开发和验证基于CT的综合性名图,用于区分良性和恶性亚厘米固体结节.
Ke Zhang1, Wei-Wei Jing1, Jin Jiang1
1Department of Radiology, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Journal of thoracic disease
|November 13, 2025
概括
整合放射性和临床特征的新型诺米图准确区分良性和恶性亚厘米固体肺结节 (SSPNs). 该工具有助于SSPN的早期诊断和治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 区分良性和恶性亚厘米固体肺结节 (SSPNs) 是一个临床挑战.
- 准确的早期诊断对于有效的治疗策略至关重要.
研究的目的:
- 通过整合放射性特征和临床风险因素,开发SSPN的预测名录.
- 提高诊断准确度,帮助SSPN的临床决策.
主要方法:
- 对415名SSPN患者的回顾性分析.
- 使用机器学习算法开发临床和放射学模型.
- 将最佳模型集成到一个综合名录中,用于使用AUC,校准曲线和DCA进行性能评估.
主要成果:
- 多平面体积染 (MPVR) -最大直径和边缘被确定为恶性瘤的独立预测因素.
- 综合性名录仪实现了高AUC值 (0.965在训练中,0.966在测试中) 来区分良性和恶性SSPNs.
- 与其他模型相比,名图显示出更高的临床效用和校准.
结论:
- 开发的整合放射性特征 (IntraPeri3mm模型) 和临床因素 (MPVR-最大直径) 的名图显示了SSPN的最佳预测效率.
- 该工具为SSPNs的早期诊断和治疗提供了有价值的科学基础.
- MPVR-最大直径是预测SSPN恶性病的重要独立因素.
