低劑量CT灌注聯(lián)合影像組學(xué)評估非小細(xì)胞肺癌的縱隔淋巴轉(zhuǎn)移

孫國臣，王明甫

國際癌癥研究機(jī)構(gòu)(International Agency for Research on Cancer，IARC)2012年統(tǒng)計數(shù)據(jù)顯示肺癌是目前全球發(fā)病率以及死亡率最高的腫瘤之一，平均每年死亡人數(shù)達(dá)160萬[1]，到2015年，全球共計1750萬癌癥病例，870萬死亡，其中肺癌死亡人數(shù)高達(dá)120萬人[2]。肺癌包括小細(xì)胞肺癌(small-cell lung cancer，SCLC)和非小細(xì)胞肺癌(non-small-cell lung cancer，NSCLC)，根據(jù)肺癌流行病學(xué)調(diào)查顯示，NSCLC占肺癌發(fā)病的85%[3]。2020年中國臨床腫瘤學(xué)會(CSCO)非小細(xì)胞肺癌診療指南第八版最新肺癌TNM分期，將是否出現(xiàn)淋巴轉(zhuǎn)移分為N0期、N1-3期。該診療指南明確提出對于不同病例類型、分期和分子分型(包括不同驅(qū)動基因)的NSCLC，臨床提示不同治療方案。因此臨床上針對N0-1期以及N2-3期的NSCLC則采用不同的治療方案[4]。由于N1期患者與N2-3期患者均出現(xiàn)淋巴轉(zhuǎn)移，然而N1期屬非縱隔淋巴轉(zhuǎn)移，N2-3期屬于縱隔淋巴結(jié)轉(zhuǎn)移(mediastinal lymph node metastasis，MLNM)。NSCLC患者接受外科手術(shù)時，往往需要接受淋巴清掃，目前外科手術(shù)中常見淋巴清掃方式包括縱隔淋巴結(jié)、隆突下淋巴結(jié)等區(qū)域定點(diǎn)清掃或非選擇性清掃，美國癌癥聯(lián)合委員會關(guān)于肺癌的第八版肺癌分期中提出不同淋巴結(jié)站點(diǎn)的清掃對患者的預(yù)后有影響[5]。因此對于NSCLC有效評估縱隔淋巴轉(zhuǎn)移有助于協(xié)助NSCLC外科手術(shù)中淋巴結(jié)定點(diǎn)清掃的區(qū)域評估以及手術(shù)預(yù)后的收益評估，同時針對高手術(shù)風(fēng)險NSCLC患者而言，非手術(shù)途徑評估縱隔淋巴轉(zhuǎn)移有助于臨床醫(yī)生針對患者制定個體化治療方案。

目前，除手術(shù)取樣活檢是縱隔淋巴是否轉(zhuǎn)移的金標(biāo)準(zhǔn)，縱隔鏡取樣活檢也可用于判斷淋巴是否轉(zhuǎn)移[6],縱隔鏡取樣具有侵襲性且易誘發(fā)手術(shù)并發(fā)癥[7-8]。因此，非侵襲性評估縱隔淋巴轉(zhuǎn)移方法的建立具有重要臨床價值。PET/CT可非侵襲性評估MLNM，然而PET/CT費(fèi)用昂貴，且檢查完畢后一定時長內(nèi)，患者體內(nèi)的造影藥物帶有放射性[7,9]。CT常規(guī)用于NSCLC的診斷，可提示臨床考慮是否有淋巴結(jié)轉(zhuǎn)移，無法確定是否MLNM[10-11],且CT信號值只與成像范圍中受試患者的組織密度大小相關(guān)，缺乏特異性。低劑量CT灌注可通過CT對比劑定量反映血管參數(shù)：血流量(blood flow，BF)、血容量(blood volume，BV)、平均通過時間(mean transit time，MTT)、血管通透性(permeability，PMB)，可反映腫瘤的血管生成，因此可嘗試用于評估淋巴結(jié)轉(zhuǎn)移[12-13]，同時相對于常規(guī)CT灌注，低劑量CT灌注可減少輻射。影像組學(xué)基于影像提取海量特征，2012至今廣泛嘗試于臨床上構(gòu)建影像定量模型評估腫瘤異質(zhì)性，其準(zhǔn)確性和可重復(fù)性目前不斷提升[14-16]。本研究基于低劑量CT灌注圖像提取灌注參數(shù)以及影像組學(xué)特征，聯(lián)合病理檢測等特征構(gòu)建聯(lián)合模型評估NSCLC縱隔淋巴轉(zhuǎn)移的風(fēng)險。

材料與方法

1.病例資料

本研究獲取南陽市第一人民醫(yī)院以及湖北省第三人民醫(yī)院倫理委員會批準(zhǔn)，所有入組患者需在充分了解該項(xiàng)研究方案的安全性以及潛在風(fēng)險性后，簽署知情同意書。搜集2018年3月-2020年5月南陽市第一人民醫(yī)院經(jīng)病理證實(shí)為NSLC的住院患者，并按照以下標(biāo)準(zhǔn)進(jìn)行篩選：①入組患者需為本院首診患者；②需在術(shù)前1～2周內(nèi)進(jìn)行CT灌注掃描，且CT灌注前未接受過任何治療；③患者無CT對比劑禁忌史；④無嚴(yán)重的心、肺或腎功能不全。

2.低劑量CT掃描方案

所有患者均行低劑量CT灌注掃描，掃描設(shè)備為Siemens SOMATOM Definition Flash雙源800排CT。CT掃描方案分為CT平掃以及CT動態(tài)增強(qiáng)掃描?；颊哐雠P，雙手上舉過頭頂，首先行CT平掃，掃描參數(shù)如下：100 kV，100 mAs，矩陣512×512，層厚8 mm。CT平掃后，技師根據(jù)CT平掃圖像確定CT灌注掃描的范圍，CT灌注掃描范圍為患者屏氣時，分別超過腫瘤上下邊緣的3.5 cm。掃描開始時，患者經(jīng)肘靜脈高壓團(tuán)注對比劑(Visipaque， 270 mg I/mL，通用電氣藥業(yè)上海有限公司)50 mL，注射流率6.0 mL/s，注射2～5 s后行灌注動態(tài)掃描，掃描參數(shù)：80 kV，120 mAs，重建層厚3 mm，重建層間距2 mm。

3.圖像后處理

將肺癌患者的CT灌注圖像導(dǎo)入至后處理工作站(Siemens Syngo Multimodality workplace,Siemens， GERMAN)。本科室具有5～10年診斷經(jīng)驗(yàn)的診斷醫(yī)師對圖像進(jìn)行后續(xù)處理。圖像導(dǎo)入工作站后，選擇VPCT(volume perfusion computed tomography)后處理功能。首先勾選胸主動脈為動脈輸入函數(shù)(artery input function,AIF)，然后由診斷醫(yī)師選擇腫瘤最大病灶層面進(jìn)行興趣區(qū)(region of interest，ROI)勾畫。ROI勾畫時需注意：①進(jìn)行ROI勾畫的層面不得有影響病灶判斷的運(yùn)動偽影；②勾畫ROI外緣時需離腫瘤邊界2～3 mm；③應(yīng)避免勾選壞死、鈣化以及血管區(qū)域；③診斷醫(yī)師采取單盲原則進(jìn)行圖像勾畫。勾畫完畢后，提取CT灌注參數(shù)BF、BV、MTT和PMB。CT灌注參數(shù)提取完畢后，由本研究兩位診斷醫(yī)師將CT灌注圖像導(dǎo)入ITK-SNAP (www.itksnap.org)進(jìn)行ROI勾畫。勾畫的ROI面積與CT灌注參數(shù)提取的ROI相同。將該ROI與CT灌注圖像導(dǎo)入AnalysisKit(Version V3.0.0.A, GE Healthcare,China)提取海量影像組學(xué)參數(shù)。

4.病理檢測

術(shù)中需清掃的淋巴結(jié)包括N1以及N2站，其中病灶于左側(cè)患者左側(cè)的4、5、6、7、9組縱隔淋巴結(jié)，病灶位于右側(cè)的患者則需要清除右側(cè)2、4、7、9組縱隔淋巴結(jié)，并于術(shù)后進(jìn)行病理學(xué)檢測判斷是否存在淋巴轉(zhuǎn)移情況。術(shù)中取患者腫瘤組織至4%多聚甲醛中固定，并采用石蠟包埋，切5 μm切片。取患者石蠟切片進(jìn)行脫蠟處理，接著滴加100～200 μL 3% H2O2孵片10 min，將切片置于洗缸中加入PBS振蕩洗片3次，每次5 min。按照1:100比例稀釋CD34一抗(MA5-32833,ThermoFisher)。滴加150～200 μL一抗稀釋液室溫孵化1 h。重復(fù)洗片3次，每次5 min，隨后滴加一抗增強(qiáng)液，室溫孵化30 min，重復(fù)洗片3次，每次5 min。滴加二抗，室溫孵片15 min，重復(fù)洗片3次，每次5 min，最后滴加DAB顯色，根據(jù)光鏡判斷染色效果，最終染色細(xì)胞核，封片。封片完畢后，將切片放置于光鏡下觀察，分別以40倍、100倍物鏡進(jìn)行采圖。微血管密度(microvascular density，MVD)計數(shù)方法：首先每個患者切片于40倍下隨機(jī)選擇6個區(qū)域，每個區(qū)域換至100倍物鏡下進(jìn)行微血管計數(shù)，視野下呈陽性染色的內(nèi)皮細(xì)胞或細(xì)胞團(tuán)，同時與周圍腫瘤細(xì)胞或其他組織可區(qū)分，即使未形成血管管腔，仍計入微血管數(shù)目，統(tǒng)計6個區(qū)域的微血管數(shù)，最終取平均值即為MVD。

5.統(tǒng)計分析

本組研究采用R studio軟件進(jìn)行處理分析，并采用“xml2”、“tidyverse”、“caret”、“pROC”、“glmnet”、“DMwR”、“rmda”、“ggpubr”、“ModelGood”、“rms”、“mRMRe”、“DescTools”、“Publish”數(shù)據(jù)包。采用Kologoroy Smirnov檢驗(yàn)計量資料是否符合正態(tài)分布，符合正態(tài)分布的計量資料用平均值±標(biāo)準(zhǔn)差表示，不符合正態(tài)分布的計量資料用中位數(shù)表示。計數(shù)資料采用χ2檢驗(yàn)進(jìn)行比較，計量資料采用獨(dú)立樣本t檢驗(yàn)或Mann-WhitneyU檢驗(yàn)進(jìn)行比較。以P<0.05為差異具有統(tǒng)計學(xué)意義?；谑茉囌卟僮魈卣?receiver operator characteristic，ROC)曲線下面積(area under curve，AUC)評估評分系統(tǒng)效能。采用Graphpad Prism 8 software(Graphpad，USA)以及MedCalc software (Version15.2.2,www.medcalc.org)進(jìn)行圖形優(yōu)化。

結(jié) 果

1.入組病患臨床資料以及CT灌注參數(shù)結(jié)果

本研究共計納入57例患者，其中31例經(jīng)病理結(jié)果證實(shí)為縱隔淋巴轉(zhuǎn)移(以下簡稱淋巴轉(zhuǎn)移)，26例為非淋巴轉(zhuǎn)移。淋巴轉(zhuǎn)移患者中女性13人，男性18人；非淋巴轉(zhuǎn)移患者中女性11人，男性15人，差異無統(tǒng)計學(xué)意義(P=0.98，表1)。淋巴轉(zhuǎn)移患者的平均年齡為(52.3±4.7)歲，非淋巴轉(zhuǎn)移患者的平均年齡為(51.8±4.4)歲。淋巴轉(zhuǎn)移患者中58%(n=18)吸煙，非淋巴轉(zhuǎn)移患者中39%(n=11)吸煙，差異無統(tǒng)計學(xué)意義(P=0.24，表1)；淋巴轉(zhuǎn)移患者M(jìn)VD略高于非淋巴轉(zhuǎn)移患者，但差異無統(tǒng)計學(xué)意義(52.0±9.2 vs 52.0±9.2，P=0.24，表1)；淋巴轉(zhuǎn)移患者BV低于非淋巴轉(zhuǎn)移患者，且差異具有統(tǒng)計學(xué)意義(9.4±1.7 vs 10.3±1.4，P=0.04，表1); 淋巴轉(zhuǎn)移患者M(jìn)TT以及PMB均略高于非淋巴轉(zhuǎn)移患者，但差異無統(tǒng)計學(xué)意義(P=0.23 vsP=0.33，表1)。

圖1 最小絕對收縮與選擇算子算法邏輯回歸模型構(gòu)建影像組學(xué)標(biāo)簽。a)x軸表示懲罰系數(shù)取值，y軸表示二項(xiàng)式偏差值，當(dāng)選擇圖中虛線所對應(yīng)的懲罰系數(shù)值λ時，此時對應(yīng)的二項(xiàng)式偏差值最小，對應(yīng)的x軸向上為6個特征系數(shù)，此時λ為最佳懲罰系數(shù)值；b)當(dāng)對應(yīng)取6個特征系數(shù)時，顯示此時的懲罰系數(shù)值logλ=0.087，曲線則為不同自變量在LASSO模型中隨著懲罰系數(shù)的改變所對應(yīng)的系數(shù)改變曲線，虛線為10倍交叉驗(yàn)證后對應(yīng)的logλ=0.087。

圖2 影像組學(xué)標(biāo)簽Radscore構(gòu)建特征參數(shù)系數(shù)以及訓(xùn)練組驗(yàn)證組中淋巴轉(zhuǎn)移和非淋巴轉(zhuǎn)移患者的差異。a)構(gòu)建影像組學(xué)標(biāo)簽Radscore的6個特征參數(shù)的權(quán)重系數(shù)值；b)訓(xùn)練組和驗(yàn)證組中淋巴轉(zhuǎn)移患者和非淋巴轉(zhuǎn)移患者Radscore的差異。

表1 兩組肺癌患者的臨床資料和CT灌注參數(shù)

2.影像組學(xué)標(biāo)簽構(gòu)建

將淋巴轉(zhuǎn)移患者與非淋巴轉(zhuǎn)移患者按照7：3的比例隨機(jī)分層納入訓(xùn)練組和驗(yàn)證組。訓(xùn)練組中淋巴轉(zhuǎn)移患者共計22例，非淋巴轉(zhuǎn)移患者19例；驗(yàn)證組中淋巴轉(zhuǎn)移患者共計9，非淋巴轉(zhuǎn)移患者7例?；贑T灌注圖像共提取396個紋理特征參數(shù)，其中分別包括直方圖參數(shù)(histogram parameters)，紋理特征(texture parameters)，形態(tài)參數(shù)(form factor parameters)，灰度共生矩陣(grey level of co-occurrence matrix，GLCM)，灰度游程矩陣(grey level run-length matrix，RLM)，灰度區(qū)域大小矩陣(grey level size zone matrix，GLZSM)。采用mRMR基于最小冗余最大相關(guān)進(jìn)行特征去冗除雜，保留30個特征。采用LASSO (least absolute shrinkage and selection operator)進(jìn)行數(shù)據(jù)降維并構(gòu)建影像組學(xué)標(biāo)簽radscore，并進(jìn)行五倍交叉驗(yàn)證，本研究中選擇最小懲罰系數(shù)logλ=0.867時，對應(yīng)的影像組學(xué)特征數(shù)共計6個(圖1)。分別為：Quantile0.025、ClusterShade_angle45_offset7、GLCMEntropy_angle45_offset1、HighGreyLevelRunEmphasis_AllDirection_offset7_SD、ClusterShade_angle0_offset1、LowGreyLevelRunEmphasis_AllDirection_offset7_SD。構(gòu)建Radscore的權(quán)重系數(shù)(圖2a)。基于訓(xùn)練組Radscore構(gòu)建公式如下：

圖3 Radscore和CT灌注參數(shù)評估預(yù)測原發(fā)性肺癌患者淋巴轉(zhuǎn)移的ROC曲線。a、d)Radscore預(yù)測訓(xùn)練組和驗(yàn)證組中患者淋巴轉(zhuǎn)移的效能；b、e)MTT預(yù)測訓(xùn)練組和驗(yàn)證組中患者淋巴轉(zhuǎn)移的效能；c、f)BV預(yù)測訓(xùn)練組和驗(yàn)證組中患者淋巴轉(zhuǎn)移的效能。

圖4 基于訓(xùn)練組Radscore以及CT灌注參數(shù)構(gòu)建多元邏輯回歸模型并做列線圖以及該模型的診斷效能。a)多元邏輯回歸模型Imagemodel的列線圖；b)多元邏輯回歸模型在訓(xùn)練組中與其他參數(shù)的診斷效能比較；c)多元邏輯回歸模型在驗(yàn)證組中與其他參數(shù)的診斷效能比較。

Radscore=-0.17×Quantile0.025-0.479×ClusterShade_angle45_offset7-0.227×GLCMEntropy_angle45_offset1+0.017×HighGreyLevelRunEmphasis_AllDirection_offset7_SD-0.025×ClusterShade_angle0_offset1-0.03×LowGreyLevelRunEmphasis_AllDirection_offset7_SD+0.145

圖5 模型矯正曲線。a)訓(xùn)練組擬合曲線；b)驗(yàn)證組擬合曲線。

基于Radscore計算公式，分別計算訓(xùn)練組以及驗(yàn)證組淋巴轉(zhuǎn)移患者的Radscore，并采用非參統(tǒng)計訓(xùn)練組以及驗(yàn)證組淋巴轉(zhuǎn)移患者與非淋巴轉(zhuǎn)移患者之間的差異，訓(xùn)練組以及驗(yàn)證組中淋巴轉(zhuǎn)移患者的Radscore均高于非淋巴轉(zhuǎn)移患者，且差異具有統(tǒng)計學(xué)意義(P<0.0001 vsP=0.023，圖2b)。

3.影像組學(xué)標(biāo)簽以及CT灌注參數(shù)診斷原發(fā)性肺癌淋巴轉(zhuǎn)移的效能比較

首先基于訓(xùn)練組中淋巴轉(zhuǎn)移與非淋巴轉(zhuǎn)移患者的CT灌注參數(shù)進(jìn)行非參檢驗(yàn)，保留差異具有統(tǒng)計學(xué)意義的CT灌注參數(shù)，分別為MTT以及BV。分別對訓(xùn)練組和驗(yàn)證組中的淋巴轉(zhuǎn)移患者與非淋巴轉(zhuǎn)移患者進(jìn)行ROC曲線分析，Radscore在訓(xùn)練組和驗(yàn)證組中的AUC分別為0.840、0.841。MTT在訓(xùn)練組和驗(yàn)證組中的AUC分別為0.687、0.698。BV在訓(xùn)練組和驗(yàn)證組中診斷效能AUC分別為0.672、0.698(表2，圖3)。

表2 影像組學(xué)標(biāo)簽以及CT灌注參數(shù)預(yù)測肺癌淋巴轉(zhuǎn)移的效能

4.影像組學(xué)標(biāo)簽聯(lián)合CT灌注參數(shù)構(gòu)建聯(lián)合模型評估原發(fā)性肺癌淋巴轉(zhuǎn)移風(fēng)險

聯(lián)合Radscore以及CT灌注參數(shù)構(gòu)建多元邏輯回歸模型Imagemodel，并制作模型列線圖(圖4a)。該模型中納入Radscore、BV和MTT三項(xiàng)參數(shù)建立多元邏輯回歸模型。模型計算公式為Y=1/[1+e-(2.343-0.382×BV+0.082×MTT+3.969×Radscore)]，利用列線圖可快速得出Y值及Risk值，在已知MTT、BV和Radscore值時，分別基于列線上的值做出垂直線于Points上得到各個參數(shù)的得分，最終相加得到Risk值，即為患者淋巴轉(zhuǎn)移的風(fēng)險值(圖4a)。聯(lián)合模型的診斷效能在訓(xùn)練組和驗(yàn)證組中分別為0.885和0.802。Image model的診斷效能在訓(xùn)練組中高于Radscore、BV、MTT以及CT參數(shù)聯(lián)合模型(P=0.378、0.014、0.010、0.030，圖4b)。Image model的診斷效能在驗(yàn)證組中低于Radscore(圖4c)，差異無統(tǒng)計學(xué)意義(P=0.533)，高于BV、MTT以及CT參數(shù)聯(lián)合模型，差異無統(tǒng)計學(xué)意義(P=0.563、0.631、0.093)。利用Hosmer-Lemeshow檢驗(yàn)顯示訓(xùn)練組以及驗(yàn)證組中的模型與實(shí)際觀察值差異均無統(tǒng)計學(xué)意義(P>0.05)，顯示模型未偏離擬合(圖5)。

討 論

本組研究基于CT灌注圖像分別提取CT灌注參數(shù)：BV、BF、MTT、PMB以及396個影像組學(xué)參數(shù)。首先基于訓(xùn)練組數(shù)據(jù)對影像組學(xué)進(jìn)行特征降維構(gòu)建影像組學(xué)標(biāo)簽Radscore；訓(xùn)練組中Radscore以及CT灌注參數(shù)BV、MTT單個參數(shù)對MLNM均具有較好效能(AUC=0.840、0.672、0.687)。聯(lián)合Radscore以及CT灌注參數(shù)通過多元邏輯回歸構(gòu)建聯(lián)合模型Image model，并采用Nomogram列線圖視覺化Image model，Image model在訓(xùn)練組中診斷效能比Radscore、BV以及MTT提高。

腫瘤血管增生屬于腫瘤轉(zhuǎn)移以及預(yù)后的重要風(fēng)險因素[17-18]。淋巴系統(tǒng)由淋巴管、淋巴、淋巴結(jié)和淋巴細(xì)胞組成。近年來中針對腫瘤淋巴轉(zhuǎn)移的研究顯示，腫瘤細(xì)胞可能直接由腫瘤組織中的微血管系統(tǒng)進(jìn)入血管-淋巴管系統(tǒng)，導(dǎo)致淋巴轉(zhuǎn)移；同時由于腫瘤組織中的淋巴管的生成，導(dǎo)致腫瘤細(xì)胞直接入侵淋巴管[19]；因此NSCLC的縱隔淋巴轉(zhuǎn)移與腫瘤的微血管環(huán)境具有密切關(guān)系。低輻射劑量CT灌注提取灌注參數(shù)：BV、MTT、BF、PMB可用于定量無侵襲性評估腫瘤的血管生成情況，BV反映了興趣區(qū)域中血管的體積，BF反映了興趣區(qū)域中血流量，MTT則反映了對比劑通過興趣區(qū)域的平均時間，PMB則反映了興趣區(qū)域的血管通透性。研究顯示，當(dāng)興趣區(qū)域中血管增生時，BV/BF升高，PS相應(yīng)升高，因此CT灌注參數(shù)可用于定量評估腫瘤的微血管環(huán)境的改變[20]。本研究中，基于低輻射劑量的CT灌注提取灌注參數(shù)后，BV與MTT在訓(xùn)練組中的MLNM與非MLNM中具有顯著差異，因此采用ROC評估BV與MTT的診斷效能，AUC分別>0.5，說明診斷效能較好，然而與Huang等[12]的研究不相符，該研究認(rèn)為BF可有效診斷NSCLC淋巴轉(zhuǎn)移，由于目前針對NSCLC縱隔淋巴轉(zhuǎn)移研究相對較少，該差異可能是由于患者個體間的差異造成。

腫瘤異質(zhì)性根本原因則是腫瘤基因表達(dá)受到調(diào)控，2020 NSCLC診療指南中明確提出不同基因型的NSCLC采用的治療方案不同[3]，例如Wang等[21]發(fā)現(xiàn)EGFR突變的不同NSCLC其MLNM的發(fā)生存在顯著差異，由于基因表達(dá)的異常，導(dǎo)致腫瘤細(xì)胞的表面蛋白的表達(dá)異常，從而改變腫瘤細(xì)胞的生理特性，例如粘附性改變，從而導(dǎo)致腫瘤細(xì)胞的遷徙性改變。Lambin等[22]提出實(shí)體瘤由于其基因表達(dá)的異常導(dǎo)致腫瘤異質(zhì)性從而體現(xiàn)在腫瘤的表觀形態(tài)上，隨著成像技術(shù)的發(fā)展，利用Radiomics提取大量圖像特征，可以反映腫瘤的異質(zhì)性。本研究中基于低劑量CT灌注圖像提取海量影像組學(xué)參數(shù)，構(gòu)建影像組學(xué)標(biāo)簽Radscore，其診斷效能無論是訓(xùn)練組(0.840 vs 0.672、0.687)還是驗(yàn)證組(0.841 vs 0.698、0.698)中高于單個CT灌注參數(shù)，因此Radscore可以作為一個影像特征評估NSCLC是否發(fā)生MLNM。

由于腫瘤的微血管生成以及腫瘤異質(zhì)性均與MLNM相關(guān)[23]，因此本次研究聯(lián)合Radscore以及CT灌注參數(shù) (MTT、BV)構(gòu)建多元邏輯回歸模型，Image model則包含了腫瘤異質(zhì)性與腫瘤微血管生成的兩種類型特征，在訓(xùn)練組中聯(lián)合模型的診斷效能高于BV和MTT(P=0.014,0.010)；雖然Image model的診斷效能高于Radscore，但差異無統(tǒng)計學(xué)意義(P=0.378)。Image model的診斷效能在驗(yàn)證組中低于Radscore，差異無統(tǒng)計學(xué)意義(P=0.533)，高于BV、MTT以及CT參數(shù)聯(lián)合模型，差異無統(tǒng)計學(xué)意義(P=0.563、0.631、0.093)。最終，筆者對Image model采用列線圖使模型視覺化易于臨床操作分析。

本次研究仍存在不足之處：樣本量相對較少；未采取多中心臨床試驗(yàn)進(jìn)行驗(yàn)證。因此，在之后的臨床試驗(yàn)中，將繼續(xù)擴(kuò)大臨床樣本以及多中心試驗(yàn)去進(jìn)一步探索Image model、Radscore及CT灌注參數(shù)的診斷效能。

綜上，本研究中基于低劑量CT灌注圖像提取的灌注參數(shù)以及海量影像組學(xué)特征構(gòu)建Radscore均可較好的診斷MLNM；聯(lián)合CT灌注參數(shù)以及影像組學(xué)標(biāo)簽Radscore構(gòu)建的聯(lián)合模型Image model對MLNM具有良好的診斷效能，因此筆者嘗試通過影像學(xué)的途徑建立無侵襲性評估MLNM的模型，旨在為臨床上評估MLNM提供新途徑。