综述影像组学在肺结节中的研究进展.docx

综述影像组学在肺结节中的研究进展胡峙琦1赵艳萍1韩雅钧1王健I宗平1I新疆医科大学附属肿瘤医院核医学科，乌鲁木齐830011；通信作者：赵艳萍，Email：;【摘要】影像组学是从医学图像中提取大量的定量影像学特征，可以对普通影像图像进行更深层次的挖掘、预测和分析，辅助医师做出最准确的诊断，已有大量研究表明影像组学在肺结节的诊断中具有较大的优势。本文介绍了肺磨玻璃结节与肺癌的联系和影像组学基本流程，并且对影像组学在肺结节良恶性评估中的诊断价值、肺癌的临床分期、治疗和预后的作用，以及影像组学在肺癌基因预测中的应用进行综述。【关键词】肺磨玻璃结节；影像组学；肺恶性肿瘤；-FDGPET/CT显像AdvancesinradiomicsinpulmonarynodulesZhihengHu1,YanpingZhao1,YajunHan1JianWang1,PingZong11DepartmentOfNucIearMedicine,AffiliatedTumorHospitalofXinjiangMedicalUniversity,Urumqi830011,ChinaCorrespondingAuthor:YanpingZhao,E-mail:;AbstractRadiomicsistheextractionofalargenumberofquantitativeimagingfeaturesfrommedicalimages,whichcanbeusedfordeeperexcavation,predictionandanalysisofcommonimagingimagestoassistphysiciansinmakingthemostaccuratediagnosis,andalargenumberofstudieshaveshowntheadvantagesofradiomicsinthediagnosisofpulmonarynodules.Thisarticledescribestheassociationbetweenpulmonarygroundglassnodulesandlungcancerandthebasicradiomicsprocess,andreviewsthediagnosticvalueofradiomicsintheassessmentofbenignandmalignantIungnodules,theroleofclinicalstaging,treatmentandprognosisoflungcancer,andtheapplicationofradiomicsinlungcancergeneprediction.Keywords:Pulmonarygroundglassnodule；Radiomics；LungCancer；18F-FDGPET/CTImaging原发性肺癌是目前世界上发病率和死亡率最高的恶性疾病之一，每年全世界大约有180万新的肺癌病例被诊断出来。国家癌症中心2019年发布的统计资料表明，2015年中国新发肺癌病例约为78.7万例，发病率为57.26/10万，位于恶性肿瘤发病率第1位O肺癌中的非小细胞肺癌(non-smallcelllungcancer,NSCLO约占肺癌的85%以上，而在NSCLC中又分为鳞癌、腺癌、大细胞癌等等，目前肺腺癌的发病率已高于肺鳞癌，成为最普遍的肺癌病理类型，因而成为主要的研究对象。治疗肺癌患者主要采取早发现、早诊断、早治疗的手段，从而早期发现并诊断出恶性肺结节的患者，是提高病人预后水平和改善病人生存率的关键二级预防措施。随着大数据、人工智能的深入融合发展，一种全新的研究方法开始用于临床研究中，那就是影像组学。影像组学最早由荷兰学者在2012年提出"其强调的深层次含义是指从影像(CT、MRI、PET等)中高通量地获取大量影像信息，并运用人工智能技术分析与破解这些信息。影像组学的发展，图像已成为信息数据，而不是简单的可见图片，它们与肺癌治疗的整合可能代表该领域的范式转变。还能够对普通影像图像做出更深入的挖掘、预测与剖析，辅助医师做出最精准的判断。1 .肺磨玻璃结节与肺癌的联系磨玻璃结节(GroUndglassnodule,GGN)是指在薄层CT上显示直径W3cm的局部肺组织，呈模糊的轻度密度增高的结节影，但并不影响其中的支气管、血管束结构的显示。其病理基础是肺泡间隔增厚或部分肺泡腔内充满液态物质、细胞以及组织碎片等。从胸部CT的影像学表现分析，磨玻璃结节根据内部是否含有实性成分，可以分成纯磨玻璃结节(PUreground-glassnodule,pGGN)和部分实性结节(Part-solidnodule,PSN),后者也可称为混合性磨玻璃结节(mixedGGN,mGGN)0而pGGN及PSN又称为亚实性结节(SUb-solidnodule,SSN)0与实性结节相比，GGN与肺腺癌的关系较为密切。2015年WHO发布的肺癌组织分型建议，将肺腺癌分为浸润前病变(非典型腺瘤样增生(atypicaladenomatoushyperplasia,AAH)>原位腺癌(adenocarcinomainsitu,AIS)、微浸润性腺癌(minimallyinvasiveadenocarcinoma,MIA)和浸润性腺癌(invasiveadenocarcinoma,IAO15L而在2021年肺腺癌新的分类中，肺部的上皮性肿瘤分成良性肿瘤、前驱病变和腺癌。（1）良性肿瘤包括乳头状瘤和腺瘤。（2）腺体前驱病变即非典型腺瘤样增生和原位腺癌。（3）腺癌包括微浸润性腺癌和浸润性腺癌。因此肺腺癌的前期就是前驱性病变，再前期是良性病变，肺腺癌发生发展的不同阶段会对临床治疗产生很大的影响。近年来，对肺内多发GGN的诊断患者也越来越多，大约20M30%切除的GGN病变伴有其他多发较小的肺内GGN病变。有调查表明叫肺多发GGN手术切除的病灶多数为腺癌或癌前病变（占98.9%）,生物学行为属于惰性。但在其他两项研究中U叫高达52%和58%的pGGN在随访期间有所进展。这些数据表明许多PGGN是活跃的，不应被忽视。并且有40.2-55.3%的病例与浸润性腺癌有密切联系。有科学研究表明LGGN大小与肺癌存在关联性，直径6mm的恶性概率为1%,直径6mm-10mm的恶性概率为20%,直径11mm-20mm的恶性概率为45%,直径20nun的恶性概率为80%;GGN密度也与肺癌存在相关性，实性结节的恶性概率仅为7与PSN的恶性概率为63版PGGN的恶性概率为18机直径WlOnun的PGGN大约有25%的概率是AIS和小于5%的概率是浸润性腺癌；直径10nun的PGGN大约有40%的概率是AIS和20%的概率是浸润性腺癌；直径W10mm的PSN大约有50%的概率是AlS和25%的概率是浸润性腺癌；直径10mm的PSN大约有50%的概率是浸润性腺癌。另外，GGN在随访期间大约有20%-30%的概率进展，多是AIS,很少有浸润性腺癌。病灶体积的缩小不意味着不需要关注，除非病灶明显缩小或多次随访无进展。GGN的CT值的高低根据肿瘤细胞侵袭正常肺组织使肌成纤维细胞基质增厚的程度决定，CT平均值越高，病灶的侵袭能力越强"I。有研究指出1"，川，当CT值-450HU在病理上通常是浸润性病变，不过因为GGN的体积较小，测量数值重复性并不好，因此临床应用价值目前尚不能肯定。2 .影像组学流程影像组学是从普通医学图像中获取大量的定量影像学特征，运用人工智能可以对普通影像图像进行更深层次的挖掘、预测和剖析，辅助医师做出最准确的诊断。2.1 标准医学影像数据获取和筛选:数据收集前首先需要根据明确的研究方向进行数据筛选。选取标准的高质量影像数据资料包括CT、MRKPET、超声影像等。影像数据的收集以薄层数据最佳。影像组学的入组数据需要保证具备一致或近似的采集参数，从而使数据不会受到其他因素的影响。2.2 图像分割：指把图像分为一些或某些具有独立属性的小区域，以获得感兴趣目标信息(ROi)的技术方法和过程。根据研究目的的不同，图像分割的目标可以是病灶、正常参考组织或是组织解剖结构，可以是三维也可以是二维区域，影像组学随后的分析研究都围绕这些从图像内分割出来的区域进行。图像的分割网通过手动、半自动及全自动分割的方法对所感兴趣区域进行逐层勾画，以准确判定肿瘤边界。半自动或自动的分割方法包括基于阈值进行分割、基于区域进行分割、聚类分割，以及通过机器学习方法进行分割等。这些自动勾画因为设置计算机统计条件、软件参数设置不同，都会对图像病灶分割结果产生影响，导致勾画误差。因此，对这些方法的评估仍然是以人工勾画为金标准I。常用的软件有3Dslicer、ITK-SNAP、MRICroGLMaZda等。对于分割方法，其重复性和可靠性非常重要。例如，对于平面内结节边界的解释，读者之间的可变性可能非常大。一些研究表明，不同的轮廓可以改变特征。例如VanVeIden等人，使用11名非小细胞肺癌患者的两次基线全身PET/CT扫描，发现有25个特征对轮廓的改变很敏感。此外，Leijenaar等人时发现，在使用半自动分割的11例NSeLC患者的复测队列中，71%的放射组学特征是稳定的，而在23例使用手动分割的NSeLC患者的观察者间队列中，91%的影像组学特征是稳定的。在对肿瘤进行分割的基础上提取特征，分割方法保证了影像学特征的重复性和可靠性。2. 3影像组学特征提取：影像组学特征提取是指从医学影像中高通量地提取影像信息。其中高通量指用最少的资源、最快的速度、大量地计算体系所具有的各种性质，从而达到探究、预测物质性质的一种科学研究方法。常见的影像组学特征包括一阶统计特征、形状特征、二阶及高阶纹理特征以及基于不同滤波器滤波后提取出的图像特征1。目前已知不少可用于影像组学研究的开源及商用软件，开源软件包括3D-Slicer、MaZda、CGITA和IBEX,商用软件包括A.K、TeXRAD、Radiomics,除此之外，还有一些基于matlab.R语言、Python开发的特征提取工具。不论选用什么工具，提取的影像组学特征都分为以下三类：基于强度的特征、基于形状的特征和基于纹理的特征。3. 4影像组学特征选择：提取到的特征数量可能几百到几万不等，而且并不是每个特征都与需要解决的临床问题相关联；特征选择是根据某些评估准则，从特征集中直接选取合适的子集，或者将原有的特征经过线性/非线性组合，生成新的特征集，再从新特征集中选取合适的子集过程。特征选择的三类方法又分为：（1）过滤式：特征筛选是指按照统计学检验中某种标准，设定阈值进行过滤。如方差选择法，卡方检验，相关系数法，互信息法都属于过滤式特征筛选。（2）包装式：特征筛选是根据目标函数，多次迭代，每次保留若干特征。做常用的包装式特征筛选方法就是递归特征消除法。（3）嵌入式:特征筛选是通过结合机器学习算法，得到各个特征的权重系数，从而进行排序和筛选。常用的LASS0、岭回归以及梯度提升决策树等都属于嵌入式特征筛选。4. 5模型建立：影像学的目标是构建一个具有特定特征的临床结果预测模型。针对医生具体的临床问题，在临床研究问题标签的基础上建立由上述特征筛选出来的关键特征,或进一步结合影像组学以外的特征（如临床体征、病理、基因检测数据）组合而成的预测模型。机器学习提供了几种建模方法来实现这一目标O特征选择后，可以采用以下6种机器学习方式建立模型12叫包括NBC（朴素贝叶斯分类器）、KNN（K-最近邻）、RF（随机森林）、SVM（支持向量机）、DT（决策树）、LR（逻辑回归）。通过队列中受试者工作特征（ROC）曲线分析的曲线下面积（AUC）来评估建模方法的预测性能。首先比较每个模型在对比和非对比数据中的AUC,丢弃劣质数据，然后在优等数据中选择最优模型进行进一步分析。DuoHOng等人mi对201名晚期肺腺癌患者，基于增强和非增强CT经手动分割共提取了396个特征，通过LASSO算法选择对比数据的10个特征和非对比数据的11个特征。在所有6种不同的机器学习方法中，对比图像的影像组学特征的性能都优于非对比图像。最后，在验证队列中，使用基于增强CT成像的LR（逻辑回归）方法构建了最佳影像组学特征。LR的机器学习方法可以为每个患者分配一个影像组学分数（rad-score）,获得了比其他模型更好的值。3.影像组学在肺癌方面的临床应用3.1 影像组学应用于肺结节的诊断与鉴别诊断低剂量胸部CT的广泛普及，使人们对于早期肺癌的筛查日渐重视，从而肺结节的检出率随之越来越高。如何可以在早期发现肺结节后诊断良恶性是临床一直研究探索的问题。CT是诊断肺部GGN的首选方法，传统的方式是根据GGN的CT形态学特征对其良恶性进行鉴别诊断。（I）GGN结节大小分级和诊断：微小结节：直径<5un,95%-99%为良性病变；小结节：直径5mmT0mm,80285%为良性病变或浸润前病变；结节：直径IlnInr30mm,如果经过3-4个月观察随访，不消失或不缩小并持续存在GGN,60%-80%为浸润前病变或浸润性病变。（2）GGN的形状：大多为圆形或者类圆形，也可呈不规则形态（如三角形或多角形等），不规则形态的GGN在靠近叶间胸膜或大血管旁出现的比例较高。（3）GGN的边缘：一旦GGN的边缘呈分叶状，或存在毛刺征、血管集束征、胸膜凹陷征等征象，常提示恶性的可能性较大2L（4）肺-瘤边界：恶性GGN的边界可模糊也可光整，因为瘤细胞在浸润生长时可引起周围肺实质的炎症反应122%炎性GGN边界大多模糊不清或者有渗出样改变，而非炎性的良性肺结节边界多整齐平滑。随着人工智能的发展，更多的影像组学特征所被提取出来。在肺结节和肺癌中，影像组学的主要目标是获取自动定量图像特征，以非侵入性的方式来预测结节和肿瘤的行为。在基于CT的肺癌筛查和偶然发现的不明肺结节中，多项研究成果证实影像组学技术有助于提高诊断的准确性,来鉴别恶性肿瘤和良性肺结节。杨春然等研究人员利用影像组学特征来区分肺结节的良恶性程度，故选出604例直径在3mm-3cm的肺结节患者，共计2803幅CT图像，利用这些图像将肺结节的恶性程度分为5级，提取出96个高通量特征，通过随机森林方法对肺结节的恶性程度进行评估。结果表明，预测的准确率可达77.85%,敏感度超过70%,特异度达到90%,曲线下面积（areaunderthecurve,AUC）值在O.94以上。这也证实了影像组学特征在预测肺结节的恶性程度方面具有较高的准确率，进而证明了影像组学对预测肺结节良恶性有着重要意义。几项研究提出了基于一系列CT影像组学特征组合的预测模型，报告的总体准确度在70%到95%之间3281。来自味氟脱氧葡萄糖（FDG）正电子发射断层扫描（以下称为PET）的摄取参数也显示出良好的诊断性能中的准确度在65%和91%之间129-33,其潜在的改善来自摄取异质性的特征。在最近的一项荟萃分析中，Jia等人网得出结论，CT和PET/CT对立性肺结节的患者都有中到高的诊断价值，两种方式之间没有显着差异。而Barbara的等人发现与常规影像特征相比，18F-FDGPETCT的形态和纹理特征可以为肺结节的良恶性鉴别提供更多的价值。3. 2影像组学在预测磨玻璃结节肺腺癌浸润程度中的应用影像组学分析也已被证明在评估亚实性结节方面发挥作用。研究已经确定了能够区分一过性炎性结节和恶性部分实性结节的质地特征，还可以区分原位惰性腺癌和侵袭性腺癌函】。Fan等从355个影像组学特征中筛选出2个重要特征构建影像组学标签并在测试集中验证，结果证明影像组学标签可以无创地预测浸润性腺癌，其预测能力优于CT形态学特征和定量指标。LEE等人评估了86个部分实性结节的质地特征。他们发现低平均密度、较低的5个百分位数的CT值和较高的衰减正偏度是区分暂时性和持续性部分实性结节的显著指标。当纹理分析与临床和CT特征结合使用时，与单独的临床和CT特征相比，区分能力显着增加；AUC从79%上升到92.9%l38kChae等X在对86个部分实心磨玻璃结节的另一项研究中，使用基于纹理的特征（曲线下面积，0.981）的组合成功区分浸润前病变和浸润性肺腺癌，较高的峰度和较小的质量是特别好的区分因素阳】。在一项根据有关使用计算机断层扫描（CT）的影像组学特征区分侵袭性腺癌（IAC）和表现为磨玻璃结节（GGN）的惰性肺腺癌的研究中口叫使用影像学质量评分（RQS）和预测模型风险评估工具（PROBAST）来评估每项研究的质量。其中28项回顾性研究被纳入，三项研究中的患者来自多个中心。大多数研究通过手动分割感兴趣的区域，提取的影像组学特征的数量从7到10329不等。根据PROBAST,89.3%（25/28）的纳入研究的总体偏倚风险（ROB）高，7.1%（2/28）的纳入研究不明确，3.6%（1/28）的低偏倚风险包括研究。基于CT影像组学的模型在区分IAC与惰性肺腺癌方面是有非常有前景的，并且周见远等人刈研究发现由吸烟史、18F-FDGPET/CT影像组学标签形成的临床模型可为术前个体化预测NSCLC亚型提供非侵袭性、可重复的方法。尽管它们需要方法学上的严谨性。精心设计的研究对于证明其有效性和方法和结果的标准化是必要的，可以促进它们在日常临床实践中的使用。5. 3影像组学在肺癌临床分期中的应用由肿瘤（T）、淋巴结浸润（N）和远处转移（M）组成的肿瘤的临床分期是选择治疗方案的决定性因素。影像组学已成为一种从医学影像中提取定量特征的非侵入性方式，在肿瘤学实践中已经表现出了重要的前景。有研究报道阳，CT影像组学在预测非小细胞肺癌患者的淋巴结转移方面具有较高的灵敏度和特异度。YangM等人网也建立IA期肺癌淋巴结转移影像组学预测模型，可以较好的在术前预测有无淋巴结转移。在一项研究中，招募了649名术前基于CT的IA期NSCLC患者，其中21%的患者在手术后确诊淋巴结转移，并收集了396个CT影像学特征和临床信息。受试者工作特征（Rc）C）分析显示影像组学模型对淋巴结转移的预测值为0.851。当结合临床数据时，该模型的预测性能提高到0.860。这项研究为术前基于CT的影像组学在预测淋巴结转移方面的潜力提供了进一步的证据I均。除了CT特征外，从PET/CT提取的影像组学特征，包括统计特征、直方图特征、形态学特征和纹理特征，也已经能够量化肺癌的瘤内异质性。一项对545例病例的回顾性研究甚至显示PET纹理特征能够区分肺癌原发灶和转移灶，但基于CT特征建立的模型无法预测网。基于PET/CT放射组学特征的预后模型与基于肿瘤体积或标准摄取值（SUV）的模型相比，用于预测远处转移发展的模型能够清晰地区分高风险和低风险组H71。PET/CT在肺癌应用中发挥着越来越大的作用，但是PETYT对GGN病变的诊断价值仍然有限，假阴性率和假阳性率仍然值得关注48,4叫并且PET图像中SUVmax是最常用的半定量代谢参数，但是根据患者身体情况的差异，扫描时间的不同，以及血糖浓度和胰岛素水平的不同都会对SUV值产生不同程度的影响，这就给诊断医生带来了困难。5.4 影像组学在疗效评估及预后的作用虽然肺癌患者的生存主要取决于临床分期，但同一分期的患者在治疗反应和结果方面通常却表现出很大的差异。预后分层对于个体化管理很重要。在放射肿瘤学领域，影像组学被证明具有作为关键的无创监测工具的巨大潜力。Coroller等研究发表明眼1，通过影像组学获得的肺癌及淋巴结的纹理特征，可预测化疗后或手术治疗后的病理完全缓解率以及残余病灶大小等表现；但传统影像检查获得的信息（如大小、直径）没有这种能力。对1,194例NSCLC患者的7个独立数据集的综合分析表明，三维卷积CT定量模型可以有效地预测接受放疗或手术治疗的患者的2年总生存期（OS）】。在对I期NSCLC的无复发生存率（RFS）预测中，107个CT征象中有8个用于建立影像组学特征，这有助于将患者分为高危组（180/378）和低危组（198/378）,其中高危组（180/378）和低危组（198/378）具有不同的无复发生存率血PET代谢图像可以更进一步在分子水平，观察显像剂摄取程度来预测。呻-FDGPET/CT已越来越多地用于评估治疗反应和预测患者结果图）。'8F-FDG摄取不仅与代谢增加有关,而且与其他病理生理因素有关,如灌注、细胞增殖和缺氧，所有这些都可能导致肿瘤异质性。因此PET/CT影像组学特征，例如包括最大标准化摄取值（SUV）、代谢肿瘤体积（MTV）和总病灶糖酵解（TLG）,以及四个纹理参数，包括烯和相异性（源自共发生矩阵）和高强度大面积强调（HILAE）和区域百分比（来自大小区域矩阵）进行了分析，可以帮助肺癌患者疗效评估，从而有助医生选择最佳治疗方案网。Dong等网将PET/CT影像组学方法用于评估非小细胞肺癌同步放、化疗的疗效，结果显示，对比度、MTV、基线变异系数更高的患者治疗获益更大，这些组学特征可以在更早的时间来预测疗效。并且SUn等人M报道，在接受免疫治疗的患者中，在3个月和6个月有客观反应的病例中观察到更高的基线影像组评分，OS更好。结果表明，影像组学可以评估肿瘤免疫浸润，从而成为一种新的免疫治疗效果预测指标。5.5 影像组学在肺癌基因预测中的作用现在生物医学发展很快，基因靶向药物的应用给很多肿瘤病人带来一定的帮助。但是基因检测仍然昂贵，需要侵入性操作且耗时，无法对所有患者进行。因此影像基因组学可能在提供与基因表达相关的准确成像替代物方面发挥重要作用，从而替代基因检测。影像基因组学能够反映肺癌组织标本里面的异质性特点，把计算机软件技术和基因大数据技术有机的结合在一起，从不同角度互补信息，显示在分子和基因水平的变化情况。LI等旧I从312例NSCLC患者的计算机断层扫描图像中提取580个影像学特征以预测EGFR亚型19Del和L858R,获得EGFR19Del和L858R联合模型的接收器工作特性曲线下的各个区域分别为0.793和0.775,提示表皮生长因子受体19Del和L858R有着独特的成像表型，证明影像组学可用于EGFR突变亚型的预测。此外，张敏网等人指出PET/CT影像组学模型在区分EGFR方面表现出更好的性能来区分阳性和阴性突变，AUC为0.769,10倍交叉验证后准确率为67.06%0基于用-FDGPET/CT影像组学和临床特征的联合模型可以很好地预测NSCLC患者的EGFR突变状态，为靶向治疗的选择提供了另一种有用的方法。使用数学算法获得的影像组学数据可以定量描述体素之间的空间关系，成为研究体内肿瘤异质性的重要工具。4、局限与展望影像组学作为新兴的研究领域，在研究肺癌的实际应用中尚有很大的局限性，首先在使用呷-FDGPET/CT评估肿瘤异质性方面，由于PET/在与CT、MRI等解剖成像方式相比，其空间分辨率相对较低，小体积肿瘤异质性参数的可靠性有待进一步验证15叫其次最重要的是缺乏一定的可重复性。因为不同的采集装置，以及特征的选择方法、分割的方式以及参数设置的差异都会导致所获取的影像存在明显的不同。并且因为技术、算法和评判标准的不一致，也都会对最后获得的结果有影响附。由于CT及PET/CT扫描广泛应用于肺癌患者的临床实践，影像组学可能成为观察和解释肿瘤生物学行为的一种简单易用的工具。影像组学的潜在应用价值是不可估量的，同时也是可行的。研究人员正专注于解决前面提到的局限性，这些局限性仍然是将这些工具应用于临床的最大障碍。随着实验医学的发展和影像组学的发展，医生将有机会从成像中解读更多的信息。影像组学研究用于肺癌诊断已经有很长时间，但使用这些的范围已经扩大到不仅仅是诊断。影像组学研究在未来有望提高医学成像的效用，使其成为一种更强大的工具，能够提供有关诊断、个体化治疗、监测和预后的重要信息。临床中孤立的肺结节很常见，判断其良恶性十分重要。值得注意的是，影像组学并不能完全取代放射科医生在肺结节诊断中的作用。相反，影像组学是为了帮助放射科医生更精确地诊断和确定疾病的特征，也可能帮助其他医生为他们的患者提供个性化的治疗。现在将影像组学应用于常规临床实践可能还需要不断完善，随着未来图像采集和实验的标准化，以及通过前瞻性临床试验的验证，影像组学可能会在未来的患者管理中发挥强大的作用。通过多中心、大数据的共享，我们将更加全面地获取肺部结节的内部影像特征，从而映射出其病理生理信息，进而更加准确地指导其的诊断及治疗。References1 IV期原发性肺癌中国治疔指南(2021年版).中华肿瘤杂志.2021.43(01):39-59.2 LambinRRios-VelazquezE,LeijenaarR,etal.Radiomics:extractingmoreinfbnationfrommedicalimagesusingadvancedfeatureanalysis.EurJCancer.2012.48(4):441-6.3 LuJ,TangH,YangX,LiuL,PangM.Diagnosticvalueandimagingfeaturesofmulti-detectorCTinlungadenocarcinomawithgroundglassnodulepatients.OncolLett.2020.20(1):693-698.4 LuT,YangX,ShiY,etal.Single-celltranscripomeatlasoflungadenocarcinomafeaturedwithgroundglassnodules.CellDiscov.2020.6(1):69.5 TravisWD,BrambillaE,NicholsonAG,etal.The2015WorldHealthOrganizationClassificationofLungTumors:ImpactofGenetic,ClinicalandRadiologicAdvancesSincethe2004Classification.JThoracOncol.2015.10(9):1243-1260.6 方三高，陈真伟，魏建国.2021年第5版WHO胸部肿瘤分类.诊断病理学杂志.2021.28(07):591-593+607.7 叶欣,范卫君,王忠敏等.热消融治疔肺部亚实性结节专家共识(2021年版).中国肺癌杂志.2021.24(05):305-322.8 ChenKN.Thediagnosisandtreatmentoflungcancerpresentedasground-glassnodule.GenThoracCardiovascSurg.2020.68(7):697-702.9 ShigefukuS,ShimadaY,HagiwaraM,elal.PrognosticSignificanceofGround-GlassOpacityComponentsin5-YearSurvivorsWithResectedLungAdenocarcinoma.AnnSurgOncol.2021.28(1):148-156.10 SunY,LiC,JinL,etal.Radiomicsforlungadenocarcinomamanifestingaspureground-glassnodules:invasiveprediction.EurRadiol.2020.30(7):3650-3659.11 LiuB.DiagnosisandTreatmentofPulmonaryMultifocalGround-glassNodules.ZhongguoFeiAiZaZhi.2020.23(8):679-684.12 SheY,ZhaoL,DaiC,etal.Preoperativenomogramforidentifyinginvasivepulmonaryadenocarcinomainpatientswithpureground-glassnodule:Amulti-institutionalstudy.Oncotarget.2017.8(10):17229-17238.13 ChuZG,LiWJ,FuBJ,LvFJ.CTCharacteristicsforPredictingInvasivenessinPulmonaryPureGround-GlassNodules.AJRAmJRoentgenol.2020.215(2):351-358.14 ZhanY,PengX,ShanF,etal.AttenuationandMorphologicCharacteristicsDistinguishingaGround-GlassNoduleMeasuring5-10mminDiameterasInvasiveLungAdenocarcinomaonThin-SliceCT.AJRAmJRoentgenol.2019.213(4):W162-W170.15 VamvakasA,WilliamsSC,TheodorouK,etal.ImagingbiomarkeranalysisofadvancedmultiparametricMRIforgliomagrading.PhysMed.2019.60:188-198.16 ArmatoSG3rd,McLennanG,BidautL,etal.TheLungImageDatabaseConsortium(LIDC)andImageDatabaseResourceInitiative(IDRI):acompletedreferencedatabaseoflungnodulesonCTscans.MedPhys.2011.38(2):915-31.17 vanVeldenFH,KramerGM,FringsV,etal.RepeatabilityofRadiomicFeaturesinNon-Small-CellLungCancer(18)FFDG-PETCTStudies:ImpactofReconstructionandDelineation.MolImagingBiol.2016.18(5):788-95.18 LeijenaarRT,CarvalhoS,VelazquezER,etal.StabilityofFDG-PETRadiotnicsfeatures:anintegratedanalysisoftest-retestandinter-observervariability.ActaOncol.2013.52(7):1391-7.19 ScalcoE,RizzoG.Textureanalysisofmedicalimagesforradiotherapyapplications.BrJRadiol.2017.90(1070):.20 HongD,XuK,ZhangL,WanX,GuoY.RadiomicsSignatureasaPredictiveFactorforEGFRMutationsinAdvancedLungAdenocarcinoma.FrontOncol.2020.10:28.21 ZhuY,HouD,LanM,SunX,MaX.Acomparisonofultra-high-resolutionCTtargetscanversusconventionalCTtargetreconstructionintheevaluationofground-glass-nodule-likelungadenocarcinoma.QuantImagingMedSurg.2019.9(6):1087-1094.22杨嫡，耿辰，王海林，纪建松,戴亚康.肺部磨玻璃结节良恶性智能辅助诊断新进展.中华放射学杂志.2018.52(12):974-976.23杨春然，郭翌,江源源.基于影像组学的肺结节恶性程度预测.肿瘤影像学.2017.26(02):97JOL24 FerreiraJRJr,OliveiraMC,deAzevedo-MarquesPM.CharacterizationofPulmonaryNodulesBasedonFeaturesofMarginSharpnessandTexture.JDigitImaging.2018.31(4):451-463.25 BalagurunathanY,SchabathMB,WangH,LiuY,GilliesRJ.QuantitativeImagingfeaturesImproveDiscriminationofMalignancyinPulmonarynodules.SciRep.2019.9(1):8528.26 GaoN,HanS,LiX,etal.Three-DimensionalTextureFeatureAnalysisOfPulmonaryNodulesinCTImages:LungCancerPredictiveModelsBasedonSupportVectorMachineClassifier.JDigitImaging.2020.33(2):414-422.27 WUW,PierceLA,ZhangY,etal.Comparisonofpredictionmodelswithradiologicalsemanticfeaturesandradiomicsinlungcancerdiagnosisofthepulmonarynodules:acase-controlstudy.EurRadiol.2019.29(11):6100-6108.28 WuW,HuH,GongJ,LiX,HuangG,NieS.Malignant-benignclassificationofpulmonarynodulesbasedonrandomforestaidedbyclusteringanalysis.PhysMedBiol.2019.64(3):035017.29 TangK,WangL,LinJ,ZhengX,WuY.Thevalueof18F-FDGPET/CTinthediagnosisofdifferentsizeofsolitarypulmonar>,nodules.Medicine(Baltimore).2019.98(11):e14813.30 EvangelistaL,CuocoIoA,PaceL,etal.PerformanceofFEX-PETCTinsolitarypulmonarynodulebasedonpre-testlikelihoodofmalignancy:resultsfromtheITALIANretrospectivemulticentertrial.EurJNuclMedMolImaging.2018.45(11):1898-1907.31 WangL,ChenY,TangK,LinJ,ZhangH.TheValueof(l8)F-FDGPET/CTMathematicalPredictionModelinDiagnosisofSolitaryPulmonaryNodules.BiomedResInt.2018.2018:.32 ChenS,HarmonS,PerkT,etal.Usingneighborhoodgraytonedifferencematrixtexturefeaturesond