摘要
本文主要从以下几方面进行论述： 第一部分 基于18F-FDG PET/CT的SUV指数与磨玻璃结节良恶性的关联分析 目的:磨玻璃结节（GGN)是指CT上肺部局灶性磨玻璃样密度增高灶，内部支气管及肺血管结构不被掩盖。良恶性GGN的CT图像特征常存在重叠，鉴别困难。18F-FDG PET/CT作为一种准确的无创性检査，对于实性肺结节的诊断、分期及疗效评估均具有较高的临床应用价值，但对于GGN样肺癌的诊断存在较高的假阴性率及假阳性率，传统的良恶性鉴别标准显然不适用于GGN。GGN的FDG代谢参数与其良恶性的相互关系是鉴别诊断的关键，目前相关报道较少。本研究拟探讨18F-FDGPET/CT显像中GGN的标准化摄取值（standardized uptake value,SUV)指数（SUVindex,即SUVmax/肝脏SUVmean)与其良恶性之间的关联性。 方法:回顾性分析2012年01月至2019年10月于本院行18F-FDG PET/CT检査的GGN患者共166例，男53例，女113例，共192枚结节经手术切除，病理证实良性GGN22枚，恶性GGN170枚。收集所有患者的临床和影像资料，并将GGN按SUV index高低等分为三组，分别为Tertile1(0.14～0.54)＞Tertile2(0.55～1.17)和Tertile3(1.19～6.78),每组64个结节。采用Logistic回归方法分析SUV index与GGN良恶性之间的关联性，并使用广义相加模型检验二者间的非线性关系。 结果:校正潜在的混杂因素后，结果显示随着SUV index升高，GGN的恶性风险显著降低（OR:0.245;95％CI:0.119～0.504;P＜0.001)。从Tertile1到Tertile3，GGN的恶性概率平均为89.1％(95％CI:53.1～98.3),80.5％(95％CI:36.7～96.7)和34.3％(95％CI:9.5～72.2)。SUV index的升高趋势与GGN的恶性风险降低显著相关(OR:0.099;95％CI:0.025?0.394;P=0.001),尤其在Tertile3与Tertile1之间（OR:0.064;95％CI:0.012～0.356;P=0.002)。曲线拟合显示SUV index与GGN的恶性风险呈近似线性的负相关关系，且二者的关联性在不同年龄、GGN数量、类型、形状、是否伴有空泡征及不同实性成分占比（consolidation-to-tumor ratio,CTR)间趋势一致，无显著的交互作用（P=0.187～1.000)。 结论:SUV index是GGN恶性风险的独立相关因素。SUV index越高，GGN恶性概率越低，二者呈近似线性的负相关关系。了解二者的关联性将有助于提高18F-FDG PET/CT对GGN良恶性鉴别诊断的准确性。 第二部分 基于18F-FDG PET/CT影像参数及临床特征的磨玻璃结节恶性概率预测模型的建立及验证 目的:无创影像学检查是术前鉴别磨玻璃结节（GGN)良恶性的主要方法。但由于GGN形态各异，影像表现多样，单一的CT形态学特征及定量参数对GGN的诊断价值有限，构建多因素预测模型有望提高对GGN的诊断效能。目前尚无国内外公认的专用于鉴别GGN良恶性的预测模型。因此，本研究拟构建基于18F-FDGPET/CT的多因素预测模型，以期提高对GGN良恶性的鉴别诊断效能。 方法:回顾性分析2011年11月至2019年12月于本院行PET/CT检查的GGN患者170例，男56例，女114例。收集所有患者的临床及影像学资料，并将结节按1:1随机分为建模组和验证组。在建模组采用多因素Logistic回归方法构建GGN恶性概率预测模型，应用受试者工作特征（receiver operating characteristic,ROC)曲线评估模型诊断效能并在验证组进行验证。 结果:170例患者中，共计197枚GGN经术后病理或临床随访确诊，其中良性GGN27枚，恶性GGN170枚。Logistic回归分析示:患者性别、结节位置、边缘、胸膜凹陷及SUV index共5个指标为预测GGN恶性概率的独立因素。预测模型公式为:Logit(P)=2.37643-1.79479×(女=0，男=1)-3.75834×(外周=0，中央=1)+1.96792×(光滑=0，分叶=1)+2.13431×(胸膜凹陷）-0.81624×SUV index,其中P表示预测概率。在建模组中模型曲线下面积（area under the curve,AUC)为0.875，灵敏度0.702，特异度0.923，阳性似然比9.131，阴性似然比0.322。在验证组中模型的AUC为0.874,与建模组无统计学差异（P=0.989)。 结论:本研究构建并验证了基于18F-FDG PET/CT显像及临床特征的GGN恶性概率预测模型。该模型诊断效能良好，特异度高，有助于提高GGN术前诊断的准确性。 第三部分 iSF-FDG PET联合CT纹理分析对肺磨玻璃结节良恶性鉴别的诊断价值 目的:CT纹理特征对肺癌的诊断与鉴别诊断、增殖与侵袭性的预测、基因表达及疗效评估等方面均具有潜在的应用价值。PET/CT显像作为在宏观上反映肿瘤异质性的无创性双模态显像，在肺癌领域的应用己得到认可。因此，本研究拟通过分析术前行18F-FDGPET/CT检查的磨玻璃结节（GGN)患者图像，构建基于HRCT纹理参数、语义特征与PET代谢指标的多模态综合预测模型，并评估其诊断效能。 方法:回顾性收集2012年01月至2020年03月因GGN在本院接受18F-FDGPET/CT检查的165名患者。倾向性评分匹配（propensity score matching,PSM)用于组建具有相似基线特征的GGN。应用LIFEx软件提取49个CT影像组学特征，使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO)算法进行参数选择及建立影像组学标签（mdiomics score,Rad-score)。进一步采用Logistic回归方法，结合语义特征构建CT影像组学模型，结合SUVmax构建PET+CT影像组学模型。应用ROC曲线比较不同模型的诊断效能。 结果:190枚GGN按1:4行PSM后，根据术后病理分为良性组23枚，恶性组92枚。纹理分析后对每个结节构建了含有3个CT纹理特征的Rad-score。与Rad-score及CT影像组学模型相比[(AUC分别为:0.704(95％CI:0.562～0.845)和0.908(95％CI:0.842～0.975)],PET+CT影像组学模型的诊断效能最佳[AUC:0.940(95％CI:0.889～0.990)]，且两两比较有显著差异（P=0.001～0.030)。 结论:SUVmax可有效提高CT影像组学模型对GGN良恶性的鉴别诊断效能。PET+CT影像组学模型有望成为GGN良恶性鉴别诊断的一种非侵入性的可靠方法。 第四部分 基于18F-FDG PET/CT的双路三维卷积神经网络在磨玻璃结节良性病变和浸润性肺腺癌鉴别中的应用 目的:机器学习方法己被引入医学影像分析，并且己经向深度学习方法特别是多层卷积神经网络（convolutional neural network,CNN)进行了转变。目前应用三维卷积神经网络(three-dimensional convolutional neural network,3D-CNN)通过分析PET/CT图像以及双路CNN(从PET和CT图像获得的数据分别作为输入流）对磨玻璃结节（GGN)进行良恶性鉴别的研究少见报道。本研究旨在训练、验证和测试基于18F-FDG PET/CT图像的3D-CNN，并评估CT、PET和PET/CT3D-CNN在区分良性病变和浸润性腺癌（invasiveadenocarcinoma,IAC)方面的性能。 方法:回顾性分析本院接受18F-FDG PET/CT检査的GGN患者，根据术后病理及临床随访结果筛选出良性病变和IAC。按照7:3的比例将数据集随机分为训练集和测试集。用局部图像特征提取软件对PET和CT图像进行分割，并在使用数据增强策略后将训练集数据用于三种CNN(PET、CT和PET/CT网络）的训练和验证（5折交叉验证）。根据平均准确度、敏感度和特异度评估不同CNN在训练集和测试集的分类性能。 结果:最终纳入106例患者的115枚结节，包括23枚良性GGN和92枚IAC。在训练集，PET网络的各项性能指标（准确度、灵敏度、特异度分别为0.92±0.02、0.97±0.03、0.76±0.15)均优于CT网络（准确度、灵敏度和特异度分别为0.84±0.03、0.90±0.07和0.62±0.16)(特别是准确度差异显著，P值为0.001);在测试集，CT和PET网络的性能指标均有所下降，但在特异度接近的情况下，PET网络的准确度和敏感性仍高于CT网络（0.76vs.0.67;0.85vs.0.70)。 结论:通过使用基于18F-FDG PET/CT的3D-CNN区分GGN中的良性病变和IAC是可行的，并且在同时使用CT和PET图像时可实现较高的分类性能。
NETL