光譜CT多參數(shù)定量成像在評(píng)估浸潤(rùn)性肺腺癌病理分級(jí)中的診斷價(jià)值

摘要：目的" 探討光譜CT多參數(shù)定量成像評(píng)價(jià)浸潤(rùn)性肺腺癌（ILA）病理分級(jí)的價(jià)值。方法" 回顧性分析2019年7月～2022年7月在解放軍總醫(yī)院海南醫(yī)院經(jīng)手術(shù)病理診斷并在術(shù)前行光譜增強(qiáng)CT掃描的61例實(shí)性ILA患者資料，并根據(jù)2020年國(guó)際肺癌研究協(xié)會(huì)提出的ILA病理分級(jí)系統(tǒng)進(jìn)行分組，G1、G2級(jí)為低級(jí)別組（n=31），G3級(jí)為高級(jí)別組（n=30）。比較低級(jí)別組與高級(jí)別組的臨床特征（性別、年齡、吸煙史、分期）、形態(tài)學(xué)參數(shù)（腫瘤大小、分葉征、毛刺征、胸膜凹陷征及空泡征），測(cè)量動(dòng)脈期及靜脈期病灶的光譜參數(shù)[碘濃度（IC）、標(biāo)準(zhǔn)化碘濃度（NIC）、有效原子序數(shù)（Zeff）、單能量CT值（CT40keV、CT70keV）、曲線斜率K值（40～70 keV）]，利用Multiphase軟件生成細(xì)胞外容積（ECV）圖，測(cè)量ECV值。采用Logistic回歸分析后建立動(dòng)脈期參數(shù)及靜脈期參數(shù)聯(lián)合模型，繪制列線圖。采用ROC曲線計(jì)算曲線下面積分析各參數(shù)及模型鑒別ILA病理分級(jí)的效能。采用決策曲線分析評(píng)估模型的臨床凈獲益。結(jié)果 低級(jí)別組ILA的形態(tài)學(xué)參數(shù)與高級(jí)別組的差異無統(tǒng)計(jì)學(xué)意義（Pgt;0.05）。低級(jí)別組IC、NIC、Zeff、ECV值在動(dòng)脈期及靜脈期均高于高級(jí)別組（Plt;0.05），ROC分析提示動(dòng)脈期IC、NIC、Zeff、ECV值診斷效能優(yōu)于靜脈期，動(dòng)脈期曲線下面積為0.734～0.831，靜脈期曲線下面積為0.702～0.749；動(dòng)脈期聯(lián)合參數(shù)診斷效能優(yōu)于單獨(dú)參數(shù)，曲線下面積、特異度、敏感度分別為0.855、83.3%、83.9%，決策曲線分析表明以動(dòng)脈期聯(lián)合模型構(gòu)建的列線圖較靜脈期聯(lián)合參數(shù)模型臨床獲益率更高。結(jié)論 光譜CT動(dòng)脈期聯(lián)合參數(shù)可以做為ILA病理分級(jí)診斷的影像學(xué)標(biāo)志物，光譜CT多參數(shù)定量成像可以作為ILA診斷簡(jiǎn)單、有效、無創(chuàng)的診斷工具。

關(guān)鍵詞：肺腺癌；病理分級(jí)；光譜CT；光譜成像；細(xì)胞外容積；列線圖

Diagnostic value of spectral CT multiparametric quantitative imaging in assessing pathological grading of invasive lung adenocarcinoma

ZHU Zirui1， SHEN Leilei1， LIU Mengqi3， XUE Zhiqiang2， CHEN Zhiye2

1Department of Thoracic Surgery， 2Department of Radiology， Hainan Hospital of PLA General Hospital， Sanya 572013， China; 3Departmen of Thoracic Surgery， the First Medical Center of PLA General Hospital， Beijing 100853， China

Abstract： Objective To investigate the value of spectral CT multi?parametric quantitative imaging for evaluating the pathological grading of invasive lung adenocarcinoma （ILA）. Methods A total of 61 patients with pathologically confirmed pulmonary invasive adenocarcinoma at Hainan Hospital of the PLA General Hospital from July 2019 to July 2022 were retrospectively enrolled， which preoperatively scanned by spectral enhanced CT. Patients were divided into two groups according to the pathological grading system of ILA proposed by the International Association for the Study of Lung Cancer in 2020， with grades G1 and G2 as the low?grade group （n=31） and grade G3 as the high-grade group （n=30）. The clinical characteristics （gender， age， smoking history， stage） and morphological parameters （tumor size， lobulation sign， spicule sign， pleural depression sign， vacuole sign） were analyzed. Spectral parameters [iodine concentration （IC）， normalised iodine concentration （NIC）， effective atomic number （Zeff）， single energy CT values （CT40keV， CT70keV）， slope of the curve K values （40-70 keV）] in both the arterial phase and venous phase were measured. Multiphase software was used to construct extracellular volume fraction （ECV） maps to measure the ECV values of the lesions. Logistic regression analysis was used to construct the combined models of arterial phase parameters and venous phase parameters， which expressed in a nomogram. AUC was used to assess the performance of each parameter and model to identify the pathological grade of ILA. Decision curves analysis was used to assess the clinical net benefit of the models. Results The morphological parameters of ILA in the low-grade and high-grade groups were not substantially different （Pgt;0.05）. The IC， NIC， Zeff and ECV values of the low-grade group were higher than those of the high-grade group in both arterial and venous phases （Plt;0.05）. ROC curve analysis revealed that the IC， NIC， Zeff， ECV in the arterial phase had better diagnostic efficacy than the venous phase， AUC of arterial phase： 0.734-0.831， AUC of venous phase： 0.702-0.749. The combined arterial phase parameter in the arterial phase had better diagnostic efficacy than the parameters alone， with AUCs of 0.855， 83.3%， 83.9%， respectively. Decision curves analysis demonstrated that the model of combined arterial phase parameters had higher clinical net benefit than the venous combined parameters model. Conclusion Spectral CT arterial phase combined parameter can be used as an imaging marker for pathology grading diagnosis of ILA， and spectral CT multiparametric quantitative imaging can be used as a simple， effective and non-invasive diagnostic tool for ILA diagnosis.

Keywords： lung adenocarcinoma; pathological grading; spectral CT; spectrum imaging; extracellular volume; Nomogram

肺癌目前是世界上發(fā)病率及死亡率最高的惡性腫瘤之一［1］ 。相比于原位癌及微浸潤(rùn)性肺腺癌接近100%的術(shù)后10年無復(fù)發(fā)生存率，浸潤(rùn)性肺腺癌（ILA）的復(fù)發(fā)風(fēng)險(xiǎn)明顯增高，即使是經(jīng)手術(shù)切除的I期ILA，也因復(fù)發(fā)和轉(zhuǎn)移導(dǎo)致5年生存率降至約80%［2］ 。由于ILA生長(zhǎng)模式呈異質(zhì)性，組織學(xué)亞型和構(gòu)成比例呈多樣化，以往研究常根據(jù)主要組織學(xué)亞型進(jìn)行預(yù)后分組［3］ 。但隨著研究進(jìn)展，更多的復(fù)雜腺體結(jié)構(gòu)（如篩狀腺體、融合腺體）被證明與高級(jí)別生長(zhǎng)模式有相似的不良預(yù)后［4］ ，而且高級(jí)別亞型不是主要生長(zhǎng)模式時(shí)，即使所占比例小于5%，仍是患者預(yù)后的獨(dú)立影響因素［5］ 。2020年國(guó)際肺癌研究協(xié)會(huì)提出了最新的ILA分級(jí)系統(tǒng)，正式將復(fù)雜腺體結(jié)構(gòu)納入高級(jí)別生長(zhǎng)模式，以主要組織學(xué)生長(zhǎng)模式和以20%為閾值的高級(jí)別生長(zhǎng)模式相結(jié)合進(jìn)行分級(jí)，表現(xiàn)出更佳的術(shù)后復(fù)發(fā)預(yù)測(cè)價(jià)值和預(yù)后分層價(jià)值［6］ 。而且在術(shù)中快速冰凍病理中應(yīng)用，表現(xiàn)出同樣良好的預(yù)后判斷，使該分級(jí)系統(tǒng)有望為選擇肺葉切除還是亞肺葉切除提供一定的依據(jù)［7］ 。一項(xiàng)納入950例患者ILA的回顧性研究顯示，按2020年版國(guó)際肺癌研究協(xié)會(huì)分級(jí)系統(tǒng)對(duì)2008～2016年病理結(jié)果進(jìn)行重新分級(jí)，有近60%患者存在病理分級(jí)提升，提示相關(guān)研究亟待更新［8］ 。

與常規(guī)CT相比，雙層探測(cè)器的光譜CT利用先進(jìn)的成像方式，實(shí)現(xiàn)同源、同時(shí)、同向成像，能提供更多的定量參數(shù)信息［9， 10］ 。光譜CT不僅能提高CT值相近的實(shí)性肺結(jié)節(jié)鑒別診斷能力，在ILA病理分型與分化程度等方面有著良好診斷價(jià)值［11， 12］ ?；诠庾VCT碘濃度（IC）計(jì)算的細(xì)胞外容積（ECV）是對(duì)腫瘤細(xì)胞外基質(zhì)進(jìn)行量化的一種手段，以往研究發(fā)現(xiàn)其在多種惡性腫瘤的病理分化及分型鑒別中有較高的診斷價(jià)值［13-16］ ，目前僅有少量研究證實(shí)ECV可應(yīng)用于肺部腫瘤鑒別［15］ ，鮮有肺癌病理分級(jí)相關(guān)研究。本研究旨在通過定量分析光譜CT的多參數(shù)定量成像，評(píng)估其在ILA病理分級(jí)中的診斷價(jià)值，以期為臨床提供更準(zhǔn)確、有效的診斷工具。

1" 資料與方法

1.1nbsp; 一般資料

回顧性選取2019年7月～2022年7月解放軍總醫(yī)院海南醫(yī)院胸外科收治并經(jīng)術(shù)后病理證實(shí)為ILA的患者。納入標(biāo)準(zhǔn)：術(shù)前 2周內(nèi)接受光譜 CT增強(qiáng)檢查明確為實(shí)性肺結(jié)節(jié)；由手術(shù)病理診斷為ILA；CT檢查前未接受抗腫瘤治療；臨床及影像學(xué)資料完整；圖像質(zhì)量滿意；無其他癌癥病史。排除標(biāo)準(zhǔn)：CT顯示為磨玻璃結(jié)節(jié)；對(duì)造影劑過敏。最終納入61例ILA患者，其中男29例，女32例，年齡34～95（60.07±10.82）歲；有吸煙史18例。本研究經(jīng)中國(guó)人民解放軍總醫(yī)院醫(yī)學(xué)倫理委員會(huì)審批通過（審批號(hào)：S2021-701-01）。

1.2" 儀器與方法

1.2.1" 光譜CT檢查方法" "檢查儀器為Philips IQon Spectral CT掃描儀，檢查前對(duì)患者進(jìn)行呼吸屏氣訓(xùn)練，檢查時(shí)患者平躺，雙臂自然上舉，保持呼吸平穩(wěn)，行胸部平掃、動(dòng)脈期和靜脈期增強(qiáng)掃描，掃描范圍由肺尖掃描至肺底。采用高壓注射器經(jīng)肘正中靜脈注射非離子碘對(duì)比劑碘佛醇 1.2 mL/kg（IC： 320 mg/mL），流率3.0 mL/s，注射對(duì)比劑后25 s采集動(dòng)脈期、55 s采集靜脈期。主要參數(shù)設(shè)置：管電壓120 kVp，管電流采用200 mAs，轉(zhuǎn)速0.75 s/周，重建層厚0.67 mm。

1.2.2" 圖像重建及評(píng)估" "掃描后將圖像自動(dòng)生成光譜基數(shù)據(jù)，所有數(shù)據(jù)傳入飛利浦星云工作站（Intelli Space Portal V12.0），基于光譜基數(shù)據(jù)重建出單能量CT圖、IC及有效原子序數(shù)（Zeff）圖，并將動(dòng)脈期、靜脈期光譜基數(shù)據(jù)導(dǎo)入Multiphase Analysis軟件生成ECV圖。由1位具有30年工作經(jīng)驗(yàn)的副主任醫(yī)師和1位具有15年工作經(jīng)驗(yàn)的主管技師進(jìn)行測(cè)量分析，若有異議則協(xié)商決定。在重建圖像的橫斷面上選取腫瘤最大層面實(shí)質(zhì)區(qū)域勾畫感興趣區(qū)域（ROI），保證在同一患者保持ROI基本一致，其范圍包括病灶所在層面的 1/2～2/3，避開非腫瘤部位、水腫區(qū)及血管偽影。觀察并記錄常規(guī)CT信息：腫瘤大?。ㄩL(zhǎng)、短徑）、分葉征、毛刺征、胸膜凹陷征及空泡征。測(cè)量增強(qiáng)后動(dòng)脈期及靜脈期光譜CT信息：IC、標(biāo)準(zhǔn)化碘濃度（NIC），其中NIC=ICROI/IC動(dòng)脈，動(dòng)脈為相同層面主動(dòng)脈或頸動(dòng)脈；Zeff值；單能量CT值（CT40 keV、CT70 keV）及光譜曲線斜率K值=（CT40 keV-CT70 keV）/30；ECV，ECV（%）=（1-紅細(xì)胞壓積）×（ICROI/IC動(dòng)脈）×100，其中紅細(xì)胞壓積于檢查前3 d內(nèi)采集；APall為動(dòng)脈期聯(lián)合模型 （IC+NIC+Zeff+ECV）；VPall為靜脈期聯(lián)合模型（IC+NIC+Zeff+ECV）。

1.2.3" 病理分級(jí)" "按照2020年版國(guó)際肺癌研究協(xié)會(huì)分級(jí)系統(tǒng)：G1級(jí)，腫瘤主要以貼壁樣生長(zhǎng)，無或少于20%高級(jí)別生長(zhǎng)模式；G2級(jí)，腫瘤主要以腺泡狀、乳頭狀生長(zhǎng)為主，無或少于20%高級(jí)別生長(zhǎng)模式；G3級(jí)，高級(jí)別生長(zhǎng)模式占20%或以上。將G1～G2級(jí)劃分為低級(jí)別組，共31例；G3為高級(jí)別組，共30例。

1.3" 數(shù)據(jù)統(tǒng)計(jì)與分析

所有數(shù)據(jù)均通過SPSS26.0軟件進(jìn)行分析。符合正態(tài)分布的計(jì)量資料表示為均數(shù)±標(biāo)準(zhǔn)差，不符合則以中位數(shù)（上下四分位數(shù)）表示，兩組比較采用獨(dú)立樣本t檢驗(yàn)或Mann-Whitney U檢驗(yàn)進(jìn)行檢驗(yàn)。計(jì)數(shù)資料以n（%）表示，組間比較采用χ2檢驗(yàn)。對(duì)動(dòng)、靜脈期差異均有統(tǒng)計(jì)學(xué)意義的定量參數(shù)，納入Logistic回歸分析，構(gòu)建動(dòng)脈期及靜脈期聯(lián)合模型，繪制ROC曲線，計(jì)算AUC檢驗(yàn)各參數(shù)的診斷效能，并使用約登指數(shù)確定各參數(shù)的最佳閾值。使用 “rms”程序包將動(dòng)脈期聯(lián)合模型以列線圖形式可視化，并用 HosmerLemeshow 檢驗(yàn)和校準(zhǔn)曲線評(píng)估列線圖的擬合優(yōu)度和校準(zhǔn)度。最后采用決策曲線分析（DCA）評(píng)估列線圖的臨床實(shí)用性。以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

2" 結(jié)果

2.1" 兩組間臨床特征和腫瘤形態(tài)學(xué)參數(shù)比較

低級(jí)別組與高級(jí)別組在臨床特征（性別、年齡、吸煙史、分期）及形態(tài)學(xué)參數(shù)（分葉征、毛刺征、胸膜凹陷征及空泡征）方面的差異均無統(tǒng)計(jì)學(xué)意義（Pgt;0.05）；高級(jí)別組腫瘤長(zhǎng)徑及短徑與低級(jí)別組的差異無統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表1）。

2.2" 兩組間光譜定量參數(shù)比較

低級(jí)別組動(dòng)脈期CT40keV、CT70keV、IC、NIC、Zeff、 ECV值高于高級(jí)別組（Plt;0.05）；低級(jí)別組靜脈期CT40keV、K值、IC、NIC、Zeff、ECV值高于高級(jí)別組（Plt;0.05，表2、圖1）。

2.3" 光譜CT對(duì)高級(jí)別組/低級(jí)別組ILA的診斷效能分析

ROC 曲線分析示，動(dòng)脈期IC、NIC、Zeff、ECV值診斷效能均高于靜脈期，并以動(dòng)脈期 Zeff的區(qū)別效能最好（AUC=0.831），當(dāng)Zeff 閾值為7.99時(shí)，其敏感度、特異度分別為87.1%、73.3%。以單因素分析中動(dòng)脈期及靜脈期差異均有統(tǒng)計(jì)學(xué)意義的光譜參數(shù)為自變量構(gòu)建Logistic模型，結(jié)果提示動(dòng)脈期聯(lián)合模型診斷效能良好，AUC為0.855，敏感度為83.33%，特異度為83.90%（表3、圖2A～B）。以動(dòng)脈期聯(lián)合模型繪制列線圖（圖2C）。HosmerLemeshow檢驗(yàn)提示該模型無過度擬合（χ2=9.799，P=0.279）。校準(zhǔn)曲線顯示動(dòng)脈期聯(lián)合模型列線圖鑒別高低級(jí)別組概率與實(shí)際概率之間一致性良好，平均絕對(duì)誤差為0.032（圖2D）。DCA顯示動(dòng)脈期聯(lián)合模型較靜脈期聯(lián)合模型臨床獲益率更高（圖2E）。

3" 討論

肺癌屬臨床上最常見的惡性腫瘤之一，而肺腺癌作為最常見的非小細(xì)胞肺癌，一直是研究的熱點(diǎn)［1］ 。不同于磨玻璃成為為主的肺腺癌，影像學(xué)表現(xiàn)為實(shí)性結(jié)節(jié)的肺腺癌在病理組成上有很強(qiáng)的異質(zhì)性，更容易表現(xiàn)為多種生長(zhǎng)模式并存［11］ 。既往研究顯示，肺腺癌中G3級(jí)病理亞型的預(yù)后比G1～2級(jí)差，更容易發(fā)生淋巴結(jié)轉(zhuǎn)移和局部復(fù)發(fā)，導(dǎo)致遠(yuǎn)期生存率明顯降低［12］ 。肺癌的正確診斷與分級(jí)是提高預(yù)后的關(guān)鍵，但治療前穿刺活檢不能完全代表病變的性質(zhì)，還有氣胸、出血、活檢失敗等風(fēng)險(xiǎn)。光譜CT不僅能無創(chuàng)地對(duì)肺結(jié)節(jié)進(jìn)行定性評(píng)估，還能通過單能量成像及物質(zhì)分離成像技術(shù)，提供更多定量參數(shù)信息，提高診斷的準(zhǔn)確性［10， 11］ 。因此，在治療前運(yùn)用光譜CT準(zhǔn)確評(píng)估ILA的病理分級(jí)在臨床上具有重要意義。

本研究結(jié)果顯示，高級(jí)別組與低級(jí)別組在形態(tài)學(xué)表現(xiàn)的差異并無統(tǒng)計(jì)學(xué)意義，與以往研究結(jié)果不一致［11， 12， 17］ 。原因可能是：本研究的樣本量較??；本研究大部分為I期ILA（26/31、22/30），直徑多小于2 cm，相比以往類似研究多為進(jìn)展期且大于3 cm肺癌，影像學(xué)特征尚不典型。本研究中低級(jí)別組的部分光譜參數(shù)（動(dòng)脈期CT40 keV、CT70 keV以及靜脈期CT40 keV、K值）均高于高級(jí)別組，可能的原因是高級(jí)別組生長(zhǎng)模式如實(shí)性型，具有更多的腫瘤實(shí)質(zhì)成分與更高的組織壞死率［11］ ，同時(shí)其內(nèi)部實(shí)質(zhì)成分較為豐富，腫瘤結(jié)構(gòu)相對(duì)致密；相對(duì)地，低級(jí)別組生長(zhǎng)模式如貼壁型，則具有更豐富的間質(zhì)，其內(nèi)部結(jié)構(gòu)相對(duì)松散［18， 19］ ，形成不同的光譜曲線，說明光譜參數(shù)可以對(duì)其進(jìn)行較好的區(qū)分。

Zeff為化合物或各種物質(zhì)混合物的平均原子序數(shù)，通過定量分析可以將在CT值相近而原子序數(shù)不同的物質(zhì)進(jìn)行有效區(qū)分［20］ 。本研究顯示，Zeff在低級(jí)別組ILA中顯著高于高級(jí)別組，可能是高級(jí)別組中實(shí)體型及微乳頭型肺腺癌生長(zhǎng)速度較快，其內(nèi)部更容易出現(xiàn)組織壞死，所以物質(zhì)含量相對(duì)較少，與以往研究一致［21， 22］ 。此外，在增強(qiáng)期中，腫瘤內(nèi)微血管網(wǎng)絡(luò)可充盈碘劑，而碘的有效原子序數(shù)大于人體內(nèi)大部分組織，高級(jí)別組碘濃度顯著低于低級(jí)別組，所以這也可能是造成Zeff也低于低級(jí)別組的原因。而在光譜CT圖像測(cè)量的碘濃度，其主要受病灶的微血管形成及分布影響，不易受到其他因素干擾，準(zhǔn)確性較高［23］ 。以往研究證實(shí)，碘濃度在肺癌診斷中和預(yù)后預(yù)測(cè)有重要作用，被證實(shí)為評(píng)估腫瘤血管生成和預(yù)后的有效指標(biāo)［24， 25］ ，如有研究使用IC及NIC識(shí)別腫瘤細(xì)胞含量≥20%區(qū)域，可以指導(dǎo)臨床更有效地獲取穿刺病理［30］ 。本研究結(jié)果顯示，病理分級(jí)越低的ILA，其IC與NIC越高，同時(shí)還發(fā)現(xiàn)IC比NIC診斷效能更高，提示IC能更準(zhǔn)確地反映腫瘤的微循環(huán)情況，進(jìn)而更好地區(qū)分ILA病理分級(jí)，可能是因?yàn)閷?shí)性結(jié)節(jié)中壞死區(qū)域血供不佳，并且NIC更易受到主動(dòng)脈IC變化的影響。

細(xì)胞外基質(zhì)是細(xì)胞外微環(huán)境的重要部分，在肺癌中發(fā)揮著促進(jìn)血管生成、激活腫瘤增殖等關(guān)鍵作用［26］ ，基于光譜CT碘圖及紅細(xì)胞壓積的量化方法是目前較為可靠的無創(chuàng)性ECV測(cè)量方法［27］ 。既往研究發(fā)現(xiàn)ECV值與肝癌、宮頸癌、腎癌的病理分級(jí)及預(yù)后相關(guān)［13-16］ ，在肺癌淋巴結(jié)轉(zhuǎn)移評(píng)估有良好表現(xiàn)［28］ 。有研究發(fā)現(xiàn)ECV值與肺結(jié)節(jié)纖維化的程度相關(guān)，進(jìn)而可用于鑒別肺癌與良性病變［15］ 。本研究對(duì)ECV值在肺腺癌的應(yīng)用中進(jìn)行了探索，發(fā)現(xiàn)高級(jí)別組動(dòng)脈期及靜脈期ECV值均低于低級(jí)別組，提示低級(jí)別組ILA細(xì)胞外基質(zhì)量更多，可能與高級(jí)別惡性腫瘤其內(nèi)部更容易出現(xiàn)組織壞死有關(guān)，而壞死可導(dǎo)致其內(nèi)部纖維成分減少［21， 26］ 。

本研究還發(fā)現(xiàn)動(dòng)脈期及靜脈期低級(jí)別組IC、NIC、Zeff、ECV值均高于高級(jí)別組（Plt;0.05），且都具有較高的區(qū)分ILA病理分級(jí)的價(jià)值（AUC：0.702～0.831），這與以往研究［11］ 結(jié)果類似。本研究結(jié)果顯示，動(dòng)脈期中上述參數(shù)的診斷效能中比靜脈期高，這與既往研究結(jié)果相似［12］ 。一般來說，腫瘤惡性程度越高，腫瘤血管生長(zhǎng)越快，微血管數(shù)量越多，血液供應(yīng)越充足［22］ ，可能是因?yàn)榉伟┪⒀芫W(wǎng)絡(luò)迂曲、曲折，碘劑的流速往往較慢，導(dǎo)致低級(jí)別組中肺腺癌細(xì)胞中微血管充盈不良在動(dòng)脈期更顯著［31］ ，隨著注射時(shí)間的增加，高級(jí)別組腫瘤細(xì)胞內(nèi)在靜脈期掃描時(shí)滯留的碘劑也相對(duì)增加，導(dǎo)致在靜脈期不同病理分級(jí)肺腺癌之間的差異減小，因而認(rèn)為動(dòng)脈期光譜參數(shù)可以更好地反映腫瘤微循環(huán)，更準(zhǔn)確地指導(dǎo)肺腺癌病理分級(jí)。本研究將上述光譜參數(shù)在相應(yīng)分期構(gòu)建聯(lián)合模型，結(jié)果同樣顯示動(dòng)脈期聯(lián)合模型相較于靜脈期診斷效能提高；基于預(yù)測(cè)模型建立的列線圖，通過相關(guān)參數(shù)進(jìn)行評(píng)分，可以較為準(zhǔn)確地判斷高級(jí)別組ILA，且矯正曲線及決策曲線提示該模型擬合程度及精準(zhǔn)度較好，具有良好的臨床應(yīng)用價(jià)值。

本研究的局限性：研究結(jié)果受到相對(duì)較小的樣本量限制，由于G1級(jí)ILA非常少，所有患者僅分為兩組，在G1級(jí)和G2級(jí)ILA之間是否存在差異同樣需要進(jìn)一步擴(kuò)大樣本量研究；只分析了腫瘤最大層面的圖像，有限的圖像可能不能完全描述整個(gè)腫瘤，截面的選擇也可能影響結(jié)果；由于設(shè)備引進(jìn)時(shí)間較短，缺乏隨訪數(shù)據(jù)，無法驗(yàn)證患者預(yù)后和研究結(jié)果之間的相關(guān)性。未來，光譜CT定量參數(shù)與影像組學(xué)、人工智能的結(jié)合，有望對(duì)ILA分級(jí)和預(yù)后進(jìn)行更精準(zhǔn)預(yù)測(cè)，ECV值作為其衍生參數(shù)，在肺部腫瘤中的應(yīng)用同樣是十分有潛力的。

綜上所述，光譜CT多參數(shù)定量成像分析為區(qū)分ILA病理分級(jí)提供了一種可靠且無創(chuàng)的方法，從而指導(dǎo)術(shù)前治療選擇合適的方案，具有較高臨床應(yīng)用價(jià)值。

參考文獻(xiàn)：

［1］" "Sung H， Ferlay J， Siegel RL， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2021， 71（3）： 209-49.

［2］" "Travis WD， Brambilla E， Noguchi M， et al. International Association for the Study of Lung Cancer/American Thoracic Society/European Respiratory Society： international multidisciplinary classification of lung adenocarcinoma： executive summary［J］. Proc Am Thorac Soc， 2011， 8（5）： 381-5.

［3］" "Travis WD， Brambilla E， Burke AP， et al. WHO classification of tumours of the lung， pleura， thymus and heart（4th edition）［M］. IARC： Lyon， 2015：1-151.

［4］" "Rokutan-Kurata M， Yoshizawa A， Nakajima N， et al. Discohesive growth pattern （Disco-p） as an unfavorable prognostic factor in lung adenocarcinoma： an analysis of 1062 Japanese patients with resected lung adenocarcinoma［J］. Mod Pathol， 2020， 33： 1722-31.

［5］" "Lee G， Lee HY， Jeong JY， et al. Clinical impact of minimal micropapillary pattern in invasive lung adenocarcinoma： prognostic significance and survival outcomes［J］. Am J Surg Pathol， 2015， 39（5）： 660-6.

［6］" "Moreira AL， Ocampo PSS， Xia YH， et al. A grading system for invasive pulmonary adenocarcinoma： a proposal from the international association for the study of lung cancer pathology committee［J］. J Thorac Oncol， 2020， 15（10）： 1599-610.

［7］" "Fan JQ， Yao J， Si HJ， et al. Frozen sections accurately predict the IASLC proposed grading system and prognosis in patients with invasive lung adenocarcinomas［J］. Lung Cancer， 2023， 178： 123-30.

［8］" "Deng CQ， Zheng Q， Zhang Y， et al. Validation of the novel international association for the study of lung cancer grading system for invasive pulmonary adenocarcinoma and association with common driver mutations［J］. J Thorac Oncol， 2021， 16（10）： 1684-93.

［9］" "Greffier J， Villani N， Defez D， et al. Spectral CT imaging： technical principles of dual-energy CT and multi-energy photon-counting CT［J］. Diagn Interv Imaging， 2023， 104（4）： 167-77.

［10］" Rassouli N， Etesami M， Dhanantwari A， et al. Detector-based spectral CT with a novel dual-layer technology： principles and applications［J］." Insights Imaging， 2017， 8（6）： 589-98.

［11］" Li Q， Li X， Li XY， et al. Histological subtypes of solid-dominant invasive lung adenocarcinoma： differentiation using dual-energy spectral CT[J]. Clin Radiol， 2021， 76（1）： 77.e1-77.e7.

［12］" Mu RH， Meng ZN， Guo ZX， et al. Dual-layer spectral detector computed tomography parameters can improve diagnostic efficiency of lung adenocarcinoma grading［J］. Quant Imaging Med Surg， 2022， 12（9）： 4601-11.

［13］" Adams LC， Jurmeister P， Ralla B， et al. Assessment of the extracellular volume fraction for the grading of clear cell renal cell carcinoma： first results and histopathological findings［J］. Eur Radiol， 2019， 29（11）： 5832-43.

［14］" 崔鳳嬌， 李" 琳， 羅婭紅， 等. 應(yīng)用細(xì)胞外體積分?jǐn)?shù)評(píng)估肝細(xì)胞癌分化程度的初步探索［J］." 腫瘤影像學(xué)， 2020， 29（3）： 303-7.

［15］" Jiang XA， Ma QY， Zhou TH， et al. Extracellular volume fraction as a potential predictor to differentiate lung cancer from benign lung lesions with dual-layer detector spectral CT［J］. Quant Imaging Med Surg， 2023， 13（12）： 8121-31.

［16］" Wang W， Fan XF， Yang J， et al. Preliminary MRI study of extracellular volume fraction for identification of lymphovascular space invasion of cervical cancer［J］. J Magn Reson Imaging， 2023， 57（2）： 587-97.

［17］" 張" 瑩， 傅奕鋮， 余" 燁， 等. 基于2011及2020年版病理分級(jí)系統(tǒng)雙層探測(cè)器光譜CT評(píng)估實(shí)性肺腺癌病理分級(jí)的價(jià)值［J］. 中華放射學(xué)雜志， 2022， 56（6）： 623-30.

［18］ Cohen JG， Reymond E， Jankowski A， et al. Lung adenocarcinomas： correlation of computed tomography and pathology findings［J］. Diagn Interv Imaging， 2016， 97（10）： 955-63.

［19］" Travis WD， Brambilla E， Noguchi M， et al. Diagnosis of lung adenocarcinoma in resected specimens： implications of the 2011 international association for the study of lung cancer/american thoracic society/european respiratory society classification［J］. Arch Pathol Lab Med， 2013， 137（5）： 685-705.

［20］" Lin LY， Zhang Y， Suo ST， et al. Correlation between dual-energy spectral CT imaging parameters and pathological grades of non-small cell lung cancer［J］. Clin Radiol， 2018， 73（4）： 412.e1-412.e7.

［21］" Hong JH， Park S， Kim H， et al. Volume and mass doubling time of lung adenocarcinoma according to WHO histologic classification［J］. Korean J Radiol， 2021， 22（3）： 464-75.

［22］" Satoh A， Shuto K， Okazumi S， et al. Role of perfusion CT in assessing tumor blood flow and malignancy level of gastric cancer［J］. Dig Surg， 2010， 27（4）： 253-60.

［23］" Li Q， Li X， Li XY， et al. Spectral CT in lung cancer： usefulness of iodine concentration for evaluation of tumor angiogenesis and prognosis［J］. AJR Am J Roentgenol， 2020， 215（3）： 595-602.

［24］" Deng LN， Yang JJ， Zhang MT， et al. Whole-lesion iodine map histogram analysis versus single-slice spectral CT parameters for determining novel International Association for the Study of Lung Cancer grade of invasive non-mucinous pulmonary adenocarcinomas［J］. Diagn Interv Imaging， 2023： S2211-S5684（23）00238-3.

［25］" Iwano S， Ito R， Umakoshi H， et al. Evaluation of lung cancer by enhanced dual-energy CT： association between three-dimensional iodine concentration and tumour differentiation［J］. Br J Radiol， 2015， 88（1055）： 20150224.

［26］" G?tte M， Kovalszky I. Extracellular matrix functions in lung cancer［J］. Matrix Biol， 2018， 73： 105-21.

［27］" Treibel TA， Fontana M， Steeden JA， et al. Automatic quantification of the myocardial extracellular volume by cardiac computed tomography： synthetic ECV by CCT［J］. J Cardiovasc Comput Tomogr， 2017， 11（3）： 221-6.

［28］" Guo WX， Lv BL， Yang T， et al. Role of dynamic contrast-enhanced magnetic resonance imaging parameters and extracellular volume fraction as predictors of lung cancer subtypes and lymph node status in non-small-cell lung cancer patients［J］. J Cancer， 2023， 14（16）： 3108-16.

［29］" Yu YX， Wang XM， Shi C， et al. Spectral computed tomography imaging in the differential diagnosis of lung cancer and inflammatory myofibroblastic tumor［J］. J Comput Assist Tomogr， 2019， 43（2）： 338-44.

［30］" Ma YQ， Li SL， Huang G， et al. Role of iodine density value on dual-energy CT for detection of high tumor cell proportion region in lung cancer during CT-guided transthoracic biopsy［J］. Eur J Radiol， 2023， 160： 110689.

［31］" 李慎江， 劉士遠(yuǎn)， 肖湘生. CT、MR動(dòng)態(tài)增強(qiáng)在評(píng)價(jià)孤立性肺結(jié)節(jié)血流模式中的作用［J］. 中華放射學(xué)雜志， 2005， 39（1）： 9-10.

（編輯：林" 萍）

作者簡(jiǎn)介：朱紫瑞，在讀碩士研究生，E-mail： zzr15692537801@163.com

通信作者：陳志曄，副主任醫(yī)師，副教授，碩士生導(dǎo)師，Email： yyqf@hotmail.com