随着肺癌筛查的不断深入和高分辨率计算机断层扫描（CT）诊断成像的出现，肺部结节的检测率急剧上升。在一项肺癌筛查试验中，84.87%为磨玻璃结节（GGNs），包括部分实性结节（PSNs）和纯磨玻璃密度结节（PGGNs）。多项研究表明，GGNs比实性结节有更高的恶变概率，GGNs的诊断仍然是临床实践中的一个挑战。

GGNs生长率低、转移潜力大，目前影像学随访是GGNs的主要管理手段。临床上针对GGNs已经制定了多个管理指南，如美国胸科医师学会（ACCP）、Fleischner学会和国家综合癌症网络（NCCN）。这些实践指南主要根据CT上GGNs的大小、密度和形态特征来解决管理问题。在随后的随访检查中，生长或稳定是评估GGNs的一个基本参数。根据以往的研究，相当一部分GGNs保持长期稳定、时间超过5年，在大多数情况下我们可以判断这些GGNs为临床上的良性。然而，根据目前的指南（ACCP、NCCN和Lung-RADS），这些长期稳定的GGNs需要每1-2年进行一次影像学随访。如果GGNs的生长趋势能够在其初次检查时就被预测出来就可以减少不必要的随访，而不必担心长期稳定的结节会漏诊为肺癌，病人的焦虑和医疗资源的浪费也会减少。

临床上已有许多关于GGNs生长预测因素的报道（如年龄较大、男性、大小、CT值、肺癌病史、质量和密度），然而结果并不一致。对于许多在CT成像上没有什么典型影像标志的GGN，在刚发现时很难预测未来的变化。现阶段，放射组学提供了多角度、多维度的参数，目前用于预测良性或恶性GGN的放射组学模型已经建立并得到验证；然而，很少有模型能预测GGN的生长或长期稳定性。有报道称，利用放射组学在区分快速和慢速生长的肺腺癌方面表现良好。

近日，发表在Eur J Radiol杂志的一项研究利用CT放射组学对GGNs的生长趋势进行了预测，为改善个性化随访策略提供了参考依据。

本项回顾性研究招募了253名共1115张计算机断层扫描（CT）图像进入研究。总共1115张CT图像被随机分为训练集（70%）和验证集（30%）。研究利用放射组学和临床特征开发了GGNs的生长或长期稳定预测模型。使用接收器操作特征（ROC）曲线分析评估了模型的预测准确性，并建立了曲线下的面积（AUCs）。使用DeLong方法比较了各模型的ROC曲线。 

生长组和稳定组分别包含535和580个GGNs。传统的放射学特征在预测GGNs的生长或长期稳定性方面价值有限。结合放射组学和临床特征（大小、位置和年龄）的预测列线图模型在训练和验证组中都产生了最好的AUC（AUC分别=0.843和0.824）。放射性组学模型在两组中的表现都优于临床模型（AUC：分别为0.836 vs 0.772，0.818 vs 0.735）。放射性组学特征和列线图模型取得了相似的AUC（Delong测试，训练集：P = 0.09；验证集：P = 0.37）。 

图 （a-g）一名男性（46岁），右肺下叶有一个纯GGN。GGN最初是在2010年10月1日偶然发现的，直径为4毫米，没有分叶或毛刺。在随后的随访中，GGN逐渐增大，可见分叶、毛刺以及胸膜和血管的伸展。根据纳入和排除标准，前5个图像病例被纳入生长组。 h-m) 一名男性（年龄，33岁），左肺下叶有一个纯GGN。该GGN于2013年3月4日首次偶然发现，其直径为6mm，无恶性征。在随后的7年随访中，没有发现明显变化。前两个CT图像病例被纳入稳定组

本项研究开发并验证了一个结合放射组学特征、大小、年龄和位置的列线图模型以预测GGNs的生长或长期稳定性。该模型取得了良好的性能，可为改善GGNs的后续管理提供参考依据。

原始出处：

Yingli Sun,Zongjing Ma,Wei Zhao,et al.Computed tomography radiomics in growth prediction of pulmonary ground-glass nodules.DOI:10.1016/j.ejrad.2022.110684