外周实性结节Ⅰ期肺腺癌脏层胸膜侵犯的CT特征分析及预测价值

摘要/Abstract

摘要：

目的探究外周实性结节Ⅰ期肺腺癌脏层胸膜侵犯（VPI）的CT特征及影像组学列线图的预测价值。方法选择2022年8月至2023年11月贵州中医药大学第二附属医院收治的150例外周实性结节Ⅰ期肺腺癌患者为研究对象，将2022年8月至2023年3月的患者定义为训练集（n=112）， 2023年4月至11月的患者定义为验证集（n=38）。训练集用于建立模型，训练集、验证集中分别进行模型性能评估。训练集中，根据VPI发生情况，将患者分为VPI阳性组（n=35）和VPI阴性组（n=77）。采用最小绝对收缩与选择算子（LASSO）回归分析对特征进行降维。采用多因素logistic回归分析预测VPI的影响因素，根据多因素分析结果构建影像组学列线图预测模型。采用受试者操作特征（ROC）曲线及校准曲线评估预测模型的预测效能。结果训练集VPI阴性组与阳性组患者的病理类型（χ²=11.49，P=0.003）、病灶最大径（t=5.83，P<0.001）、分叶征（χ²=9.29，P=0.002）、密度（χ²=8.32，P=0.004）、瘤内坏死（χ²=5.86，P=0.015）、胸膜牵拉（χ²=12.88，P<0.001）、胸膜接触（χ²=4.82，P=0.028）、邻近胸膜增厚（χ²=4.87，P=0.027）差异均有统计学意义。LASSO回归分析最终筛选出8个特征，根据特征对应系数构建影像组学评分。单因素分析显示，病灶最大径（OR=1.48， 95%CI为1.09~2.01，P=0.010）、分叶征（OR=5.09， 95%CI为2.31~6.00，P=0.001）、密度（OR=4.25， 95%CI为1.47~7.18，P=0.004）、瘤内坏死（OR=2.27， 95%CI为1.01~5.17，P=0.049）、胸膜牵拉（OR=6.75， 95%CI为1.92~13.68，P<0.001）、胸膜接触（OR=3.58， 95%CI为1.18~5.65，P=0.018）、邻近胸膜增厚（OR=3.60， 95%CI为1.18~5.72，P=0.018）、影像组学评分（OR=19 418.06， 95%CI为394.18~957 161.04，P<0.001）均是预测外周实性结节Ⅰ期肺腺癌患者VPI的影响因素。多因素分析显示，分叶征（OR=6.42， 95%CI为1.42~18.58，P=0.018）、瘤内坏死（OR=3.63， 95%CI为1.01~10.01，P=0.046）、胸膜牵拉（OR=4.19， 95%CI为1.17~10.92，P=0.028）、影像组学评分（OR=179 711.20， 95%CI为525.13~61 552 573.59，P<0.001）均是预测外周实性结节Ⅰ期肺腺癌患者VPI的独立影响因素。将多因素分析中有统计学意义的指标建立影像组学列线图预测模型。ROC曲线分析显示，训练集和验证集中，影像组学列线图模型预测外周实性结节Ⅰ期肺腺癌患者VPI的曲线下面积（AUC）分别为0.88（95%CI为0.82~0.94）和0.87（95%CI为0.78~0.97），敏感性分别为93%、82%，特异性分别为72%、80%。训练集和验证集的C-index分别为0.89（95%CI为0.84~0.96）和0.88（95%CI为0.78~0.99），两集的校准曲线均与理想曲线拟合良好。结论外周实性结节Ⅰ期肺腺癌VPI的CT特征为有分叶征、瘤内坏死、胸膜牵拉，基于CT特征的分叶征、瘤内坏死、胸膜牵拉、影像组学评分构建的影像组学列线图预测模型对外周实性结节Ⅰ期肺腺癌患者VPI具有较高的预测效能。

关键词:肺腺癌,胸膜,列线图,影像组学

Abstract:

ObjectiveTo explore the CT features and predictive value of radiomics nomogram of visceral pleural invasion （VPI） in stage Ⅰ lung adenocarcinoma with peripheral solid nodules.MethodsOne hundred and fifty patients with stage Ⅰ lung adenocarcinoma with peripheral solid nodules treated at the Second Affiliated Hospital of Guizhou University of Traditional Chinese Medicine from August 2022 to November 2023 were selected as the study objects. Patients from August 2022 to March 2023 were defined as the training set （n=112）， and patients from April 2023 to November 2023 were defined as the validation set （n=38）. The training set was used to build the model， and the training set and validation set were used to evaluate the model performance respectively. In the training set， patients were divided into VPI positive group （n=35） and VPI negative group （n=77） based on the occurrence of VPI. Least absolute shrinkage and selection operator （LASSO） regression analysis was used to reduce the dimensionality of features. Multivariate logistic regression analysis was used to predict the influencing factors of VPI， and a radiomics nomogram prediction model was constructed based on the results of the multivariate analysis. Receiver operator characteristic （ROC） curves and calibration curves were used to evaluate the predictive efficacy of the prediction model.ResultsThere were statistically significant differences in pathological types （χ²=11.49，P=0.003）， focal maximum diameter （t=5.83，P<0.001）， lobulation sign （χ²=9.29，P=0.002）， density （χ²=8.32，P=0.004）， intratumoral necrosis （χ²=5.86，P=0.015）， pleural traction （χ²=12.88，P<0.001）， pleural contact （χ²=4.82，P=0.028）， and adjacent pleural thickening （χ²=4.87，P=0.027） between the VPI positive group and negative group in the training set. LASSO regression analysis showed that 8 features were ultimately selected， and radiomics scores were constructed based on the corresponding coefficients of the features. Univariate analysis showed that， focal maximum diameter （OR=1.48， 95%CI：1.09-2.01，P=0.010）， lobulation sign （OR=5.09， 95%CI：2.31-6.00，P=0.001）， density （OR=4.25， 95%CI：1.47-7.18，P=0.004）， intratumoral necrosis （OR=2.27， 95%CI：1.01-5.17，P=0.049）， pleural traction （OR=6.75， 95%CI：1.92-13.68，P<0.001）， pleural contact （OR=3.58， 95%CI：1.18-5.65，P=0.018）， adjacent pleural thickening （OR=3.60， 95%CI：1.18-5.72，P=0.018）， and radiomics score （OR=19 418.06， 95%CI：394.18-957 161.04，P<0.001） were all influencing factors in the prediction of VPI in peripheral solid nodule stage Ⅰ lung adenocarcinoma patients. Multivariate analysis showed that， lobulation sign （OR=6.42， 95%CI：1.42-18.58，P=0.018）， intratumoral necrosis （OR=3.63， 95%CI：1.01-10.01，P=0.046）， pleural traction （OR=4.19， 95%CI：1.17-10.92，P=0.028）， and radiomics score （OR=179 711.20， 95%CI：525.13-61 552 573.59，P<0.001） were independent influencing factors in the prediction of VPI in patients with stage Ⅰ peripheral solid nodules of lung adenocarcinoma. A radiomics nomogram prediction model was established for indicators with statistical significance in multivariate analysis. ROC curve analysis showed that in the training set and validation set， the area under the curve （AUC） of the radiomics nomogram model predicting VPI of patients with peripheral solid nodules in stage Ⅰ lung adenocarcinoma was 0.88 （95%CI：0.82-0.94） and 0.87 （95%CI：0.78-0.97）， respectively， and the sensitivity was 93% and 82%， respectively. The specificity was 72% and 80%， respectively. C-indices of the training and validation set were 0.89 （95%CI：0.84-0.96） and 0.88 （95%CI：0.78-0.99）， respectively， and the calibration curves of both sets fitted well with the ideal curve.ConclusionsThe CT features of VPI in stage Ⅰ lung adenocarcinoma with peripheral solid nodules are lobular sign， intratumoral necrosis， and pleural traction. The radiomics nomogram model based on CT features of lobular sign， intratumoral necrosis， pleural traction， and radiomics score can predict VPI in patients with peripheral solid nodules in stage Ⅰ lung adenocarcinoma has high predictive efficacy.

Key words:Adenocarcinoma of lung,Pleura,Nomograms,Radiomics

韩双. 外周实性结节Ⅰ期肺腺癌脏层胸膜侵犯的CT特征分析及预测价值[J]. 国际肿瘤学杂志, 2025, 52(3): 136-143.

Han Shuang. CT feature analysis and predictive value of visceral pleural invasion in stage Ⅰ lung adenocarcinoma with peripheral solid nodules[J]. Journal of International Oncology, 2025, 52(3): 136-143.

图/表8

表1

训练集和验证集外周实性结节Ⅰ期肺腺癌患者的临床资料及CT特征比较（$\bar{x}±s$/例）"

项目	训练集（n=112）	验证集（n=38）	t/χ²值	P值	项目	训练集（n=112）	验证集（n=38）	t/χ²值	P值
年龄（岁）	60.30±10.19	59.52±9.69	0.41	0.680	钙化
性别					有	6	5	1.52	0.217
男	44	20	2.07	0.151	无	106	33	1.52	0.217
女	68	18	2.07	0.151	瘤内坏死
病理类型					有	31	8	0.65	0.421
AIS	20	6	0.16	0.921	无	81	30	0.65	0.421
MIA	18	7			空泡征
IA	74	25			有	27	4	3.19	0.074
病灶分布					无	85	34	3.19	0.074
右肺	70	24	0.01	0.942	空气支气管征
左肺上叶	42	14	0.01	0.942	有	31	12	0.21	0.646
VPI					无	81	26	0.21	0.646
阳性	35	12	<0.01	0.970	周围性肺气肿
阴性	77	26	<0.01	0.970	有	11	7	1.26	0.262
病灶最大径（cm）	1.71±0.43	1.75±0.35	0.52	0.605	无	101	31	1.26	0.262
形态					外周纤维化
规则	39	13	0.01	0.945	有	27	8	0.15	0.700
不规则	73	25	0.01	0.945	无	85	30	0.15	0.700
边界					胸膜牵拉
清晰	72	24	0.02	0.900	有	65	25	0.71	0.399
模糊	40	14	0.02	0.900	无	47	13	0.71	0.399
分叶征					胸膜接触
有	81	23	1.86	0.173	有	41	10	1.34	0.247
无	31	15	1.86	0.173	无	71	28	1.34	0.247
毛刺征					邻近胸膜增厚
有	63	22	0.03	0.860	有	38	13	<0.01	0.975
无	49	16	0.03	0.860	无	74	25	<0.01	0.975
密度					淋巴结肿大
实性	48	19	0.59	0.444	有	13	3	1.10	0.736
亚实性	64	19	0.59	0.444	无	99	35	1.10	0.736
晕征
有	53	20	0.32	0.571
无	59	18	0.32	0.571

表1

表2

训练集有无VPI的外周实性结节Ⅰ期肺腺癌患者的临床资料及CT特征比较（$\bar{x}±s$/例）"

项目	VPI阴性组（n=77）	VPI阳性组（n=35）	t/χ²值	P值	项目	VPI阴性组（n=77）	VPI阳性组（n=35）	t/χ²值	P值
年龄（岁）	59.27±11.18	61.15±8.82	0.88	0.382	钙化
性别					有	3	3	0.32	0.571
男	27	17	1.84	0.175	无	74	32	0.32	0.571
女	50	18	1.84	0.175	瘤内坏死
病理类型					有	16	15	5.86	0.015
AIS	20	0	11.49	0.003	无	61	20	5.86	0.015
MIA	10	8			空泡征
IA	47	27			有	17	10	0.56	0.456
病灶分布					无	60	25	0.56	0.456
右肺	49	21	0.14	0.713	空气支气管征
左肺	28	14	0.14	0.713	有	18	13	2.28	0.131
病灶最大径（cm）	1.50±0.44	2.12±0.67	5.83	<0.001	无	59	22	2.28	0.131
形态					周围性肺气肿
规则	29	10	0.88	0.349	有	5	6	3.08	0.079
不规则	48	25	0.88	0.349	无	72	29	3.08	0.079
边界					外周纤维化
清晰	50	22	0.05	0.832	有	16	11	1.49	0.222
模糊	27	13	0.05	0.832	无	61	24	1.49	0.222
分叶征					胸膜牵拉
有	49	32	9.29	0.002	有	36	29	12.88	<0.001
无	28	3	9.29	0.002	无	41	6	12.88	<0.001
毛刺征					胸膜接触
有	39	24	3.14	0.076	有	23	18	4.82	0.028
无	38	11	3.14	0.076	无	54	17	4.82	0.028
密度					邻近胸膜增厚
实性	26	22	8.32	0.004	有	21	17	4.87	0.027
亚实性	51	13	8.32	0.004	无	56	18	4.87	0.027
晕征					淋巴结肿大
有	33	20	1.97	0.160	有	8	5	0.08	0.781
无	44	15	1.97	0.160	无	69	30	0.08	0.781

表2

图1

图2

表3

预测112例外周实性结节Ⅰ期肺腺癌患者VPI的单因素和多因素logistic回归分析"

项目	单因素			多因素
项目	OR值	95%CI	P值	OR值	95%CI	P值
病理类型
IA	Ref
AIS	1.21	0.44~3.31	0.350
MIA	1.02	0.97~1.05	0.685
病灶最大径	1.48	1.09~2.01	0.010	1.94	0.33~3.18	0.151
分叶征
无	Ref
有	5.09	2.31~6.00	0.001	6.42	1.42~18.58	0.018
密度
亚实性	Ref
实性	4.25	1.47~7.18	0.004	0.74	0.23~2.33	0.930
瘤内坏死
无	Ref
有	2.27	1.01~5.17	0.049	3.63	1.01~10.01	0.046
胸膜牵拉
无	Ref
有	6.75	1.92~13.68	<0.001	4.19	1.17~10.92	0.028
胸膜接触
无	Ref
有	3.58	1.18~5.65	0.018	1.02	0.32~3.22	0.607
邻近胸膜增厚
无	Ref
有	3.60	1.18~5.72	0.018	0.73	0.48~1.12	0.954
影像组学评分	19 418.06	394.18~957 161.04	<0.001	179 711.20	525.13~61 552 573.59	<0.001

表3

图3

图4

图5

参考文献14

[1]	Lim WH, Lee KH, Lee JH, et al. Diagnostic performance and prognostic value of CT-defined visceral pleural invasion in early-stage lung adenocarcinomas[J].Eur Radiol,2024,34(3): 1934-1945. DOI:10.1007/s00330-023-10204-2.
[2]	Nishino M. Jellyfish sign for visceral pleural invasion in lung cancer: reviving the lost art of radiology[J].Radiology,2024,310(1): e233171. DOI:10.1148/radiol.233171.
[3]	Yang L, Jiang Z, Tong J, et al. Development and validation of a preoperative CT-based radiomics nomogram to differentiate tuberculosis granulomas from lung adenocarcinomas: an external validation study[J].BMC Cancer,2024,24(1): 670. DOI:10.1186/s12885-024-12422-3.
[4]	Zhou H, Zhou J, Qin C, et al. Preoperative prediction of perineural invasion in oesophageal squamous cell carcinoma based on CT radiomics nomogram: a multicenter study[J].Acad Radiol,2024,31(4): 1355-1366. DOI:10.1016/j.acra.2023.09.026.
[5]	Jin H, Wang Y, Li X, et al. Radiomics nomogram for predicting chemo-immunotherapy efficiency in advanced non-small cell lung cancer[J].Sci Rep,2024,14(1): 20788. DOI:10.1038/s41598-024-63415-y. pmid:39242619
[6]	Li R, Peng H, Xue T, et al. Prediction and verification of survival in patients with non-small-cell lung cancer based on an integrated radiomics nomogram[J].Clin Radiol,2022,77(3): e222-e230. DOI:10.1016/j.crad.2021.12.002.
[7]	Wang Y, Liu W, Yu Y, et al. CT radiomics nomogram for the preope-rative prediction of lymph node metastasis in gastric cancer[J].Eur Radiol,2020,30(2): 976-986. DOI:10.1007/s00330-019-06398-z. pmid:31468157
[8]	Rami-Porta R, Asamura H, Travis WD, et al. Lung cancer-major changes in the American Joint Committee on Cancer eighth edition cancer staging manual[J].CA Cancer J Clin,2017,67(2): 138-155. DOI:10.3322/caac.21390.
[9]	望云, 吕登, 涂文婷, 等. CT特征预测胸膜下临床ⅠA期周围型肺腺癌脏层胸膜侵犯的价值[J].中华放射学杂志,2022,56(10): 1103-1109. DOI:10.3760/cma.j.cn112149-20220624-00540.
[10]	朱浩楠, 王安生, 洪海宁, 等. 基于增强CT影像组学及形态学征象对非小细胞肺癌脏层胸膜侵犯的预测价值研究[J].中华解剖与临床杂志,2022,27(4): 213-219. DOI:10.3760/cma.j.cn101202-20210803-00190.
[11]	Fang W, Zhang G, Yu Y, et al. Identification of pathological subtypes of early lung adenocarcinoma based on artificial intelligence para-meters and CT signs[J].Biosci Rep,2022,42(1): BSR20212416. DOI:10.1042/BSR20212416.
[12]	苗嫚丽, 范晓云, 丁佩山, 等. 孤立性肺结节中Ⅰ期非小细胞肺癌的危险因素分析及其病理不同进展程度的临床特征对比[J].中国临床保健杂志,2019,22(6): 753-759. DOI:10.3969/J.issn.1672-6790.2019.06.009.
[13]	李鲁, 舒锦尔, 陈真伟, 等. 磨玻璃结节表现的肺腺癌侵犯脏层胸膜的超高分辨率CT评价[J].中国医学计算机成像杂志,2020,26(3): 223-229. DOI:10.3969/j.issn.1006-5741.2020.03.006.
[14]	Onoda H, Higashi M, Murakami T, et al. Correlation between pleural tags on CT and visceral pleural invasion of peripheral lung cancer that does not appear touching the pleural surface[J].Eur Radiol,2021,31(12): 9022-9029. DOI:10.1007/s00330-021-07869-y.

[1]	来瑞鹤, 滕月, 戎剑, 盛丹丹, 耿羽智, 陈建新, 蒋冲, 丁重阳, 周正扬.基于¹⁸F-FDG PET/CT原发灶影像组学的联合模型预测NSCLC淋巴结转移的价值[J]. 国际肿瘤学杂志, 2025, 52(3): 144-151.
[2]	袁胜芳, 任婕, 林卫佳, 姬泽萱, 张长洪, 王布.EGFR共突变状态对晚期肺腺癌患者预后的价值研究[J]. 国际肿瘤学杂志, 2024, 51(9): 556-562.
[3]	彭丹, 吕璐, 孙鹏飞.影像组学在宫颈癌中的研究进展[J]. 国际肿瘤学杂志, 2024, 51(8): 532-537.
[4]	傅旖, 马辰莺, 张露, 周菊英.生境分析在恶性肿瘤影像组学中的研究进展[J]. 国际肿瘤学杂志, 2024, 51(5): 292-297.
[5]	孙维蔚, 姚学敏, 王鹏健, 王静, 贾敬好.基于血液学指标探讨免疫治疗晚期非小细胞肺癌预后因素及列线图构建[J]. 国际肿瘤学杂志, 2024, 51(3): 143-150.
[6]	陈波光, 王苏贵, 张永杰.血清胆碱酯酶与炎症标志物在ⅠA~ⅢA期乳腺癌预后中的作用[J]. 国际肿瘤学杂志, 2024, 51(2): 73-82.
[7]	李甜, 伍杨, 张江明, 席春生.老年肾透明细胞癌患者发生肺转移的列线图预测模型构建[J]. 国际肿瘤学杂志, 2024, 51(12): 755-762.
[8]	王潇, 李盈, 罗玉杰, 晋舒.基于列线图模型探讨血清学指标对鼻咽癌预后的判断价值[J]. 国际肿瘤学杂志, 2023, 50(8): 463-469.
[9]	张友文, 韩晓, 董有文, 徐芳, 姜波.以双侧胸腔积液为首发表现的肝内胆管癌胸膜转移1例[J]. 国际肿瘤学杂志, 2023, 50(5): 315-317.
[10]	曹晓辉, 于荭, 李万湖.基于CT的影像组学分析在预测和鉴别治疗相关性肺炎中的应用[J]. 国际肿瘤学杂志, 2023, 50(2): 107-111.
[11]	谢宇, 郑胜男, 黄明敏, 郭爱斌, 尹震宇, 林永娟.基于脑脊液药代动力学的培美曲塞应用于肺腺癌软脑膜转移患者鞘内注射化疗的临床研究[J]. 国际肿瘤学杂志, 2023, 50(10): 585-591.
[12]	吴嘉钰, 刘加成.孤立性磨玻璃结节样肺腺癌的影像组学研究进展[J]. 国际肿瘤学杂志, 2022, 49(8): 449-452.
[13]	林永娟, 李会颖, 尹震宇, 郭爱斌, 谢宇.基于非靶标代谢组学的肺腺癌软脑膜转移患者脑脊液代谢特征研究[J]. 国际肿瘤学杂志, 2022, 49(7): 390-399.
[14]	李杨仪, 龚龑, 谢丛华.SAMHD1抑制肺腺癌细胞中PD-L1表达的研究[J]. 国际肿瘤学杂志, 2022, 49(11): 658-664.
[15]	郝海亚, 李树林, 张荣强, 左泽华.谷胱甘肽过氧化物酶家族与结直肠癌患者生存预后的关系[J]. 国际肿瘤学杂志, 2022, 49(10): 597-603.