基于臨床病理特征和影像學及血清生物指標分析對肺結節性質預測模型的構建與驗證

袁 瑞，汪桃利，余文輝，張書楠，羅勝華，李運雷，王向榮，王家傳，郭海濤（廣州中醫藥大學第四臨床醫學院/深圳市中醫院.檢驗科；.腫瘤科；.放射科；.病理科；.胸外科，廣東深圳 518033）

全球癌癥（GLOBOCAN）2020 數據顯示，中國肺癌發病數和死亡數分別占全球的37.0%和39.8%，肺癌已成為全球惡性腫瘤發病率及癌癥相關死亡的主要原因，嚴重威脅人類健康[1]。臨床試驗已證實低劑量CT(Low-dose computerized tomography,LDCT)篩查可降低肺癌相關死亡率[2]，提高肺癌早期檢出率，降低晚期肺癌發病率[3]。肺癌防治已經成為我國惡性腫瘤防控面臨的重大挑戰。肺結節（pulmonary nodules,PN）性質預測模型，旨在幫助臨床對PN 精準管理，指導PN 風險分層，實現肺癌早診斷。常見模型如梅奧診所（Mayo Clinic，Mayo）模型[4]、退伍軍人事務(Veterans Affairs,VA）模型[5]、Brock 大學（Brock University,Brock）模型[6]和北京大學（Peking University,PKU）模型[7]等是基于患者臨床特征和影像學特征構建的，并未納入生物指標進行研究。廣州醫科大學（Guangzhou Medical University ,GZMU）模型[8]只包含一種生物指標細胞角蛋白19 片段(cytokeratin 19 fragment，Cyfra 21-1)。目前國內尚缺少經過可靠外部驗證且預測準確度高的模型。因此，創建新的PN 性質預測模型顯得尤為迫切。本研究旨在綜合患者臨床病理特征、影像信息和生物指標構建準確可靠的PN性質預測模型，協助醫生對PN 進行風險分層，制定個體化診療方案。

1 材料和方法

1.1 研究對象 收集2019年1月～2023年2月在深圳市中醫院胸外科和腫瘤科接受手術切除或肺活檢，明確病理診斷的816 例PN 患者病歷資料進行回顧性分析。入選標準及排除標準參考中國肺癌低劑量螺旋CT 篩查指南(2018年版)[9]。剔除不符合納入標準者共113 例。其中，病歷資料不完整者37例，胸部CT 提示PN 最大直徑＞30mm 者25 例，伴胸腔積液17 例，伴肺不張11 例，五年內患有惡性腫瘤并接受治療或既往接受肺部手術15 例，伴肺結核活動期8 例。余下703 例隨機分成建模組（n=552，良性237 例，惡性315 例）和驗證組（n=151，良性85 例，惡性66 例）。本研究經深圳市中醫院倫理學委員會批準，簽署知情同意書。

1.2 儀器與試劑 西門子X 線電子計算機斷層掃描儀SOMATOM Force 開源CT（德國西門子公司）；雅培i 4000 SR 化學發光分析儀（美國雅培公司），試劑為美國雅培公司配套試劑包括癌胚抗原（CEA），鱗狀細胞癌抗原（SCCA），細胞角蛋白19 片段（CYFRA21-1）試劑盒、激發液、預激發液、沖洗液等。

1.3 方法

1.3.1 資料采集：臨床資料采集包括年齡、性別、吸煙史、戒煙史和癌癥家族史。影像學資料包括CT 肺窗上結節最大直徑、病變位置（肺上葉/中葉/下葉，左肺/右肺）、邊界清晰、分葉、毛刺、血管集束征、空泡、鈣化、支氣管充氣征、肺氣腫、結節性質（密度）及胸膜凹陷、結節數目。血清生物學指標包括CEA，SCCA，CYFRA21-1 等。

1.3.2 單變量分析：將建模組所有變量包括臨床病理特征、CT 信息和生物指標等進行單變量分析，篩選有統計學意義的變量。

1.3.3 多變量回歸分析：將上述篩選的變量進行多元回歸分析，篩選獨立預測因子。

1.3.4 建模及驗證：將上述獨立預測因子納入logistic 回歸分析，得出各變量相關系數和常量，建立回歸方程，構建PN 性質預測模型。根據函數f(x)＝ex/(1+ex),計算肺結節惡性概率。再將驗證組數據分別代入本模型(proposed model)與Mayo，VA，Brock，PKU， GZMU 模型計算PN惡性概率，繪制受試者工作特征(receiver operating characteristic,ROC)曲線。根據曲線下面積（area under the curve,AUC)比較各模型的診斷效能。選取最佳臨界值確定靈敏度和特異度。

1.4 統計學分析 采用SPSS 22.0 和MedCalc17.6進行統計分析。計數資料表示為n(%)，組間比較采用Pearson 卡方檢驗。計量資料表示為均數±標準差（±s）或中位數（四分位數間距，IQR）[M(P25,P75)]。首先對計量資料進行正態檢驗，再根據檢驗結果，組間比較正態分布采用獨立樣本t檢驗，非正態分布采用Mann-WhitneyU秩和檢驗。利用AUC 評價預測模型診斷效能。以P＜0.05 為差異有統計學意義。

2 結果

2.1 臨床特征 建模組與驗證組的臨床特征包括年齡（t=1.805，P=0.581）、性別（χ2=1.462，P=0.144）、吸煙史（χ2=0.632，P=0.428）、戒煙史（Z=1.465，P=0.143） 和癌癥家族史（χ2=1.343，P=0.180）進行比較，差異均無統計學意義。

2.2 建模組和驗證組的單變量分析 見表1，2。將各變量進行賦值：性別（女性＝1，男性＝0），過去或現在吸煙（是＝1，否＝0），癌癥家族史（是＝1，否＝0），位置（左肺＝1，右肺＝0；上葉＝1，中葉或下葉＝0），邊界清晰（是＝1，否＝0），分葉（是＝1，否＝0），毛刺（是＝1，否＝0），血管集束征（是＝1，否＝0），空泡（是＝1，否＝0），鈣化（是＝1，否＝0），支氣管充氣征（是＝1，否＝0），肺氣腫（是＝1，否＝0），結節性質（部分實性或磨玻璃樣＝1，實性＝0）及胸膜凹陷（是＝1，否＝0）。單變量分析顯示，PN 良性與惡性患者除性別、肺左葉、結節數目、胸膜凹陷、空泡、支氣管充氣征、肺氣腫、吸煙史和戒煙年限外(P＞0.05)，其他影響因素包括年齡、癌癥家族史、結節最大直徑、結節性質、肺上葉、鈣化、血管集束征、分葉、邊界清晰、毛刺以及血清CEA，SCCA，CYFRA21-1 差異均具有統計學意義(P＜0.05)。

表1 建模組的單變量分析[±s,n(%),M(P25,P75)]

表1 建模組的單變量分析[±s,n(%),M(P25,P75)]

類 別良性（n=237）惡性（n=315）χ2/t/zP年齡（歲）61.5±13.468.9±12.37.10 ＜0.001性別（女）124（52.3） 178（56.5） 0.88 0.379吸煙史＞5年46（19.4） 73（23.2）2.28 0.131戒煙12(7,21)13(8,15)0.58 0.562癌癥家族史7（3.0）28（8.9）8.01 0.005結節數目（個）3(1，3)3(1，3)1.69 0.090結節最大直徑（nm）6.1±2.312.3±6.713.21 ＜0.001結節性質（部分實性或磨玻璃樣） 42(17.7)180(57.1)87.41 ＜0.001鈣化47（19.8） 52（16.5）1.01 0.043血管集束征53（22.4） 135（42.9） 25.3 ＜0.001肺上葉103（43.5） 174（55.2） 7.51 0.006肺左葉109（46.0） 165（52.4） 2.21 0.138胸膜凹陷47(19.8)73(23.2)0.89 0.346空泡48(20.3)82(26.0)2.51 0.113分葉51(21.5)109(34.6)11.23 0.004邊界清晰136(57.4)143(45.4)7.77 0.005肺氣腫55（23.2） 81（25.7）0.46 0.499支氣管充氣征43(18.1)70(22.2)1.38 0.240毛刺47(19.8)184(58.4)82.72 ＜0.001 CEA(ng/ml)1.8(1.2，2.7)2.9(1.7，4.5)8.25 ＜0.001 SCCA(ng/ml)1.0(0.6，1.7)1.4(0.7，2.6)3.84 ＜0.001 CYFRA21-1(ng/ml)2.7(2.0，3.8)3.6(2.5，4.8)6.30 ＜0.001

表2 驗證組的單變量分析[±s,n(%),M(P25,P75)]

表2 驗證組的單變量分析[±s,n(%),M(P25,P75)]

類 別良性（n=85）惡性（n=66）χ2/t/zP年齡（歲）61.0±12.667.9±10.53.56 ＜0.001性別（女）42（47.7） 38（57.5）0.98 0.320吸煙史＞5年13（15.3） 17（25.7）2.54 0.111戒煙22(14，25)12(12，22)1.53 0.127癌癥家族史4（4.7）12（18.2）7.08 0.008結節數目（個）3(2，3)3(2，3)0.64 0.520結節最大直徑（nm）8.0±3.211.1±3.45.54 ＜0.001結節性質（部分實性或磨玻璃樣） 23(27.0)43(65.2)7.69 0.005鈣化13（15.3）4（6.1）3.15 0.076血管集束征18（21.2） 35（53.0） 16.44 ＜0.001肺上葉30（35.3） 38（57.5）7.40 0.007肺左葉37（43.5） 23（34.8）1.16 0.281胸膜凹陷20(23.5)24(36.4)2.94 0.086空泡13(15.3)17(25.7)2.54 0.111分葉19(22.4)27(40.9)5.99 0.014邊界清晰41(48.2)15(22.7)10.29 0.001肺氣腫22（25.8） 21（31.8）0.64 0.424支氣管充氣征9(10.5)11(16.6)1.18 0.276毛刺9(10.5)25(37.8)15.76 ＜0.001 CEA(ng/ml)2.1(1.3，3.0)2.7(1.7，3.6)2.56 0.011 SCCA(ng/ml)1.3(0.8，1.8)2.5(1.1，3.2)4.92 ＜0.001 CYFRA21-1(ng/ml)2.6(1.9，3.7)3.7(3.1，4.7)4.79 ＜0.001

2.3 多變量回歸分析 將單變量分析篩選具有統計學意義的變量包括年齡、癌癥家族史、結節最大直徑、結節性質、肺上葉、鈣化、血管集束征、分葉、邊界清晰、毛刺以及血清CEA，SCCA，CYFRA21-1 進行多變量回歸分析，篩選出10 種獨立預測因子包括年齡、癌癥家族史、邊界、結節最大直徑、結節性質、肺上葉，毛刺以及血清CEA，SCCA， CYFRA21-1 等。

2.4 Logistic 回歸分析及預測模型構建 將上述篩選的10 種獨立預測因子納入Logistic 回歸分析，得出各變量相關系數和常量，見表3。建立回歸方程，X=（-6.318 8+0.020 8×年齡+0.573 2×肺上葉+0.527 4×CEA-0.928 4×邊界清晰+0.294 6×CYFRA21-1+0.294 0× 結節最大直徑+1.220 1×癌癥家族史+0.064 8×SCCA+1.461 5×毛刺+1.497 6×結節性質）。再根據函數f(x)＝ex/(1+ex)，計算肺結節惡性概率。

表3 肺結節性質獨立預測因子的Logistic 回歸分析

2.5 本模型與其他模型的診斷效能比較 見圖1 和表4。本模型AUC 值高于其他5 種模型，本模型與Mayo 模型和VA 模型比較，AUC(0.799 vs 0.659，0.650)差異有統計學意義(Z=3.029，P=0.003；Z=2.638，P=0.008)。然而，本模型與Brock 模型、PKU模型、GZMU 模型比較，AUC(0.799 vs 0.762，0.773，0.799 vs 0.769)差異均無統計學意義(Z=1.063，P=0.288；Z=0.686,P=0.493；Z=0.757，P=0.449)。診斷靈敏度最高為Brock 模型（90.9%），最低為VA模型（50.0%）；特異度最高為VA 模型（76.5%），最低為Brock 模型（55.3%）。陽性似然比(positive likelihood ratio,+LR)最高為本模型（3.25）；最低為Mayo 模型（1.86）。陰性似然比(negative likelihood ratio,-LR)最高為VA 模型（0.66），最低為PKU 模型（0.23）。診斷效能從大至小依次為：本模型、PKU，GZMU，Brock，Mayo，VA 模型。

圖1 本模型與其他模型的ROC 曲線比較

表4 本模型與其他模型的診斷效能比較

3 討論

預測模型是一種具有客觀、精確、穩定及可重復等優點的評估工具，能夠協助首診醫生給予肺結節患者的肺癌風險評估，根據惡性概率將患者進行風險分層，制定個體化診療方案，實現合理配置醫療資源的同時，達到患者利益最大化[10]。21世紀全球開展兩項大型隨機對照試驗，包括美國國立肺癌篩查試驗（NLST）[11]與荷蘭-比利時肺癌篩查試驗（NELSON）[12]，研究表明，肺癌早篩查與早診治是降低人群肺癌死亡率的有效措施。最近，《柳葉刀》（THE LANCET）發表年度重磅肺癌篩查綜述[13]，匯集當前全球最新醫學證據，針對全球當前肺癌篩查現狀與未來方向，展開薈萃分析。隨機對照試驗表明，用于肺癌篩查的LDCT 有助于降低肺癌死亡率。指出肺癌發病率的地域差異，例如亞洲國家從未吸煙的人群中肺癌患者比例較高，需要特別注意改進選擇標準和風險模型。本研究提示，是否吸煙對PN 惡性風險無明顯影響，差異無統計學意義。這有別于歐美國家人群，可能因種族和地區差異所致。

本研究發現年齡、癌癥家族史、邊界清晰、肺上葉、結節直徑、結節性質、毛刺及血清CEA，CYFRA21-1，SCCA，分葉、血管集束征、鈣化等為肺結節的影響因子。其中，前面10 個變量為獨立預測因子。除邊界清晰為保護性因素外，其余變量為肺結節惡性危險因素。獨立預測因子的優勢比（odds ratio,OR）依大小排列為結節性質、毛刺、癌癥家族史、CEA，CYFRA21-1，SCCA，直徑、年齡、肺上葉、邊界清晰。OR 值大于3 的分別是結節性質、毛刺和癌癥家族史。磨玻璃結節(ground glass nodules,GGN)，也被稱為毛玻璃結節，指的是CT 影像表現為局限性的模糊密度增高影。如果肺泡腔內存在少許黏液和包含的細胞量少時，CT影像表現為GGN；如果結節內細胞或組織碎片大量堆積聚集、刺激膠原纖維成分大量增生時，CT影像則表現為混合磨玻璃結節(mixed ground glass nodules,mGGN)或部分實性結節(part-solid nodules,PSN ）。研究發現PSN 或GGN 的惡性概率可能升高3.5 倍以上（OR= 4.5,95%CI:2.6～7.7），在建模組中，性質為PSN 或GGN 的良性與惡性結節分別占17.7%與57.1%，差異有統計學意義（P＜0.001）。PSN 與肺腺癌相關，其惡性率高于純GGN 和實性結節[14]。病理上，PSN 主要被證實為微浸潤和浸潤性腺癌，而純GGN 多為原位腺癌，有時為微浸潤腺癌[15]。

邊緣出現毛刺的結節惡性概率可能升高3.3倍以上（OR=4.3,95%CI:2.3～7.9），在建模組中，良性與惡性結節具有毛刺患者分別占19.8%和58.4%，差異有統計學意義（P＜0.001）。毛刺多由兩種因素形成，一是腫瘤周圍血管增生、增粗、牽拉引起，多表現為細短毛刺，二是病灶周圍肺纖維化。年齡較大，肺氣腫和毛刺的存在與惡性腫瘤有關[16]。具有癌癥家族史患者惡性概率可能升高2.4倍（OR=3.4,95%CI:1.1～10.9），在建模組中，良性與惡性結節具有癌癥家族史患者分別占3.0%和8.9%，差異有統計學意義（P=0.005）。肺癌家族史的個體比沒有肺癌家族史的患肺癌的風險高2～3 倍。一級親屬中有癌癥家族史的個體與無癌癥家族史的個體相比，患肺癌的風險增加約50%，且這種關聯不受性別、種族、組織學類型和其他已知肺癌危險因素的影響[17]。ANG 等[18]研究提示，有肺癌家族史的人群患肺癌的風險明顯升高，可能因存在肺癌遺傳基因易感位點。研究顯示，在建模組中，良性與惡性肺結節平均直徑（6.1 mm vs 12.3 mm）差異有統計學意義（P＜0.001）。其中，結節直徑大于10.0 mm 在良性與惡性組分別占12.0%和88.0%。LARICI 等[19]研究指出，結節大小和生長速度仍然是最廣泛使用的預測因子，用于評估結節惡性概率。結節的初始大小、生長速度與惡性風險之間存在直接正比關系。這與本研究結果一致。盡管最近的指南引入了結節體積作為指標，到目前為止，結節管理一直基于結節直徑大小。

研究最多的肺癌生物標志物包括CYFRA 21-1，CEA，SCCA 和NSE 等[20]。本研究顯示，生物標志物OR 值依大小排列為CEA，CYFRA21-1，SCCA。生物標志物在不同病理分型中的表現不同，腺癌的CEA 水平明顯高于其他類型。而非小細胞癌CYFRA21-1 具有較高表達。SCCA 異常高表達常見于鱗癌，包括肺癌、宮頸癌、卵巢癌等[21]。李輝等[22]研究發現，與肺良性疾病組比較，肺癌組患者CEA，CYFRA21-1，NSE，ProGRP，SCCA，CA125和HE4 的水平均明顯升高。診斷性能評價中，單項檢測時，診斷肺癌AUC 最大的為CYFRA21-1，其次為CEA。而CEA，SCCA，NSE 分別對腺癌、鱗癌和小細胞肺癌具有最佳診斷效能，這與本研究結果相近。彭瑛等[23]研究提示，NSE，CYFRA21-1，CEA，CA125，CA153，CA199 和SCCA 等7 種標志物中，SCCA 對肺癌診斷效能最高（AUC=0.817）。聯合標志物的診斷效能優于單一指標，CEA+CA125+CYFRA21-1 聯合應用診斷肺癌效能更高。中華醫學會肺癌臨床診療指南[24]指出，胸部CT 可有效檢出早期周圍型肺癌、明確病變所在的部位和累及范圍。檢測肺癌相關的生物標志物，有助于輔助診斷和早期鑒別診斷并預測肺癌病理類型。

研究顯示，PN 惡性風險與年齡呈正比，PN 惡性風險率從小至大依次為≤50 歲[惡性33 例/（良性64 例+惡性33 例），惡性風險率34.0%，下同]，＞50 歲[348/（257+348），56.6%]，＞60 歲[283/（182+283），60.7%]，＞70 歲[170/（85+170），66.7%]。肺上葉結節發病率較高，原因可能為吸入的有毒或有害物質首先進入并聚集于肺上葉，引起局部組織慢性炎癥、增生、惡變。

似然比（LR）是反映診斷真實性的一種指標，屬于同時反映靈敏度和特異度的復合指標。本研究構建模型+LR 最高（3.25）。與Mayo,VA 等模型比較，本模型具有較高PPV 和NPV，且本模型AUC 值高于其他5 種模型。這可能歸因于本研究參數更為全面，構建的模型更科學合理。研究提示，根據回歸分析得出的OR 值不同，經計分確認OR 的權重如下：臨床特征24.4%（4.76/19.55），CT 信息54.6%（10.68/19.55），生物指標21.0%（4.11/19.55）?？梢?，CT 信息權重最大，尤其結節性質，如果體檢發現部分實性結節（PSN）或肺磨玻璃結節（GGN），應該根據惡性概率高低確定其危險度定期復查。其次，存在癌癥家族史和（/或）生物指標異常，應根據預測模型計算結果分析判斷，確定是否干預。

誠然，本模型存在一定局限，比如樣本量偏小，缺乏大量外部數據驗證。由于神經元烯醇化酶（NSE）檢測結果受樣本溶血及樣本周轉時間等因素干擾較大，胃泌素釋放肽前體目前尚未開展，故這兩個項目未納入研究。再者，影像信息尚未將空洞、衛星灶、支氣管截斷征、暈征、結節周圍支擴征、結節周圍炎癥等納入研究。

綜上所述，本預測模型具有較高的PN 性質預測準確度，可幫助臨床提高診斷準確度，使患者得到早診斷和早干預，避免過度醫療，值得推廣應用。