据统计，使用低剂量计算机断层扫描（LDCT）对高危吸烟者进行早期肺癌筛查使死亡率降低了20%，但其代价是增加了对非恶性但仍需进行侵入性检查的结节的检测。国家肺部筛查试验（NLST）表明，96.4%的LDCT"阳性"在随访或侵入性活检时为阴性。这使患者面临潜在的可避免的侵入性程序和后续扫描，增加了并发症的风险、降低了患者的整体生活质量。因此，确定使用LDCTs区分良性和恶性结节的新方法很重要。

目前的诊断指南侧重于结节的特征，以确定恶性的概率，这些特征包括结节直径、CT衰减和生长速度。这些指标被标准化的筛查指南所利用，如Lung-RADS以改善风险评估和通知结节管理。然而，虽然这些指南提高了结节分类的标准化、减少了假阳性率，但仍然要求良性结节接受侵入性检查。

实质性的肺部疾病，如肺纤维化或肺炎，会增加患肺癌的概率并与较差的癌症进展有关。这些恶性肿瘤前期的病变在CT扫描中十分明显，并且可以通过使用统计学得出的图像特征（称为放射组学）进行量化反映潜在的病理生理学。以前的研究已经证明了放射组学对肺癌分类的重要性，包括使用人工神经网络对来自周围实质的肺癌进行分类。然而，正确地训练这种模型需要大量的数据，而在医学应用的情况下往往缺乏这种数据。此外，临床上还没有提出标准化的方法来提取肺实质中相关的结节周围的特征。

近日，发表在academic radiology杂志的一项研究使用了几种机器学习算法来系统地探索结节周围特征对恶性与良性肺结节分类的价值，并进一步明确裸露这些特征所在的周围实质区域的宽度以建立一个最终可基于诊断指南的影像学特征基础。

本项研究利用国家肺部筛查试验（NLST）的数据选择了肺部结节直径在4毫米到20毫米之间的患者人群。将结节分割成四个不同的数据集：1）包含肿瘤特定特征的肿瘤数据集；2）包含分割的结节边界和边界外10毫米之间的实质特征的10毫米带数据集；3）15毫米带数据集；以及4）包含最大结节直径的肿瘤大小数据集。使用支持向量机（SVM）、随机森林（RF）和最小绝对收缩和选择算子（LASSO）方法构建了预测恶性肿瘤的模型。并使用每折10次重复的十倍交叉验证来评估应用于每个数据集的每种方法的性能。 

就RF而言，肿瘤、10毫米波段和15毫米波段数据集的接受者-操作者曲线（AUC）下的面积分别为84.44%、84.09%和81.57%。肿瘤和15毫米波段数据集之间的性能有明显的差异（调整后的P值<0.001）。然而，当将肿瘤特异性特征与结节周围的特征相结合时，10mm带+肿瘤和15mm带+肿瘤数据集（AUC分别为87.87%和86.75%）的表现明显优于肿瘤大小数据集（66.76%）或肿瘤数据集。同样，SVM和LASSO对10mm带+肿瘤的AUC分别为84.71%和88.91%。 

图 维林图显示了三种方法在肿瘤、10毫米带、15毫米带和肿瘤大小数据集上100次迭代的曲线下面积（AUC）的分布；（a）LASSO，（b）随机森林（RF），（c）支持向量机（SVM）。使用Bonferroni校正来计算每种方法之间的显著性

与所有方法中的肿瘤数据集相比，10毫米带+肿瘤的组合数据集提高了良性和恶性肺结节的区分度。这表明，实质特征可以捕捉到结节本身以外的新的诊断信息。

原始出处：

Axel H Masquelin,Thayer Alshaabi,Nick Cheney,et al.Perinodular Parenchymal Features Improve Indeterminate Lung Nodule Classification.DOI:10.1016/j.acra.2022.07.001