《 癌 症 进 展 》 2022 年 12 月 第 20 卷 第 23 期

*综 述* ONCOLOGY PROGRESS, Dec 2022 Vol. 20, No. 23 2381

实性肺结节良恶性分析方法的研究进展 △
刘嘉宁，王建卫#
国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院影像诊断科，北京 1000210

摘要：
摘要 ：肺癌是全球恶性肿瘤相关死亡的主要原因，居中国恶性肿瘤发病谱和死因谱首位。早期肺癌通常表
现为孤立性肺结节，相比亚实性结节，实性结节恶性程度高、较早发生转移、生长快、预后差，临床对恶性实性肺
结节的早期精准诊断有迫切需求。实性肺结节的良恶性鉴别是影像研究的难点和热点，其中小结节尤其是亚厘
米结节缺少明显特征，诊断更为困难。本文就传统影像学检查、血液生物标志物、危险因素分析及临床预测模
型、计算机辅助诊断技术在实性肺结节良恶性鉴别诊断中的应用进展进行综述，旨在为临床和科研工作提供借鉴。
关键词：
关键词 ：肺癌；实性肺结节；良恶性；预测模型；计算机辅助诊断
中图分类号：
中图分类号 ：R734
734..2 文献标志码：
文献标志码 ：A doi ：10.11877/j.issn.1672-1535.2022.20.23.02
doi：

肺癌是全球恶性肿瘤相关死亡的主要原因之 的影像学特征具有较多重叠，增加了诊断难度[11, 14]。

一，2020 年中国约有 81.6 万肺癌新发病例和 71.5 万 不同年资和经验的医师对同一结节的良恶性判断
肺癌死亡病例，分别占所有恶性肿瘤新发病例和死 可能不同，会带来延误诊断或过度诊断的风险 [15]。
亡病例的 17.9%和 23.8%，居中国恶性肿瘤发病谱 目前大多数肺结节无临床症状，主要依靠影像学
和死因谱首位 [1]。据第 8 版肺癌病理分期，ⅠA1 期 检查进行诊断。对于大部分无法定性诊断的实性
肺癌患者的 5 年生存率为 90%，而ⅢC 期肺癌患者 肺结节，需要定期随诊观察，国内外均有相关指南
的 5 年生存率为 12% [2] 。因此，对肺癌进行早期筛 制定了诊断和处理策略，但各大指南尚未达成共
查和诊断十分必要[3]。 识 [5, 16-19] 。本文就传统影像学检查、血液生物标志
早期肺癌通常表现为孤立性肺结节，可通过胸 物、危险因素分析及临床预测模型、计算机辅助诊
部 CT 检出 [4] 。肺结节根据密度可进一步分为实性 断技术在实性肺结节良恶性鉴别诊断中的应用进
结节和亚实性结节，其中实性结节密度高，血管及 展进行综述，旨在为临床和科研工作提供借鉴。
支气管影像被掩盖 [5]。实性结节的恶性概率较亚 1 传 统影像学检查
实性结节低，然而，一旦结节为恶性，与亚实性结 1.1 CT 在实性肺结节良恶性分析中的研究进展
节相比，实性结节的恶性程度较高，可较早发生转 CT 是目前最常用的肺结节检出和诊断工具， CT
移 ，预 后 较 差 ，复 发 风 险 更 高 [6- 10]。 Ye 等 [9] 研 究 表 影像学特征是临床鉴别良恶性结节的重要依据 [8]。
明，实性结节患者的淋巴结转移率明显高于部分 结节大小、边缘、轮廓、内部特征（CT 值、空洞结节
实性结节患者（27.0% vs 2.2%，P﹤0.01），实性结节 的壁厚和空气支气管征）、卫星灶、晕征等影像学
患者的 5 年肺癌特异性无复发生存率（lung cancer- 特 征 有 助 于 鉴 别 实 性 结 节 的 良 恶 性 [20] 。 恶 性 肿
specific recurrence- free survival，LCS- RFS）和 肺 癌 瘤的可能性与结节直径呈正相关，直径﹤4 mm、
特异性总生存率（lung cancer-specific overall surviv- 4~7 mm、8~20 mm 及﹥20 mm 的结节发生恶变的
al，LCS-OS）分别为 58.09%、80.27%，均明显低于部 可能性分别为 0.2%、0.9%、18.0%、50.0% [21]。良性
分实性结节患者（91.74%、98.13%）和磨玻璃结节 结节通常具有清晰的边缘和光整的轮廓，恶性结
患 者（99.43% 、100%）。 Sun 等 [10] 研 究 报 道 ，对 于 节通常具有毛刺、分叶或不规则轮廓，但部分良性
cT1aN0M0 期肺癌，表现为亚实性结节的患者预后良 病灶也可表现出毛刺，20%~30%的恶性实性结节
好，而实性肺结节虽然小于 1 cm，但其复发风险更 表现为边界清晰和边缘光整[22]。弥漫型、中央型、层
高。此外，恶性实性肺结节的体积倍增时间短、生 状和爆米花样钙化通常提示良性，10%的恶性肿瘤
长快，增加了早期诊断的紧迫性[11]。研究报道，恶性 可检测出钙化，包括点状、偏心和无定形钙化[23]。空
实性肺结节的平均体积倍增时间为 267 天，而表现 洞可见于感染和炎症，如脓肿、感染性肉芽肿、血
为亚实性结节的浸润性腺癌的平均体积倍增时间 管炎和肺梗死，也可见于恶性肿瘤，良性结节空洞
为（1436.0±1188.2）天 [12- 13]。因此，早期精准诊断实 通常厚度均匀，内缘光滑，恶性结节空洞通常壁厚
性肺结节是改善肺癌患者预后的关键因素之一。 且不规则；空气支气管征在恶性结节（29%）中比在
在影像研究中，实性肺结节良恶性的判断是难 良性结节（6%）中更常见，可见于腺癌、淋巴瘤或感
点， 尤其是对于 6~15 mm 的实性肺结节， 良恶性结节 染 患 者 [20] 。 胸 膜 凹 陷 征 更 常 见 于 恶 性 结 节 ，
△
基金 项目 ：北 京 市自 然 科 学 基 金（7222148）；中 国医学科学院医学与健康科技创新工程项目（2021-I2M-C&T-B-065）
#
通 信 作者（corresponding author），邮 箱 ：dr_jianweiwang@sina.com
 2382 《癌症进展》2022 年 12 月第 20 卷第 23 期

Seemann 等 [24] 研究发现，胸膜凹陷征在恶性和良性 恶性相关 [33] 。最大标准摄取值（maximum standard

结节中的比例分别为 59%和 17%。孔芳等 [25] 提出 uptake value，SUVmax）为 2.5 通常被用作 18F-氟代脱
血管集束征是恶性实性结节的危险征象，分别占 氧葡萄糖（fluorodeoxyglucose，FDG）PET 诊断肺部
恶性和良性结节的 92%和 56%。这些特征是实性 恶性肿瘤的阈值，但有研究提出该值的灵敏度低
结节良恶性判断的关键和基础，但由于这些特征 于视觉评估 [34- 35] 。对于 SUV﹤2.5 的实性肺结节，
是基于医师的视觉评估进行主观判断，可能会造 Hashimoto 等 [35] 比较了基于视觉评估和半定量分析
成评估者间和评估者内部的不一致，并且部分特 的诊断效能，发现目测到的微弱摄取判断结节良
征 在 亚 厘 米（≤1 cm）的 实 性 肺 结 节 中 表 现 并 不 恶性的灵敏度为 100%，特异度为 63%，阳性预测值
明显[8, 22]。 为 62%，阴性预测值为 100%；SUV 为 1.59 作为阳性
随着 CT 技术的不断发展，针对实性肺结节的 结果的阈值时，灵敏度为 81%，特异度为 85%，阳性
诊断更加多样化。徐新峰等 [26] 采用 128 层螺旋 CT 预测值为 77%，阴性预测值为 89%，提示半定量分
对 50 例 实 性 肺 结 节 进 行 动 态 增 强 扫 描 ，结 果 发 析并未提高诊断准确度。常婵等 [36] 研究表明，18F-
现，恶性肺结节的平均增强峰值位于静脉期 60 s， FDG PET/CT 双时相显像有助于区分硬化性肺细
且 高 于 良 性 肺 结 节 的 平 均 增 强 峰 值（P﹤0.05）。 胞 瘤（pulmonary sclerosing pneumocytoma，PSP）与
迟淑萍 [27] 的研究指出，CT 灰度直方图在实性肺结 孤 立 性 实 性 结 节 性 肺 癌（solitary solid nodule lung
节良恶性鉴别中具有重要价值，其中偏度是灰度 cancer，SSNLC），PSP 的早期 SUVmax、延迟期 SUVmax
直方图统计分布偏斜方向和程度的度量，是直方 及 滞 留 指 数（retention index，RI）分 别 为（3.21 ±
图分布非对称程度的数字特征，而峰度描述了直 1.13）、 （3.34 ± 1.04）和（6.33 ± 12.56）% ，分 别 低 于
方图分布聚集的情况，反映灰度直方图曲线顶端 SSNLC 的（4.81 ± 2.26）、 （5.68 ± 2.31）和（21.34 ±
尖峭或扁平程度，研究结果证实良性结节的偏度 13.07）%，早期 SUVmax、延迟期 SUVmax、RI 及三者联
小于恶性结节，峰度大于恶性结节，差异均有统计 合 诊 断 SSNLC 的 AUC 分 别 为 0.724、0.817、0.788
学意义（P﹤0.05），二者受试者工作特征（receiver 及 0.976。SUV 值受到多种因素的影响，除了生物
operating characteristic，ROC）曲 线 的 曲 线 下 面 积 学因素，设备和物理因素例如感兴趣区的形状、部
（area under the curve，AUC）分 别 为 0.894、0.996。 分容积效应、衰减校正、重建方法和扫描仪器的参
能谱 CT 是一种新的成像技术，可提供物质的定量 数等也会影响 SUV 的计算，其中重建矩阵对其影
分析指标，其多参数成像有助于肺结节的良恶性 响较大 [33, 37] 。周锦俊等 [38] 研究指出，与常规重建矩
鉴别 [28] 。已经有研究报道了能谱 CT 对孤立性肺结 阵（128×128）相比，大矩阵重建（256×256）对孤立
节良恶性的鉴别诊断价值，Zhang 等 [29] 研究指出， 性实性肺结节良恶性的诊断准确度更高（77.5% vs
宝石能谱 CT 生成物质分离图像是一种有前景的 95.0%），误诊率、漏诊率更低。Hattori 等 [31] 对 189
定量方法，良性结节的标准化碘浓度（normalized 例 亚 厘 米（ ≤1 cm）非 小 细 胞 肺 癌（non- small cell
iodine concentration，NIC）、能 谱 曲 线 斜 率（λ HU）和 lung cancer，NSCLC）患者的术前 PET 检查结果进
70 keV 的 CT 净增值均小于恶性结节，其中 NIC 和 行了回顾性研究，发现 SUVmax 反映了肿瘤的侵袭
λ HU 在动脉期 ROC 曲线的 AUC 分别为 0.89 和 0.86， 性，对亚厘米 NSCLC 的预后也有很大影响，尤其是
在 静 脉 期 分 别 为 0.96 和 0.89，以 0.3 作 为 静 脉 期 当 肿 瘤 在 薄 层 CT 扫 描 中 表 现 为 实 性 结 节 时 ，高
NIC 的阈值，诊断恶性结节的灵敏度和特异度分别 SUVmax 组（SUVmax﹥2）和低 SUVmax 组（SUVmax≤2）患
为 93.8% 和 85.7% 。 Chen 等 [30] 进 一 步 比 较 了 能 谱 者 的 3 年 无 复 发 生 存 率（recurrence- free survival，
CT 成像参数对实性结节和磨玻璃结节良恶性的鉴 RFS）分别为 76.7%和 91.7%。
别诊断价值，发现对于两种类型的肺结节，良性结 由于 18F-FDG 显像剂的非特异性，一些急性感
节均比恶性结节具有更大的 40 keV 的 CT 净增值、 染和炎症过程，如结核病、隐球菌感染和类风湿结
λ HU 和静脉期碘浓度。 节等也会具有高摄取，通常与快速生长和未分化
1.2 正 电 子 发 射 体 层 成 像（positron emission to-to- 肿 瘤 的 SUV 重 叠 ，导 致 假 阳 性 [33] ，而 对 于 直 径 ﹤
mography，
mography ，PET）
PET ） /CT 在实性肺结节良恶性分析中的 8 mm 的 肺 结 节 及 低 度 恶 性 肿 瘤 则 会 出 现 假 阴
研究进展 性 [39] 。Chen 等 [40] 对初始未见摄取的实性肺结节进
PET/CT 技术作为一种准确、无创的影像学检查 行随访，其中 18.2%的结节在平均 37.6 个月时发展
被广泛应用于肺部恶性病变的诊断，PET 可反映肿 为恶性肿瘤，对于此类结节需慎重诊断，随访时间
瘤的代谢情况，CT 可以提供准确的解剖定位 [31- 32]。 仍需进一步探讨。
标 准 摄 取 值（standardized uptake value，SUV）是 评 1.3 MRI 在实性肺结节良恶性分析中的研究进展
价肺结节的常用方法之一，其大小与肺结节的良 MRI 具有软组织分辨率高、无电离辐射、对比
ONCOLOGY PROGRESS, Dec 2022 Vol. 20 No. 23
剂不良反应少等优点，在胸部疾病诊断中的应用
有所增加 [41] 。动态对比增强 MRI（dynamic contrast
enhanced-MRI，DCE-MRI）和 弥 散 加 权 MRI（diffu-
sion weighted-MRI，DW-MRI）可用于良恶性结节的
鉴 别 诊 断 [41- 42] 。 Kumar 等 [43] 评 估 了 DCE- MRI 和
DW-MRI 参数在区分﹥2 cm 实性肺结节良恶性中
的作用，结果发现，容积转移常数（volume transfer
constant，Ktrans）在 所 有 参 数 中 表 现 最 佳 ，当 Ktrans 以
0.250 min- 1 为 阈 值 时 ，诊 断 恶 性 结 节 的 灵 敏 度 为
65.2% ，特 异 度 为 100% ，准 确 度 为 74.2% ；平 均 表
观扩散系数（apparent diffusion coefficient，ADC）是
DWI 参 数 的 最 佳 预 测 指 标 ，当 平 均 ADC 以
1209.0×10-6 mm2/s 为阈值时，灵敏度为 65.2%，特异
度为 87.5%，准确度为 71.0%，平均 ADC 和 Ktrans 具
有相似的灵敏度和准确度。Feng 等 [41] 进一步研究
了 DCE-MRI 联合 DWI 对直径﹥10 mm 实性肺结节
良恶性的鉴别诊断效能，其中 DCE-MRI 采用放射
状容积内插屏气检查（radial volumetric interpolated
breath-hold examination，r-VIBE）序 列 ，结 果 显 示 ，
良 性 结 节 的 Ktrans、反 流 速 率 常 数（rate constant，
Kep）均低于恶性结节，ADC 高于恶性结节，良性组
的 Ktrans、Kep、ADC 值 分 别 为（0.12 ± 0.07）min- 1 、
（0.38±0.21）min- 1 、（1.32±0.25）×10- 3 mm/s，恶 性 组
的 K 、Kep、ADC 值 分 别 为（0.21 ± 0.15）min- 1 、
trans
（0.78±0.60）min- 1 和（0.99±0.24）×10- 3 mm/s。Ktrans、
Kep 和 ADC 诊断良恶性结节的 AUC 分别为 0.775、
0.837 和 0.867，其中腺癌的 Ktrans 高于鳞状细胞癌和
小 细 胞 癌（P ﹤ 0.05），Ktrans 有 助 于 肺 癌 亚 型 的 评
估。DCE-MRI 易受到呼吸运动伪影的影响，导致
图像质量降低 [44] ，r-VIBE 可有效减少运动伪影，与
传统容积内插屏气检查（conventional volumetric in-
terpolated breath-hold examination，C-VIBE）相比提
高了实性肺结节的检出率，尤其对 4~6 mm 的实性
结节，C-VIBE（62.0%）和 r-VIBE（93.1%）的检出率
存在显著差异[45]。
目前 MRI 的研究多集中在应用不同序列以提
高肺小结节的检出率 [46-47] ，针对实性肺结节良恶性
鉴别的 MRI 新技术仍有待进一步开发和研究。
2 血液生物标志物
近年来血液生物标志物在临床中得以推广和
应用，对于肺结节良恶性的鉴别诊断有着重要的
参考价值 [48] 。目前临床中肺癌的血清肿瘤标志物
主 要 包 括 癌 胚 抗 原（carcinoembryonic antigen，
CEA）、神 经 元 特 异 性 烯 醇 化 酶（neuron specific
enolase，NSE）、鳞状细胞癌抗原（squamous cell car-
cinoma antigen，SCC-Ag）、细胞角质蛋白 19 片段抗
原 21-1（cyto-keratin 19 fragment antigen 21-1，CY-
FRA21-1）和胃泌素释放肽前体（pro-gastrin-releas-
2383
ing peptide，ProGRP）等 。 Fang 等 [49] 研 究 指 出 ，对
于 ≤20 mm 的 实 性 肺 小 结 节 ，恶 性 组 的 SCC-Ag、
NSE、ProGRP 水 平 均 明 显 高 于 良 性 组 ，其 中 鳞 状
细 胞 肺 癌 中 SCC-Ag 显 著 升 高 ，而 小 细 胞 肺 癌 中
NSE 和 ProGRP 显 著 升 高 。 有 研 究 指 出 ，血 清
CYFRA21-1 和 CEA 联合检测鉴别诊断恶性和良性
肺 结 节 的 阳 性 预 测 值 为 80.0% ，阴 性 预 测 值 为
84.2%，AUC 为 0.863[50] 。然而，这些肿瘤标志物鉴
别诊断良恶性肺结节的特异度和灵敏度均较低，
需要寻找新的生物标志物来辅助肺结节的诊断[51]。
目前的新型生物标志物主要包括肿瘤相关抗原
自 身 抗 体 、循 环 肿 瘤 细 胞（circulating tumor cell，
CTC）、DNA 甲基化、微小 RNA（microRNA，miRNA）
等血液组分。Ajona 等 [52] 评估了特异性检测补体
C4d 诊断不确定性肺结节的潜力，在病例对照研究
中，血液 C4d 诊断恶性结节的 AUC 为 0.82，对于 8~
30 mm 的 肺 结 节 患 者 ，C4d 诊 断 良 性 肺 结 节 的 阴
性 预 测 值 为 84% ，阳 性 预 测 值 为 54% ，特 异 度 为
89%，灵敏 度 为 44% 。 近 年 来 ，液 体 活 检 在 肺 结
节 诊 断 中 受 到 越 来 越 多 的 关 注 ，其 中 CTC 在 肺
部 良 恶 性 结 节 的 诊 断 中 取 得 了 较 大 进 展 [53] 。 研
究 表 明 ，恶 性 肺 结 节 患 者 的 平 均 CTC 数 量 明 显
多 于 良 性 肺 结 节 患 者 ，ⅠB/Ⅱ/Ⅲ 期 肺 癌 的 CTC
数 量 明 显 少 于 0/ⅠA 期肺癌，CTC 作为诊断标志
物鉴别良恶性肺结节的灵敏度和特异度分别为
92.7% 和 50.0% ，AUC 为 0.713[54] 。 DNA 甲 基 化 是
一种相对稳定的生化修饰，在早期肿瘤发生发展
过程中起着十分重要的作用，血浆 DNA 甲基化的
评估可用于鉴别肺结节的良恶性 [55] 。Zhao 等 [56] 研
究 评 估 了 RUNX 家 族 转 录 因 子 3（RUNX family
transcription factor 3，RUNX3）和 Ras 相关区域家族
1A（Ras association domain family 1A，RASSF1A）
基因启动子区域的甲基化在诊断≤10 mm 肺结节
中的作用，发现恶性肺结节患者的血清 RUNX3 和
RASSF1A 基因甲基化率均明显高于良性肺结节患
者（65.5% vs 12.3% 、67.2% vs 10.1%）。 Li 等 [50] 研
究指出，恶性肺结节患者的血清 miRNA-21-5p 和
miRNA-574-5p 水 平 均 明 显 高 于 良 性 肺 结 节 患 者
[ 6.63 ± 14.39）vs（1.99 ± 2.80）、
（ （86.75 ± 288.25）vs
（2.59±2.92）]，血清 miRNA-21-5p、miRNA-574-5p、
CYFRA21-1 和 CEA 联 合 诊 断 恶 性 肺 结 节 的 阳 性
预 测 值 为 80% ，阴 性 预 测 值 为 89.5% ，AUC 为
0.921。对于血液生物标志物诊断肺结节，单一的标
志物难以同时实现较高的灵敏度和特异度，采用多
种肿瘤标志物联合检测、筛选最佳组合、生物标志
物和影像学检查的综合分析是目前的发展趋势。
3 危险因素分析及临床预测模型
临床和影像学特征是医师判断肺结节良恶性
2384 《癌症进展》2022 年 12 月第 20 卷第 23 期

的关键，实用而准确的临床模型可以预测肺结节 较高的灵敏度和准确度。
的良恶性，应用于临床有利于降低医疗保健成本、 4 计算机辅助诊断（ computer-aided diag-
diag-
辐射剂量和死亡风险 [57] 。目前的研究大多是对整 nosis，
nosis ，CAD
CAD））技术
体肺结节进行危险因素分析和建立模型，如 Mayo 医师可以通过分析 CT 图像中肺结节的信息如
模型、Herder 模型、VA 模型、Gurney 模型、PKUPH 形态、大小、纹理特征等诊断肺癌，但注意力不集
模型、Brock 模型等 [58]，但与恶性亚实性结节相比， 中、疲劳和缺乏相关临床经验等可能会影响判断
恶性实性结节具有不同的病因、遗传模式和临床 的准确性 [64] 。CAD 技术的发展旨在减轻医师的工
行 为 ，需 要 单 独 分 析 处 理 [57] 。 对 于 实 性 肺 结 节 ， 作压力并提高诊断效率和准确性 [65] 。近年来随着
BIMC 模型具有良好的诊断效能，AUC 为 0.893，其 人工智能技术的发展，基于影像组学和深度学习
中结节大小、强化程度、形态和体积倍增时间是恶 的 CAD 在 实 性 肺 结 节 的 诊 断 中 取 得 了 一 定 的
性肿瘤的最佳预测指标 [59] 。研究表明，BIMC 模型 进展。
在预测实性肺结节良恶性方面较 Mayo 模型、Gur- 4.1 影像组学
ney 模型和 PKUPH 模型的准确度更高，不确定结 影像组学可以高通量地提取医学图像的大量
节和假阳性结果更少[60]。 定量图像特征，将医学影像转化成具有挖掘价值
不同于上述模型，喻微等 [61] 开发了针对实性肺 的数据，以量化肿瘤在医学图像中显示的差异 [66]。
结节的良恶性预测模型，结果显示，年龄、肿瘤既 研究表明，与临床模型相比，影像组学模型和列线
往史和家族史、边界清晰、分叶征、毛刺征、空气支 图在预测﹤2 cm 不确定性实性肺结节中表现出更
气管征及钙化均是恶性结节的独立危险因素，利 高的效能[67]，而将影像组学特征与临床特征相结合，
用筛选出的预测因子建立的诊断模型的 AUC 为 将有望进一步提升模型的诊断效能。Zhuo 等 [68] 回
0.922，诊断准确度为 84.89%。王欢等 [62] 选取经胸 顾性分析 313 例证实为肺腺癌和肺结核瘤的实性
部高分辨率 CT（high resolution CT，HRCT）检查发 肺结节患者的临床资料，根据 6 个临床特征（毛刺
现的实性肺结节并建立 Logistic 回归分析模型，指 征、空泡征、结节最小直径、纵隔淋巴结肿大、性
出女性、肿瘤家族史、分叶征、毛刺征、血管集束征 别、年龄）和 15 个放射组学特征建立列线图模型，
均是恶性实性孤立性肺结节的独立预测因素，模 训练集和验证集的 AUC 分别为 1.00（95%CI：0.99~
型的诊断准确度为 85.4%，灵敏度为 90.8%，特异度 1.00）和 0.99（95%CI：0.98~1.00），结合了影像组学
为 79.8%。 特征和临床特征的列线图模型优于单一的影像组
Zhang 等 [57] 研 究 将 实 性 肺 结 节 按 大 小 分 为 ≤ 学特征或临床模型（P﹤0.05），显示出了良好的预
15 mm 组和﹥15 mm 且≤30 mm 组，对不同大小的 测效果。Chen 等 [69] 回顾了经手术病理证实为肺腺
肺 结 节 分 别 建 立 诊 断 模 型 ，两 组 模 型 的 验 证 集 癌和肉芽肿病变的 214 例亚厘米实性肺结节患者
AUC 分别为 0.71 和 0.81，前者的独立预测因子为 的临床资料，将性别、分叶征与影像组学特征相结
年龄、形状、毛刺征、淋巴细胞、CEA，后者为年龄、 合构建模型，训练集和验证集的 AUC 分别为 0.885
性别、恶性肿瘤史、形状、毛刺征、残气量与总肺活 （95% CI：0.823~0.931）和 0.808（95% CI：0.690~
量 的 比 值（residual volume/total vital capacity，RV/ 0.896）。此外，Zhang 等 [70] 研究发现，与单一临床模
TLC）、CEA、CYFRA21-1、NSE。 亚 厘 米（直 径 ≤ 型相比，结合影像组学和临床特征的模型可以更
1 cm）实性肺结节是 T 分期中直径最小的结节，影 好地提升对实性结节良恶性的鉴别能力。
像诊断尤为困难，有研究指出，高龄、结节位于上 目前影像组学的关注点主要在于分析结节内
叶、边缘不光滑 、分 叶 征 、空 泡 征 、血 管 集 束 征 均 部区域，如结节的形状、边缘、纹理特征等，而研究
是 恶 性 结 节 的独立危险因素 [58] 。汤继征等 [8] 研究 表明，结节周围区域特征可能与其良恶性有关 [3, 71]。
指出，对于﹤1 cm 的实性肺结节，结节最长径、最 Calheiros 等 [3] 探讨了结节周围区域特征对实性肺结
大 CT 值、分叶征和毛刺征对鉴别肺恶性结节和肺 节分类的影响，与仅分析结节内部特征相比，结节
内淋巴结更为重要，根据 Logistic 回归分析结果建 周围区域和结节内部特征相结合可改善模型的诊
立预测模型，得到 AUC 为 0.877。 断 效 能 ，其 中 表 现 最 佳 的 模 型 的 平 均 AUC 为
以上模型的建立大多基于 CT 检查结果和临床 0.916，准确度为 84.26%，灵敏度为 84.45%，特异度
资料，Guo 等 [63] 则建立了基于 PET/CT 的预测模型， 为 83.84%。
应用 Logistic 回归分析模型，发现恶性实性结节的 Delta 影像组学引入了时间变量，即在治疗过
独立预测因素分别为年龄、男性、吸烟史、病灶直 程中的不同时间点对某一病灶提取定量特征，以
径、分叶征、空腔和 SUV，模型的训练集和验证集 监测病灶的发展过程 [72] 。研究发现，在预测肺结节
AUC 分别为 0.858 和 0.809，与其他模型相比具有 良恶性中，Delta 特征与常规组学特征相结合时模
ONCOLOGY PROGRESS, Dec 2022 Vol. 20 No. 23 2385

型的 AUC 为 0.822，而仅常规组学特征时 AUC 为 network，FGPN）构建深度学习诊断模型判断肺结

0.773[73] 。目前尚无针对实性肺结节良恶性鉴别的 节良恶性，结果显示，其诊断效能与放射科医师相
Delta 影像组学模型，Delta 影像组学有望提升模型 当，AUC 为 0.706（95%CI：0.626~0.777）。
的分类性能，其在实性肺结节良恶性鉴别诊断方 以上深度学习技术的进展多是针对所有类型
面的应用有待进一步研究和探讨。 肺结节的良恶性分类，而鲜少有专用于实性肺结
4.2 深度学习 节的深度学习诊断模型。Sun 等 [81] 采用 ResNet 建
深度学习是机器学习的一种算法，具备端到端 立诊断模型用于区分实性孤立性肺结节或肿块的
的学习能力 [74] 。深度学习与人脑结构相似，与具有 良 恶 性 ，测 试 集 的 AUC 为 0.91（95% CI：0.83~
浅层架构的传统机器学习算法不同，深度学习可 0.99）。已有研究显示，基于深度学习的人工智能
实现多层非线性转换，无需人工手动提取特征，具 辅助检测软件有助于提高低年资医师对不同大小
有更高的效率和巨大的应用潜力 [75] 。近年来，基于 尤其是≤4 mm 的肺实性结节的检出效能 [82] ，但深
深度学习的 CAD 在肺结节良恶性鉴别中取得了突 度学习对实性尤其是亚厘米结节的良恶性鉴别能
破 性 的 进 展 。 卷 积 神 经 网 络（convolutional neural 力仍有待进一步研究和探讨。
network，CNN）是最常用的深度学习网络，但用于 5 小 结 与展望
训练和测试的数据集较小，不利于提升模型的泛 实性肺结节的良恶性鉴别一直是临床工作中
化 能 力 [76] 。 生 成 对 抗 网 络（generative adversarial 的难点，其中小结节尤其是亚厘米结节缺少明显
network，GAN）可用于数据增强，GAN 生成的样本 的影像特征，诊断更为困难。此外，实性结节比亚
可以提供更多的可变性，从而丰富数据集，Wang 实性结节恶性程度高、易转移、预后差。因此，实
等 [77] 使用 GAN 技术扩充数据集和 CNN 分类相结 现对恶性实性肺结节早期且准确的诊断十分重
合，与使用原始和普通增强图像的训练方法相比， 要。传统影像学检查中的 CT 是鉴别实性结节良
GAN 增强方法将分类准确度分别提高了 23.5%和 恶性的基础，影像学特征中的形态、大小、边缘等
7.3%。深度学习模型的训练集通常需要大量已标 特点与良恶性息息相关。CT 新技术的发展可以实
记的图像来学习数百万个参数，这需要医师为每 现多角度对实性肺结节的评估；PET/CT 可通过反
个结节提供良性或恶性标签，而获得高质量的标 映细胞的代谢情况进行辅助诊断，但其造成的假
记图像非常费时费力，半监督学习方法提出将少 阳性与假阴性仍不可忽视；MRI 不同序列参数有
量标记数据与大量未标记数据相结合，弥补了标 望用于良恶性鉴别，但其临床实用性还有待更多
记训练数据不足的问题，有研究提出一种结合三 研究。血液生物标志物的诊断灵敏度和特异度有
维 CNN 模型的半监督聚类算法用于诊断肺结节的 限，需要采用多种标志物联合诊断，最佳的组合仍
良恶性，模型的准确度为 94.4%，AUC 为 0.931[78]。 待探讨。越来越多的临床诊断模型被开发出来，
此外，为了更有效地根据医学图像的特点提取信 能较为准确地预测实性肺结节的良恶性，但计算
息，以及使深度学习网络结构和训练策略与医学 繁琐，且只能作为临床医师的参考。随着人工智
图像更好地匹配，有研究提出了基于视觉注意机 能技术的不断发展，影像组学和深度学习在肺结
制的多尺度 CNN 算法对肺结节进行良恶性鉴别， 节诊断中展现出良好的效能和巨大的潜力。深度
其准确度高于其他深度学习方法，且具有良好的 学习在放射学中的应用目前还处于起步阶段，针
鲁棒性 [79]。此外，Wang 等 [80] 采用以 DenseNet 为主 对实性肺结节良恶性诊断的深度学习模型仍有待
干的滤波器引导金字塔网络（filter-guided pyramid 进一步开发。

参 考 文 献
[1] 刘宗超, 李哲轩, 张阳, 等. 2020 全球癌症统计报告解读
[J]. 肿瘤综合治疗电子杂志, 2021, 7(2): 1-13.
[2] Goldstraw P, Chansky K, Crowley J, et al. The IASLC lung
cancer staging project: proposals for revision of the TNM
stage groupings in the forthcoming (eighth) edition of the
TNM classification for lung cancer[J]. J Thorac Oncol,
2016, 11(1): 39-51.
[3] Calheiros JLL, de Amorim LBV, de Lima LL, et al. The ef-
fects of perinodular features on solid lung nodule classifica-
tion[J]. J Digit Imaging, 2021, 34(4): 798-810.
[4] Winer-Muram HT. The solitary pulmonary nodule[J]. Radi-
ology, 2006, 239(1): 34-49.
[5] 中华医学会呼吸病学分会肺癌学组, 中国肺癌防治联盟
专家组. 肺结节诊治中国专家共识(2018 年版)[J]. 中华结
核和呼吸杂志, 2018, 41(10): 763-771.
[6] Mcwilliams A, Tammemagi MC, Mayo JR, et al. Probabili-
ty of cancer in pulmonary nodules detected on first screen-
ing CT[J]. N Engl J Med, 2013, 369(10): 910-919.
[7] Chu Z, Zhang Y, Li W, et al. Primary solid lung cancerous
nodules with different sizes: computed tomography features
and their variations[J]. BMC Cancer, 2019, 19(1): 1060.
[8] 汤继征, 刘春全, 王沛豪, 等. 小于 1cm 的肺实性结节区分
肺 癌 与 肺 内 淋 巴 结 的 多 因 素 分 析 [J]. 中 国 肺 癌 杂 志,
2021, 24(2): 94-98.
2386
[9] Ye T, Deng L, Wang S, et al. Lung adenocarcinomas mani-
festing as radiological part- solid nodules define a special
clinical subtype[J]. J Thorac Oncol, 2019, 14(4): 617-627.
[10] Sun K, You A, Wang B, et al. Clinical T1aN0M0 lung can-
cer: differences in clinicopathological patterns and onco-
logical outcomes based on the findings on high-resolution
computed tomography[J]. Eur Radiol, 2021, 31(10): 7353-
7362.
[11] Mao L, Chen H, Liang M, et al. Quantitative radiomic
model for predicting malignancy of small solid pulmonary
nodules detected by low-dose CT screening[J]. Quant Im-
aging Med Surg, 2019, 9(2): 263-272.
[12] Li J, Xia T, Yang X, et al. Malignant solitary pulmonary
nodules: assessment of mass growth rate and doubling
time at follow-up CT[J]. J Thorac Dis, 2018, 10(Suppl 7):
S797-S806.
[13] Qi L, Wang J, Yang L, et al. Natural history of pathologi-
cally confirmed pulmonary subsolid nodules with deep
learning- assisted nodule segmentation[J]. Eur Radiol,
2021, 31(6): 3884-3897.
[14] 窦郁, 卢星如, 马娴, 等. 孤立性肺实性结节和混杂磨玻
璃结节对比研究[J]. 中国临床解剖学杂志, 2018, 36(6):
657-661.
[15] 邱露, 方向明. 人工智能辅助 CT 肺结节良恶性鉴别的研
究进展[J]. 临床放射学杂志, 2019, 38(12): 2453-2456.
[16] Wood DE, Kazerooni EA, Baum SL, et al. Lung cancer
screening, version 3.2018, NCCN clinical practice guide-
lines in oncology[J]. J Natl Compr Canc Netw, 2018, 16
(4): 412-441.
[17] MacMahon H, Naidich DP, Goo JM, et al. Guidelines for
management of incidental pulmonary nodules detected on
CT images: from the fleischner society 2017[J]. Radiolo-
gy, 2017, 284(1): 228-243.
[18] Bai C, Choi CM, Chu CM. Evaluation of pulmonary nod-
ules: clinical practice consensus guidelines for Asia[J].
Chest, 2016, 150(4): 877-893.
[19] 刘春全, 崔永. 肺结节评估四大指南比较分析[J]. 中国肺
癌杂志, 2017, 20(7): 490-498.
[20] Truong MT, Ko JP, Rossi SE. Update in the evaluation of
the solitary pulmonary nodule[J]. Radiographics, 2014, 34
(6): 1658-1679.
[21] Xu DM, van Klaveren RJ, de Bock GH, et al. Role of base-
line nodule density and changes in density and nodule fea-
tures in the discrimination between benign and malignant
solid indeterminate pulmonary nodules[J]. Eur J Radiol,
2009, 70(3): 492-498.
[22] Bartholmai BJ, Koo CW, Johnson GB, et al. Pulmonary
nodule characterization, including computer analysis and
quantitative features[J]. J Thorac Imaging, 2015, 30(2):
139-156.
[23] Grewal RG, Austin JH. CT demonstration of calcification
in carcinoma of the lung[J]. J Comput Assist Tomogr,
1994, 18(6): 867-871.
[24] Seemann MD, Staebler A, Beinert T, et al. Usefulness of
morphological characteristics for the differentiation of be-
nign from malignant solitary pulmonary lesions using
HRCT[J]. Eur Radiol, 1999, 9(3): 409-417.
[25] 孔芳, 段艳华, 宋学林, 等. 高分辨率 CT 鉴别诊断良、恶
《癌症进展》2022 年 12 月第 20 卷第 23 期
性实性孤立性肺结节[J]. 中国医学影像技术, 2021, 37
(8): 1168-1172.
[26] 徐新峰, 陈殿森, 马丽珍, 等. 128 层螺旋 CT 动态增强扫
描对实性肺结节的诊断价值研究[J]. 实用医学影像杂
志, 2020, 21(1): 83-84.
[27] 迟淑萍. CT 灰度直方图对实性肺结节的鉴别诊断价值
[J]. 放射学实践, 2016, 31(9): 866-869.
[28] 邵海磊. 能谱 CT 多参数成像联合形态学特征对肺结节/
肺块定性诊断价值的研究[D]. 南京: 东南大学, 2019.
[29] Zhang Y, Cheng J, Hua X, et al. Can spectral CT imaging
improve the differentiation between malignant and benign
solitary pulmonary nodules?[J]. PLoS One, 2016, 11(2):
e147537.
[30] Chen ML, Li XT, Wei YY, et al. Can spectral computed to-
mography imaging improve the differentiation between
malignant and benign pulmonary lesions manifesting as
solitary pure ground glass, mixed ground glass, and solid
nodules?[J]. Thorac Cancer, 2019, 10(2): 234-242.
[31] Hattori A, Matsunaga T, Takamochi K, et al. Clinical sig-
nificance of positron emission tomography in subcentime-
ter non-small cell lung cancer[J]. Ann Thorac Surg, 2017,
103(5): 1614-1620.
[32] 刘瑛. 肺结节的 18F-FDG PET-CT 功能代谢与 CT 形态学
研究[D]. 北京: 中国协和医科大学, 2009.
[33] Khalaf M, Abdel-Nabi H, Baker J, et al. Relation between
nodule size and 18F-FDG-PET SUV for malignant and be-
nign pulmonary nodules[J]. J Hematol Oncol, 2008, 1: 13.
[34] Al- Sugair A, Coleman RE. Applications of PET in lung
cancer[J]. Semin Nucl Med, 1998, 28(4): 303-319.
[35] Hashimoto Y, Tsujikawa T, Kondo C, et al. Accuracy of
PET for diagnosis of solid pulmonary lesions with 18F-
FDG uptake below the standardized uptake value of 2.5
[J]. J Nucl Med, 2006, 47(3): 426-431.
[36] 常婵, 曾道兵, 王梅芳, 等. PET/CT 在硬化性肺细胞瘤和
孤立实性结节性肺癌的鉴别诊断中的应用[J]. 临床放射
学杂志, 2020, 39(9): 1754-1759.
[37] 杨瑞, 徐磊, 孟庆乐. 不同重建矩阵对 18F-FDG PET 图像
质量和 SUV 值的影响[J]. 医疗卫生装备, 2020, 41(5):
37-40; 84.
[38] 周锦俊, 伍日照, 黄斌豪, 等. 基于大矩阵重建 PET 图像
在孤立性实性肺结节良恶性鉴别中的应用[J]. 中外医学
研究, 2021, 19(36): 78-81.
[39] 赵俊松, 陈克敏. 肺结节诊断和应对策略研究进展[J]. 诊
断学理论与实践, 2018, 17(5): 593-600.
[40] Chen J, Mehta V, Chowdhary V, et al. Outcome of PET-
negative solid pulmonary nodules: a retrospective study
[J]. Acad Radiol, 2021, 28(5): 628-633.
[41] Feng H, Shi G, Liu H, et al. Free-breathing radial volumet-
ric interpolated breath-hold examination sequence and dy-
namic contrast- enhanced MRI combined with diffusion-
weighted imaging for assessment of solitary pulmonary
nodules[J]. Magn Reson Imaging, 2021, 75: 100-106.
[42] Kurihara Y, Matsuoka S, Yamashiro T, et al. MRI of pul-
monary nodules[J]. AJR Am J Roentgenol, 2014, 202(3):
W210-W216.
[43] Kumar N, Sharma M, Aggarwal N, et al. Role of various
DW MRI and DCE MRI parameters as predictors of ma-
lignancy in solid pulmonary lesions[J]. Can Assoc Radiol
ONCOLOGY PROGRESS, Dec 2022 Vol. 20 No. 23
J, 2021, 72(3): 525-532.
[44] Bilal M, Anis H, Khan N, et al. Reduction of motion arti-
facts in the recovery of undersampled DCE MR images us-
ing data binning and L + S decomposition[J]. Biomed Res
Int, 2019, 2019: 6139785.
[45] Yu N, Yang C, Ma G, et al. Feasibility of pulmonary MRI
for nodule detection in comparison to computed tomogra-
phy[J]. BMC Med Imaging, 2020, 20(1): 53.
[46] Feng H, Shi G, Liu H, et al. The value of PETRA in pul-
monary nodules of <3 cm among patients with lung cancer
[J]. Front Oncol, 2021, 11: 649625.
[47] Burris NS, Johnson KM, Larson PE, et al. Detection of
small pulmonary nodules with ultrashort echo time se-
quences in oncology patients by using a PET/MR system
[J]. Radiology, 2016, 278(1): 239-246.
[48] 崔凯, 张晓菊. 生物标志物用于良恶性肺结节鉴别诊断
的研究进展[J]. 结核与肺部疾病杂志, 2021, 2(3): 273-
276.
[49] Fang R, Han H, Yang Y, et al. Clinical characteristics on
low- dose high- resolution computed tomography and se-
rum tumor markers of malignant pulmonary solid small
nodules and postoperative survival analysis[J]. J BUON,
2019, 24(3): 918-928.
[50] Li X, Zhang Q, Jin X, et al. Combining serum miRNAs,
CEA, and CYFRA21-1 with imaging and clinical features
to distinguish benign and malignant pulmonary nodules: a
pilot study[J]. World J Surg Oncol, 2017, 15(1): 107.
[51] Xi K, Wang W, Wen Y, et al. Combining plasma miRNAs
and computed tomography features to differentiate the na-
ture of pulmonary nodules[J]. Front Oncol, 2019, 9: 975.
[52] Ajona D, Okrój M, Pajares MJ, et al. Complement C4d-
specific antibodies for the diagnosis of lung cancer[J]. On-
cotarget, 2018, 9(5): 6346-6355.
[53] Tao R, Cao W, Zhu F, et al. Liquid biopsies to distinguish
malignant from benign pulmonary nodules[J]. Thoracic
Cancer, 2021, 12(11): 1647-1655.
[54] Liu C, Chen H, Sun T, et al. The value of circulating tu-
mor cells with positive centromere probe 8 in the diagno-
sis of small pulmonary nodules[J]. Transl Oncol, 2021, 14
(5): 101052.
[55] Xing W, Sun H, Yan C, et al. A prediction model based on
DNA methylation biomarkers and radiological characteris-
tics for identifying malignant from benign pulmonary nod-
ules[J]. BMC Cancer, 2021, 21(1): 263.
[56] Zhao J, Cui X, Huang X, et al. Methylation of RUNX3
and RASSF1A and the risk of malignancy in small soli-
tary pulmonary nodules[J]. J Cancer Res Ther, 2019, 15
(4): 899-903.
[57] Zhang R, Tian P, Chen B, et al. Predicting lung cancer risk
of incidental solid and subsolid pulmonary nodules in dif-
ferent sizes[J]. Cancer Manag Res, 2020, 12: 8057-8066.
[58] 李承成. 亚厘米实性肺结节的恶性危险因素研究[D]. 昆
明: 昆明医科大学, 2020.
[59] Soardi GA, Perandini S, Motton M, et al. Assessing proba-
bility of malignancy in solid solitary pulmonary nodules
with a new Bayesian calculator: improving diagnostic ac-
curacy by means of expanded and updated features[J]. Eur
2387
Radiol, 2015, 25(1): 155-162.
[60] Perandini S, Soardi GA, Motton M, et al. Solid pulmonary
nodule risk assessment and decision analysis: comparison
of four prediction models in 285 cases[J]. Eur Radiol,
2016, 26(9): 3071-3076.
[61] 喻微, 叶波, 续力云, 等. 实性孤立性肺结节诊断模型的
建立[J]. 中国肺癌杂志, 2016, 19(10): 705-710.
[62] 王欢, 钱立勇, 曹捍波, 等. 实性孤立性肺结节数学诊断
模型建立[J]. 江苏医药, 2020, 46(9): 931-934.
[63] Guo H, Lin J, Huang H, et al. Development and validation
of a 18F-FDG PET/CT-based clinical prediction model for
estimating malignancy in solid pulmonary nodules based
on a population with high prevalence of malignancy[J].
Clin Lung Cancer, 2020, 21(1): 47-55.
[64] Zhang G, Jiang S, Yang Z, et al. Automatic nodule detec-
tion for lung cancer in CT images: a review[J]. Comput Bi-
ol Med, 2018, 103: 287-300.
[65] Gu Y, Chi J, Liu J, et al. A survey of computer-aided diag-
nosis of lung nodules from CT scans using deep learning
[J]. Comput Biol Med, 2021, 137: 104806.
[66] Kumar V, Gu Y, Basu S, et al. Radiomics: the process and
the challenges[J]. Magn Reson Imaging, 2012, 30(9):
1234-1248.
[67] 张春冉. 探讨影像组学对小于 2cm 实性不确定性肺结节
定性诊断的价值[D]. 石家庄: 河北医科大学, 2021.
[68] Zhuo Y, Zhan Y, Zhang Z, et al. Clinical and CT radiomics
nomogram for preoperative differentiation of pulmonary
adenocarcinoma from tuberculoma in solitary solid nodule
[J]. Front Oncol, 2021, 11: 701598.
[69] Chen X, Feng B, Chen Y, et al. A CT-based radiomics no-
mogram for prediction of lung adenocarcinomas and gran-
ulomatous lesions in patient with solitary sub- centimeter
solid nodules[J]. Cancer Imaging, 2020, 20(1): 45.
[70] Zhang R, Sun H, Chen B, et al. Developing of risk models
for small solid and subsolid pulmonary nodules based on
clinical and quantitative radiomics features[J]. J Thorac
Dis, 2021, 13(7): 4156-4168.
[71] Beig N, Khorrami M, Alilou M, et al. Perinodular and in-
tranodular radiomic features on lung CT images distin-
guish adenocarcinomas from granulomas[J]. Radiology,
2019, 290(3): 783-792.
[72] Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the
bridge between medical imaging and personalized medi-
cine[J]. Nat Rev Clin Oncol, 2017, 14(12): 749-762.
[73] Alahmari SS, Cherezov D, Goldgof D, et al. Delta ra-
diomics improves pulmonary nodule malignancy predic-
tion in lung cancer screening[J]. IEEE Access, 2018, 6:
77796-77806.
[74] 李锡荣. 多模态深度学习及其在眼科人工智能的应用展
望[J]. 协和医学杂志, 2021, 12(5): 602-607.
[75] Sun W, Zheng B, Qian W. Automatic feature learning us-
ing multichannel ROI based on deep structured algorithms
for computerized lung cancer diagnosis[J]. Comput Biol
Med, 2017, 89: 530-539.
[76] Li L, Yang F, Li J, et al. Research progress on benign and
malignant lung nodule classification based on deep learn-
ing[C]. IEEE, 2020.
（ 下 转第 2418 页）
2418
入研究。
综上所述，ATAD3A、HIF-1 在结直肠癌组织中
高表达，肿瘤直径≥5 cm、有淋巴结转移、分化程度
参 考 文 献
[1] 郭天安, 谢丽, 赵江. 中国结直肠癌 1988-2009 年发病率和
死亡率趋势分析[J]. 中华胃肠外科杂志, 2018, 21(1): 33-
40.
[2] 朱 长 龙, 王 晓 琼, 何 常. 结 直 肠 癌 中 HIF- 1α、CD147 和
MMP-9 表达与临床病理特征的关系[J]. 贵州医科大学学
报, 2020, 45(4): 466-471.
[3] 张大平, 肖兴元, 王永强, 等. microRNA-21 和 microRNA-
106a 在结直肠癌患者粪便中的表达及其与临床病理特征
的关系[J]. 新乡医学院学报, 2016, 33(3): 201-203.
[4] 黎胤谋, 童仕伦. 结直肠癌患者根治术前血清 miR-193a-
3p 和 CA19-9 表达水平与临床病理特征及预后的关系[J].
广西医科大学学报, 2017, 34(10): 1475-1478.
[5] Zhang L, Zou L, Sun P. Relationship between miR- 378c
and YY1 expression in patients with gastric cancer and the
clinicopathological features[J]. Cell Mol Biol Lett, 2021, 26
(1): 12.
[6] 中华医学会外科学分会胃肠外科学组, 中华医学会外科
学分会结直肠肛门外科学组, 中国抗癌协会大肠癌专业
委 员 会, 等. 结 直 肠 癌 肝 转 移 诊 断 和 综 合 治 疗 指 南
(V2016)[J]. 中华胃肠外科杂志, 2016, 19(7): 721-730.
[7] 彭俊付, 彭继升, 王锐, 等. 结直肠癌患者 MOS 基因表达
情况及其与患者临床病理特征和预后的关系研究[J]. 中
国全科医学, 2021, 24(24): 3077-3081.
[8] 魏建昌, 胡鹤, 王强, 等. 脑特异性新生血管抑制因子 1 在
结直肠癌中的表达及其与结直肠癌患者临床病理学特征
的关系[J]. 中国医药导报, 2018, 15(20): 8-11; 封 3.
[9] Zhang Z, Yang XD, Sun L, et al. Relationship between tis-
sue AIM2 and preoperative serum CEA expression and the
prognosis of colorectal cancer patients[J]. Chin J Cancer,
2018, 25(1): 20-25.
[10] Chai HN, Sun C, Liu JH, et al. The relationship between
ZEB1- AS1 expression and the prognosis of patients with
■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■
（ 上 接 第 2387 页）
[77] Wang Y, Zhou L, Wang M, et al. Combination of genera-
tive adversarial network and convolutional neural network
for automatic subcentimeter pulmonary adenocarcinoma
classification[J]. Quant Imaging Med Surg, 2020, 10(6):
1249-1264.
[78] Tang S, Ma R, Li Q, et al. Classification of Benign and ma-
lignant pulmonary nodules based on the multiresolution
3D DPSECN model and semisupervised clustering[J].
IEEE Access, 2021, 9: 43397-43410.
[79] An F, Li X, Ma X. Medical image classification algorithm
based on visual attention mechanism- MCNN[J]. Oxid
Med Cell Longev, 2021, 2021: 6280690.
《癌症进展》2022 年 12 月第 20 卷第 23 期
为中低分化结直肠癌患者结直肠癌组织中
ATAD3A、HIF-1 的阳性表达率较高，可作为结直肠
癌患者潜在的治疗靶点。
advanced gastric cancer receiving chemotherapy[J]. Tech-
nol Cancer Res Treat, 2019, 18(5): 1533033819849069.
[11] 潘坚慧, 奕天飞, 杭晨, 等. 结直肠癌患者 HER-2 表达与
临床病理特征及预后的关系[J]. 浙江医学, 2020, 42(19):
2084-2088.
[12] Zhang G, Sun Y, Tang Z, et al. Relationship between the
expression of TRAF6 and nutritional status and prognosis
in patients with gastric cancer[J]. Chin J Cancer, 2017, 24
(14): 951-954.
[13] 袁 丽 侠, 郭 剑, 张 玲. 结 直 肠 癌 患 者 血 清 GDF- 15、
LAMB1、ULBP2 水平与临床病理特征和预后的关系及
其诊断价值[J]. 海南医学, 2021, 32(19): 2480-2483.
[14] 陈超, 任俊, 朱建华, 等. 结直肠癌组织乳脂肪球表皮生
长因子 8 蛋白表达与临床病理特征和患者生存率的关系
[J]. 微循环学杂志, 2017, 27(3): 38-42.
[15] Chen LH, Liang J, Chen MC, et al. The relationship be-
tween preoperative American Society of Anesthesiologists
physical status classification scores and functional recov-
ery following hip-fracture surgery[J]. BMC Musculoskelet
Disord, 2017, 18(1): 410.
[16] 杨世荣, 白翔宇, 吴迪, 等. ATAD3A 在结直肠癌组织中
的表达及其对细胞生长的影响[J]. 现代生物医学进展,
2020, 20(6): 1033-1037; 1074.
[17] 王立春, 白鹏宇, 庞婧, 等. 缺氧诱导因子 1α和血管内皮
生长因子与结直肠癌患者临床病理特征及预后关系的
Meta 分析[J]. 广西医学, 2019, 41(18): 2350-2358.
[18] 李会平, 代爱军. 结直肠癌患者术前血清癌胚抗原及糖
类抗原 19-9 阳性与临床病理学特征的关系[J]. 中国肛肠
病杂志, 2019, 39(1): 1-3.
[19] 郑昆明, 秦晓明, 吴刚, 等. 三磷酸腺苷酶家族蛋白 2 与上
皮钙黏蛋白在肝细胞癌中的表达及其相关性[J]. 中华肝
胆外科杂志, 2016, 22(12): 837-842.
（收稿日期：2022-05-18）
[80] Wang Y, Wang J, Yang S, et al. Proposing a deep learning-
based method for improving the diagnostic certainty of
pulmonary nodules in CT scan of chest[J]. Eur Radiol,
2021, 31(11): 8160-8167.
[81] Sun K, Chen S, Zhao J, et al. Convolutional neural net-
work- based diagnostic model for a solid, indeterminate
solitary pulmonary nodule or mass on computed tomogra-
phy[J]. Front Oncol, 2021, 11: 792062.
[82] 孙婷婷, 汪琼, 谢梅, 等. 人工智能辅助规培医师对不同
大小肺实性结节检出效能的初步研究[J]. CT 理论与应
用研究, 2020, 29(4): 465-472.
（收稿日期：2022-06-07）