al. Quantitative CT Scanning analysis of pure ground-glass opacity nodules predicts further CT scanning change［J］. Chest，2016，149（1）：180-191.

［18］ SHI Z，DENG J，SHE Y，et al. Quantitative features can predict further growth of persistent pure ground-glass nodule［J］. Quant Imaging Med Surg，2019，9（2）：283-291.

［19］ MAO H，LABH K，HAN F，et al. Diagnosis of the invasiveness of lung adenocarcinoma manifesting as ground glass opacities on high-resolution computed tomography［J］. Thorac Cancer，2016，7（1）：129-135.

［20］ 呂燕，葉靖，凌俊. 紋理分析評(píng)估肺磨玻璃結(jié)節(jié)樣腺癌的浸潤(rùn)性：基于CT平掃與增強(qiáng)圖像的對(duì)照研究［J］. 放射學(xué)實(shí)踐，2021，36（12）：1503-1508.

（收稿日期" 2024-03-14）