2026, Vol. 41文章信息
- 陈娟娟, 杨自力, 党好, 于民浩
- Chen Juanjuan, Yang Zili, Dang Hao, Yu Minhao
- 基于logistic回归与分类回归树建立的预测模型对磨玻璃结节样浸润性肺腺癌的诊断价值
- Value of a prediction model based on logistic regression and classification and regression tree in diagnosing invasive lung adenocarcinoma manifesting as ground-glass nodules
- 实用肿瘤杂志, 2026, 41(4): 344-351
- Journal of Practical Oncology, 2026, 41(4): 344-351
基金项目
- 成都市卫生健康委员会医学科研项目（2022070）
-
通信作者
- 于民浩，Email：503071468@qq.com
-
文章历史
- 收稿日期：2025-06-07
PDF
2. 绵阳市第一人民医院（绵阳四〇四医院）胸外科，四川 绵阳 621000
2. Department of Thoracic Surgery, the First People's Hospital of Mianyang, Mianyang 404 Hospital, Mianyang 621000, China
2022年我国癌症死亡257万例，其中肺癌73万例[1-2]。近年来，随着低剂量螺旋CT在肺癌早期筛查中的普及，肺磨玻璃结节（ground-glass nodule, GGN）的检出率不断升高。临床上，GGN的治疗策略与其病理类型有关：对于癌前病变，如非典型腺瘤样增生（atypical adenomatous hyperplasia, AAH）和原位腺癌（adenocarcinoma in situ, AIS），Sugi等[3]建议可行亚肺叶切除，而Van Schil等[4]倾向于CT随访；对于浸润性病变，如微浸润腺癌（minimally invasive adenocarcinoma, MIA）和浸润性腺癌（invasive adenocarcinoma, IA），手术切除已被证实可获得良好的治疗效果。但研究证明，癌前病变与MIA的10年无复发生存率接近100%[5]，故AAH、AIS与MIA被认为是惰性病变。因此，评估GGN需诊断良恶性以及浸润性。目前临床上多依据影像学特征诊断GGN，但也应考虑年龄、既往史、合并症和环境暴露等因素[6]。本研究通过logistic回归和分类回归树（classification and regression tree, CART）算法，基于患者临床特征与影像特征建立预测模型用于诊断GGN样肺腺癌（lung adenocarcinoma, LAC）的浸润性，以制定个性化诊疗方案。
1 资料与方法 1.1 研究对象采用于民浩[7]分享于临床试验公共管理平台中的196例GGN患者数据集作为训练集。选取其中的临床特征与影像学特征共15个变量。按病理类型分组，AAH、AIS和MIA患者为惰性组（n=100），IA患者为浸润组（n=96）。所需样本量需满足每个候选预测参数对应≥10个事件[8]。该数据集时间跨度为2021年1月至2022年12月；诊断为AAH、AIS或MIA的GGN均有完整的肿瘤样本[9-10]。训练集中数据用于建立预测模型和模型内部验证。
收集2025年1月至4月于绵阳市第三人民医院（n=48）与绵阳四〇四医院（n=36）诊断为LAC的GGN患者作为验证集，进行模型外部验证。训练集与验证集比例为7∶3。绵阳市第三人民医院病例中，惰性组25例，浸润组23例；绵阳四〇四医院病例中，惰性组和浸润组各18例；两院比较，差异无统计学意义（P=0.975）。本研究已通过绵阳市第三人民医院（审批号：202471）和绵阳四〇四医院（审批号：2025015）伦理委员会批准。
1.2 统计学分析采用SPSS 30.0软件进行统计学分析。正态分布的计量资料采用均数±标准差（x±s）表示，组间比较采用t检验（方差齐）或Welch’s t检验（方差不齐）。非正态分布的计量资料采用中位数（四分位间距）[M（Q1，Q3）]表示，组间比较采用Mann-Whitney U检验。计数资料以频数（百分比）表示，组间比较采用χ2检验或Fisher精确检验。采用R4.4.3软件glmnet包进行最小绝对值收敛和选择算子（least absolute shrinkage and selection operator, LASSO）回归分析，用于筛选模型拟合的变量，并采用logistic回归分析构建风险预测模型。采用pROC包绘制受试者工作特征（receiver operating characteristic, ROC）曲线，计算曲线下面积（area under the curve, AUC）检验模型的区分度。采用ResourceSelection包进行Hosmer-Lemeshow（HL）检验验证模型的一致性，并采用rms包与ggplot2包绘制校准曲线。采用SPSS 30.0软件通过CART法计算模型风险评分截断值。以P＜0.05为差异具有统计学意义。
2 结果 2.1 临床特征收集患者性别、年龄、吸烟指数、肺部疾病史（慢性阻塞性肺病、肺气肿、肺纤维化、慢性感染和肺结核）、肺癌家族史和职业与环境因素共6项临床特征。训练集196例患者年龄23~82岁，其中男性71例，女性125例；惰性组和浸润组性别、年龄与吸烟指数比较，差异均具有统计学意义（均P＜0.05，表 1）。验证集84例患者年龄28~82岁，其中男性30例，女性54例；惰性组和浸润组年龄和肺部疾病史比较，差异均具有统计学意义（均P＜0.05）。
| 临床特征 | 训练集 | 验证集 | |||||||
| 惰性组（n=100） | 浸润组（n=96） | U/χ2值 | P值 | 惰性组（n=43） | 浸润组（n=41） | U/t/χ2值 | P值 | ||
| 性别 | 5.978 | 0.017 | 2.165 | 0.363 | |||||
| 男性 | 28（28.0） | 43（44.8） | 13（30.2） | 17（41.5） | |||||
| 女性 | 72（72.0） | 53（55.2） | 30（69.8） | 24（58.5） | |||||
| 年龄（岁） | 54（46, 62） | 62（55, 67） | 6 553.000 | 0.011 | 50.2±9.9 | 60.5±9.4 | -4.451 | < 0.01 | |
| 吸烟指数（包/年） | 0（0, 0） | 0（0, 16） | 5 592.000 | < 0.01 | 0（0, 0） | 0（0, 0） | 594.500 | 0.774 | |
| 肺部疾病史 | 3.463 | 0.077 | 5.215 | 0.027 | |||||
| 是 | 3（3.0） | 9（9.4） | 13（30.2） | 23（56.1） | |||||
| 否 | 97（97.0） | 87（90.6） | 30（69.8） | 18（43.9） | |||||
| 肺癌家族史 | 3.174 | 0.116 | 2.505 | > 0.999 | |||||
| 是 | 0（0.0） | 3（3.1） | 1（2.3） | 0（0.0） | |||||
| 否 | 100（100.0） | 93（96.9） | 42（97.7） | 41（100.0） | |||||
| 职业与环境因素 | 1.047 | 0.490 | 2.273 | > 0.999 | |||||
| 有 | 0（0.0） | 1（1.0） | 0（0.0） | 1（2.4） | |||||
| 无 | 100（100.0） | 95（99.0） | 43（100.0） | 40（97.6） | |||||
| 肿瘤部位 | 2.587 | 0.627 | 3.429 | 0.341 | |||||
| RUL | 42（42.0） | 37（38.5） | 8（18.6） | 15（36.6） | |||||
| RML | 6（6.0） | 10（10.4） | 2（4.7） | 2（4.9） | |||||
| RLL | 12（12.0） | 11（11.5） | 8（18.6） | 8（19.5） | |||||
| LUL | 29（29.0） | 23（24.0） | 18（41.9） | 10（24.4） | |||||
| LLL | 11（11.0） | 15（15.6） | 7（16.2） | 6（14.6） | |||||
| 注 RUL：右肺上叶（right upper lung）；RML：右肺中叶（right middle lung）；RLL：右肺下叶（right lower lung）；LUL：左肺上叶（left upper lung）；LLL：左肺下叶（left lower lung）。 | |||||||||
因胸部增强CT在诊断GGN不同病理亚型上无显著差异[11]，本研究仅采用胸部CT平扫的数据，共纳入9项影像学特征，包括平均CT值、结节最大直径、实性成分直径、实性成分占比（consolidation/tumor ratio, CTR）、分叶征、毛刺征、支气管充气征（包括空泡征）、血管穿行征和胸膜牵拉征。所有影像学特征均由人工采集。训练集中惰性组和浸润组所有影像学特征比较，差异均具有统计学意义（均P＜0.01，表 2）。验证集中两组在平均CT值、结节最大直径、实性成分直径、CTR、分叶征和支气管充气征方面比较，差异均具有统计学意义（均P＜0.05）。
| 影像学特征 | 训练集 | 验证集 | |||||||
| 惰性组（n=100） | 浸润组（n=96） | U/χ2值 | P值 | 惰性组（n=43） | 浸润组（n=41） | U/t/χ2值 | P值 | ||
| 平均CT值（HU） | -502.3（-617.5, -421.1） | -382.3（-462.2, -252.6） | 6 979.500 | < 0.01 | -585.3±117.3 | -379.5±171.2 | -6.426 | < 0.01 | |
| 结节最大直径（mm） | 9.0（7.0, 11.0） | 14.5（11.3, 20.0） | 7 917.500 | < 0.01 | 8.0（6.0, 13.0） | 16.0（13.0, 22.0） | 1 576.500 | < 0.01 | |
| 实性成分直径（mm） | 2.36（1.36, 4.10） | 7.25（4.35, 9.49） | 7 967.000 | < 0.01 | 2.00（0.00, 8.00） | 8.86（7.06, 14.76） | 1 556.000 | < 0.01 | |
| CTR（%） | 26.67（19.00, 36.92） | 42.50（32.42, 60.44） | 7 028.500 | < 0.01 | 34.87（0.00, 50.63） | 58.23（43.19, 71.16） | 1 331.500 | 0.005 | |
| 分叶征 | 27.174 | < 0.01 | 5.509 | 0.036 | |||||
| 是 | 21（21.0） | 55（57.3） | 29（67.4） | 36（87.8） | |||||
| 否 | 79（79.0） | 41（42.7） | 14（32.6） | 5（12.2） | |||||
| 毛刺征 | 40.779 | < 0.01 | 2.275 | 0.739 | |||||
| 是 | 17（17.0） | 59（61.5） | 37（86.0） | 37（90.2） | |||||
| 否 | 83（83.0） | 37（38.5） | 6（14.0） | 4（9.8） | |||||
| 胸膜牵拉征 | 39.602 | < 0.01 | 5.185 | 0.113 | |||||
| 是 | 12（12.0） | 44（45.8） | 12（27.9） | 19（46.3） | |||||
| 否 | 88（88.0） | 52（54.2） | 31（72.1） | 22（53.7） | |||||
| 血管穿行征 | 23.246 | < 0.01 | 1.050 | 0.616 | |||||
| 是 | 61（61.0） | 87（90.6） | 40（93.0） | 40（97.6） | |||||
| 否 | 39（39.0） | 9（9.4） | 3（7.0） | 1（2.4） | |||||
| 支气管充气征 | 18.375 | < 0.01 | 12.281 | 0.005 | |||||
| 是 | 35（35.0） | 63（65.6） | 23（53.5） | 34（82.9） | |||||
| 否 | 65（65.0） | 33（34.4） | 20（46.5） | 7（17.1） | |||||
| 注 CTR：实性成分占比（consolidation/tumor ratio）。 | |||||||||
将上述训练集单因素分析中差异具有统计学意义（P＜0.05）的12个变量纳入LASSO回归算法进行变量筛选，通过交叉验证选择最佳λ值，折叠次数为10次，选取1个标准误差范围内的最大λ值，即lambda.1se为0.098，共筛选6个变量，分别为平均CT值、结节最大直径、实性成分直径、分叶征、毛刺征和胸膜牵拉征（图 1~2）。
|
| 图 1 训练集中GGN样LAC浸润性相关因素的LASSO回归交叉验证曲线图 Fig.1 LASSO regression cross-calidation curve for factors related to the invasion of GGN-like LAC in the training set |
|
| 图 2 训练集中GGN样LAC浸润性相关因素的LASSO回归系数路径 Fig.2 LASSO regression coefficient path plot for factors related to the invasion of GGN-like LAC in the training set |
多因素logistic回归分析显示，平均CT值、实性成分直径与胸膜牵拉征是预测浸润性GGN的独立危险因素（均P＜0.05，表 3）。建立模型如下：P0 = ex / (1 + ex)，其中，P0为预测概率，x为风险评分。x = 0.002 9 ×平均CT值（HU）+ 0.236 2 ×实性成分直径（mm）+ 0.998 8 ×胸膜牵拉征（是=1，否=0）。
| 风险因素 | 回归系数 | SE | Wald χ2值 | OR（95% CI） | P值 |
| 平均CT值 | 0.002 9 | 0.001 1 | 7.028 2 | 1.002 9（1.000 8~1.005 2） | 0.008 |
| 结节最大直径 | 0.079 6 | 0.046 6 | 2.916 4 | 1.082 9（0.987 8~1.191 8） | 0.088 |
| 实性成分直径 | 0.236 2 | 0.087 3 | 7.313 7 | 1.266 4（1.072 0~1.515 0） | 0.007 |
| 分叶征 | 0.736 9 | 0.433 7 | 2.886 0 | 2.089 4（0.887 0~4.908 2） | 0.089 |
| 毛刺征 | 0.605 4 | 0.461 9 | 1.717 7 | 1.831 9（0.733 6~4.534 1） | 0.190 |
| 胸膜牵拉征 | 0.998 8 | 0.468 5 | 4.544 9 | 2.715 0（1.083 8~6.893 3） | 0.033 |
内部验证中，预测模型的ROC曲线显示，敏感度为80.2%，特异度为86.0%，约登指数（Youden’s index, YI）为0.662，AUC为0.893（95% CI：0.849~0.937，图 3A）。校准曲线显示，模型具有良好的内部稳定性（P=0.645，图 3B）。
|
| 注 A：内部验证的ROC曲线；B：内部验证的校准曲线；C：外部验证的ROC曲线；D：外部验证的校准曲线。 图 3 GGN样LAC浸润性诊断预测模型的内部与外部验证 Fig.3 Internal and external validation of the model for predicting the invasiveness of GGN-like LAC |
外部验证显示，模型敏感度为92.7%，特异度为69.8%，YI为0.625，AUC为0.875（95% CI：0.802~0.948，图 3C）。校准曲线显示，模型具有良好的外部稳定性（P=0.436，图 3D）。
2.5 模型风险分层和诊断效能采用CART法在训练集中计算模型风险评分x的截断值为-0.09，x≤-0.09时GGN为惰性的概率为84.8%，x＞-0.09时GGN为浸润性的概率为78.8%，故x≤-0.09考虑GGN为浸润性LAC的风险较低，而x＞-0.09的风险较高。根据混淆矩阵（表 4）计算该截断值诊断浸润性GGN的准确度为81.6%，阳性预测值为78.9%，阴性预测值为84.8%，敏感度为85.4%，特异度为84.8%。
| 实际结果 | 预测结果 | ||
| 惰性组 | 浸润组 | 合计 | |
| 惰性组 | 78 | 22 | 100 |
| 浸润组 | 14 | 82 | 96 |
| 合计 | 92 | 104 | 196 |
影像学是诊断GGN的重要手段，但不同影像学特征在鉴别LAC病理亚型中的作用仍有争议。本研究中，平均CT值是IA的独立危险因素（P＜0.05）。有研究分析纯GGN（pure GGN, pGGN）的影像学特征发现，IA组CT值高于非IA组[12]。一项荟萃分析发现，CT值鉴别非浸润与浸润性GGN的敏感度和特异度分别为0.75和0.81[13]。本研究中，实性成分直径是IA的独立危险因素（P＜0.05），而CTR不是。研究发现，实性部分直径是LAC病理亚型的独立危险因素，但二维或三维层面的CTR均不是；实性成分直径以3 mm为截断值时鉴别MIA与IA的敏感度与特异度分别为67.7%和87.2%，以6 mm为截断值时敏感度和特异度为64.7%和100%[14]。这与本研究结果一致。在国际肺癌研究协会第8版TNM分期中，实性成分被纳入肿瘤的T分期，而磨玻璃部分不计入肿瘤大小[15]。这说明GGN的风险主要和实性成分相关。GGN的直径也与其浸润性有关。研究表明，直径＞10 mm的pGGN为IA的概率为74.5%[16]；GGN最大直径是IA的独立危险因素[17]。分叶征、毛刺征、支气管充气征、血管穿行征和胸膜牵拉征是肺癌的常见征象。有研究认为，浸润性GGN更可能有支气管充气征[18]，但也有研究表明，具有支气管充气征的Ⅰ期肺癌患者具有更长的无复发生存期[19]。有研究表明，支气管充气征在AIS与IA之间无显著差异[20]。Yu等[10]研究表明，分叶征和毛刺征不是诊断浸润性GGN的独立危险因素，而Chen等[21]建立的预测模型表明，结节最大直径、分叶征和血管穿行征是IA的独立预测因素，且该模型的敏感度、特异度和准确度分别为95.2%、94.3%和94.8%。一项meta分析发现，IA胸膜牵拉的发生率高于非侵袭性病变，是区分IA与非IA的重要指标[22]。但另有研究发现，胸膜牵拉征不是鉴别IA的独立危险因素[10]。这些结论的差异可能与数据采集方式、纳入与排除标准、分组策略、变量筛选和模型训练方法不同有关。
除影像学特征外，临床特征也是诊断肺癌的重要因素，故本研究融合临床特征与影像学特征建立预测模型来诊断GGN样LAC的浸润性。在内部研究中，模型ROC曲线AUC为0.893，敏感度为80.2%，特异度为86.0%；外部验证中，AUC为0.875，敏感度为92.7%，特异度为69.8%。这说明该模型具有较好的鉴别浸润性GGN的能力。有学者建立综合临床特征和PET-CT的预测模型，AUC为0.875，敏感度为70.2%，特异度为92.3%[23]。一个使用人工智能鉴别GGN病理亚型的模型鉴别AAH/AIS与MIA的AUC为0.779，而鉴别MIA与IA的AUC为0.918[24]。另外，本研究所建立的模型在内部验证和外部验证中均具有良好的校准度。本研究通过CART法计算模型风险评分的截断值，为该模型在实际运用过程中提供了确切的量化指标，使其更具有实用性。有报道使用计算机辅助诊断（computer-aided diagnosis, CAD）鉴别GGN的阳性预测值为54.4%[25]，敏感度为54.4%[26]，低于本模型。在诊断准确性方面，本模型也高于CAD和高年资放射科医师水平[27]，具有较强的诊断效能。
总体而言，本模型在诊断浸润性GGN上具有较高的预测价值，风险评分＞-0.09提示GGN为浸润性LAC的风险较高。这有利于针对风险评分不同的GGN制定不同的治疗方案，在一定程度上避免过度治疗。目前报道的部分预测模型未区分实性结节或GGN，而二者为不同类型的疾病[28]。而本研究建立模型专为GGN所设计，在诊断GGN方面具有更高的诊断效能。对于不能耐受或拒绝手术的GGN患者，经病理活检证实为AAH、AIS和MIA，可行局部射频消融（radiofrequency ablation, RFA）[29]。本模型可在RFA前作为诊断GGN的一种选择。本研究的局限性主要在于与肺癌相关的其他关键指标未纳入模型。后续笔者将使用深度学习算法进行改进，使模型更具适用性。
利益冲突 所有作者声明无利益冲突
| [1] |
Chen WQ, Zheng RS, Baade PD, et al. Cancer statistics in China, 2015[J]. CA Cancer J Clin, 2016, 66(2): 115-132. |
| [2] |
Han BF, Zheng RS, Zeng HM, et al. Cancer incidence and mortality in China, 2022[J]. J Natl Cancer Cent, 2024, 4(1): 47-53. |
| [3] |
Sugi K, Kobayashi S, Sudou M, et al. Long-term prognosis of video-assisted limited surgery for early lung cancer[J]. Eur J Cardio Thorac Surg, 2010, 37(2): 456-460. |
| [4] |
Van Schil PE, Asamura H, Rusch VW, et al. Surgical implications of the new IASLC/ATS/ERS adenocarcinoma classification[J]. Eur Respir J, 2012, 39(2): 478-486. DOI:10.1183/09031936.00027511 |
| [5] |
Yeh YC, Nitadori JI, Kadota K, et al. Using frozen section to identify histological patterns in stage Ⅰ lung adenocarcinoma of ≤3 cm: accuracy and interobserver agreement[J]. Histopathology, 2015, 66(7): 922-938. DOI:10.1111/his.12468 |
| [6] |
Quint LE, Park CH, Iannettoni MD. Solitary pulmonary nodules in patients with extrapulmonary neoplasms[J]. Radiology, 2000, 217(1): 257-261. DOI:10.1148/radiology.217.1.r00oc20257 |
| [7] |
于民浩. 基于诺谟图(Nomogram)建立的肺结节筛查量表对初次发现肺磨玻璃结节性质的预测价值[EB/OL]. (2023-4-25)[2025-5-4]. http://www.medresman.org.cn/pub/cn/proj/projectshshow.aspx?proj=5140.
|
| [8] |
Riley RD, Ensor J, Snell KIE, et al. Calculating the sample size required for developing a clinical prediction model[J]. BMJ, 2020, 368: m441. |
| [9] |
Zugazagoitia J, Enguita AB, Nunez JA, et al. The new IASLC/ATS/ERS lung adenocarcinoma classification from a clinical perspective: current concepts and future prospects[J]. J Thorac Dis, 2014, 6(S5): 526-536. |
| [10] |
Yu MH, Cheng YL, Wen T, et al. A novel scale for diagnosis of pulmonary ground-glass nodules: a multicenter and ambispective cohort study[J]. Clin Respir J, 2024, 18(11): e70027. DOI:10.1111/crj.70027 |
| [11] |
Gao F, Li M, Sun YL, et al. Diagnostic value of contrast-enhanced CT scans in identifying lung adenocarcinomas manifesting as GGNs (ground glass nodules)[J]. Medicine, 2017, 96(43): e7742. DOI:10.1097/MD.0000000000007742 |
| [12] |
Oh J, Piao Z, Cho HJ, et al. CT-based three-dimensional invasiveness analysis of adenocarcinoma presenting as pure ground-glass nodules[J]. Transl Cancer Res, 2023, 12(4): 765-773. DOI:10.21037/tcr-22-2327 |
| [13] |
He SY, Chen CE, Wang ZG, et al. The use of the mean computed-tomography value to predict the invasiveness of ground-glass nodules: a meta-analysis[J]. Asian J Surg, 2023, 46(2): 677-682. DOI:10.1016/j.asjsur.2022.07.031 |
| [14] |
Wu HH, Zhang X, Zhong Z. Exploration of CT-based discrimination and diagnosis of various pathological types of ground glass nodules in the lungs[J]. BMC Med Imaging, 2025, 25(1): 119. DOI:10.1186/s12880-025-01653-w |
| [15] |
Travis WD, Asamura H, Bankier AA, et al. The IASLC lung cancer staging project: proposals for coding T categories for subsolid nodules and assessment of tumor size in part-solid tumors in the forthcoming eighth edition of the TNM classification of lung cancer[J]. J Thorac Oncol, 2016, 11(8): 1204-1223. DOI:10.1016/j.jtho.2016.03.025 |
| [16] |
Hu FY, Huang HH, Jiang YY, et al. Discriminating invasive adenocarcinoma among lung pure ground-glass nodules: a multi-parameter prediction model[J]. J Thorac Dis, 2021, 13(9): 5383-5394. DOI:10.21037/jtd-21-786 |
| [17] |
Wang XM, Yang CY, Wang XW, et al. Predicting invasiveness of ground-glass nodules in lung adenocarcinoma: based on preoperative 18F-fluorodeoxyglucose PET/computed tomography and high-resolution computed tomography[J]. Nucl Med Commun, 2024, 45(12): 1013-1021. DOI:10.1097/MNM.0000000000001898 |
| [18] |
Shi JY, Zhou X, Xie D, et al. Value of CT characteristics in predicting invasiveness of adenocarcinoma presented as pulmonary ground-glass nodules[J]. Thorac Cardiovasc Surg, 2017, 65(2): 136-141. |
| [19] |
Wang ZJ, Zhu W, Yang MH, et al. Air bronchogram on chest CT in radiological pure-solid appearance lung cancer: Correlation analysis with genetic pathological features and survival outcomes[J]. Eur J Radiol, 2023, 169: 111194. DOI:10.1016/j.ejrad.2023.111194 |
| [20] |
Liu JC, Sheng J, Xue S, et al. Value of the air bronchogram sign and other computed tomography findings in the early diagnosis of lung adenocarcinoma[J]. J Comput Assist Tomogr, 2024, 48(5): 789-793. DOI:10.1097/RCT.0000000000001604 |
| [21] |
Chen MW, Ding L, Deng ST, et al. Differentiating the invasiveness of lung adenocarcinoma manifesting as ground glass nodules: combination of dual-energy CT parameters and quantitative-semantic features[J]. Acad Radiol, 2024, 31(7): 2962-2972. DOI:10.1016/j.acra.2024.02.011 |
| [22] |
Yang YT, Xu J, Wang W, et al. Meta-analysis of the correlation between CT-based features and invasive properties of pure ground-glass nodules[J]. Asian J Surg, 2023, 46(9): 3405-3416. DOI:10.1016/j.asjsur.2023.04.116 |
| [23] |
Niu R, Shao XN, Shao XL, et al. Establishment and verification of a prediction model based on clinical characteristics and positron emission tomography/computed tomography (PET/CT) parameters for distinguishing malignant from benign ground-glass nodules[J]. Quant Imaging Med Surg, 2021, 11(5): 1710-1722. DOI:10.21037/qims-20-840 |
| [24] |
Fang WY, Zhang GR, Yu YL, et al. Identification of pathological subtypes of early lung adenocarcinoma based on artificial intelligence parameters and CT signs[J]. Biosci Rep, 2022, 42(1): BSR20212416. DOI:10.1042/BSR20212416 |
| [25] |
Silva M, Schaefer-Prokop CM, Jacobs C, et al. Detection of subsolid nodules in lung cancer screening: complementary sensitivity of visual reading and computer-aided diagnosis[J]. Invest Radiol, 2018, 53(8): 441-449. DOI:10.1097/RLI.0000000000000464 |
| [26] |
Yu Y, Wang N, Huang N, et al. Determining the invasiveness of ground-glass nodules using a 3D multi-task network[J]. Eur Radiol, 2021, 31(9): 7162-7171. DOI:10.1007/s00330-021-07794-0 |
| [27] |
Li M, Narayan V, Gill RR, et al. Computer-aided diagnosis of ground-glass opacity nodules using open-source software for quantifying tumor heterogeneity[J]. AJR Am J Roentgenol, 2017, 209(6): 1216-1227. DOI:10.2214/AJR.17.17857 |
| [28] |
Mase VJ, Detterbeck FC. Approach to the subsolid nodule[J]. Clin Chest Med, 2020, 41(1): 99-113. DOI:10.1016/j.ccm.2019.11.004 |
| [29] |
Ye X, Fan WJ, Wang ZM, et al. Expert consensus on thermal ablation therapy of pulmonary subsolid nodules (2021 edition)[J]. J Cancer Res Ther, 2021, 17(5): 1141-1156. DOI:10.4103/jcrt.jcrt_1485_21 |