基于CT机器学习模型预测肺腺癌气腔播散

江长思，罗 燕，唐 雪，龚静山

(深圳市人民医院 暨南大学第二临床医学院放射科，广东 深圳 518020)

随着低剂量CT(low does CT, LDCT)的普及和微创手术、靶向治疗的临床应用，早期肺癌检出率明显提高，但肺癌仍是癌症相关死亡的首要病因[1-2]，早期局限性病变(IA期)术后局部复发率也较高[3]。AMIN等[4-5]发现肺腺癌患者肺内存在与主瘤体不相连的肿瘤细胞岛，且可能经空气于肺泡内播散；ONOZATO等[6]研究证实这些肿瘤细胞岛与主瘤体在各个方位上均不相连，且与预后相关。2015年WHO通过分析关于气腔播散(spread through air space, STAS)与肺腺癌预后相关性的队列研究[7-8],正式提出该类肿瘤细胞岛是肺腺癌侵袭的一种新模式,即STAS，可见于14.80%～56.40%肺腺癌患者[6-11]，是影响肺腺癌术后预后的主要危险因素；对STAS阳性早期肺腺癌，采用全肺叶切除代替局部肺叶切除，可有效降低术后复发率，提高5年生存率。术前明确肺腺癌患者STAS状态对选择手术方案有重要意义，但STAS为组织病理学表现，仅在术后才能确诊。肺癌实性成分占比、有无磨玻璃成分等CT征象与STAS状态相关[12-14]，可用于术前预测STAS状态。本研究探讨基于CT机器学习建立预测肺腺癌STAS状态模型的价值。

1 资料与方法

1.1 一般资料 收集2015年4月—2019年4月462例于深圳市人民医院经手术病理证实的原发性肺腺癌患者，男206例，女256例，年龄20～85岁，平均(58.2±12.4)岁；其中90例STAS阳性(STAS阳性组)，372例STAS阴性(STAS阴性组)。纳入标准：①单发病灶，经手术完全切除；②术前3个月内接受CT检查，且检查前未接受任何治疗；③病理资料完整，能满足评估STAS要求。排除标准：①CT图资料不全；……