支持向量機(jī)CT引導(dǎo)下肺穿刺活檢氣胸預(yù)測(cè)模型的研究

吳虹霖， 雷麗程， 楊茂江， 蔣小鳳， 王 朗， 李 楊， 楊漢豐

CT引導(dǎo)下經(jīng)皮胸腔肺穿刺活檢（percutaneous transthoracic needle biopsy，PTNB）廣泛應(yīng)用于肺部病變的診斷，尤其是辨別肺部病變的良惡性。該檢查準(zhǔn)確率高、安全性好、并發(fā)癥少［1］。氣胸是其最常見的并發(fā)癥，發(fā)生率為4%～62%［2-3］。既往研究大多探討氣胸的風(fēng)險(xiǎn)因素，鮮見氣胸預(yù)測(cè)模型的建立。近年來(lái)，人工智能和機(jī)器學(xué)習(xí)算法對(duì)疾病的早期診斷和風(fēng)險(xiǎn)預(yù)測(cè)成為一大熱點(diǎn)，如診斷冠狀動(dòng)脈疾病和前列腺癌［4-5］，預(yù)測(cè)癌癥存活率等［6］。

本文基于以往文獻(xiàn)報(bào)道和臨床經(jīng)驗(yàn)總結(jié)的氣胸風(fēng)險(xiǎn)因素，聯(lián)合機(jī)器學(xué)習(xí)的方法，旨在構(gòu)建具有較高判別能力的氣胸預(yù)測(cè)模型。該模型可作為初步篩選工具，用于識(shí)別CT引導(dǎo)下PTNB術(shù)后發(fā)生氣胸的高?；颊?，有助于醫(yī)師優(yōu)化穿刺路徑以降低氣胸發(fā)生率。

1 材料與方法

1.1 臨床資料

回顧性分析2016年11月—2017年4月于我院介入室行CT引導(dǎo)下PTNB患者528例，其中53例發(fā)生氣胸，氣胸發(fā)生率為10.0%。納入標(biāo)準(zhǔn)：川北醫(yī)學(xué)院附屬醫(yī)院PACS系統(tǒng)檢索肺穿刺活檢患者；院內(nèi)進(jìn)行病理診斷。排除標(biāo)準(zhǔn)：病灶最大直徑＜5 mm；病灶屬于縱隔內(nèi)或胸膜腫塊；影像資料不完整。本研究中機(jī)器學(xué)習(xí)方法在兩樣本數(shù)量（氣胸/非氣胸）接近的情況下能更快地得到更好的預(yù)測(cè)模型，因此，共計(jì)納入94例患者（氣胸組/非氣胸組為43/51），其中男62例，女32例，年齡為37～84歲，平均（61.1±9.6）歲。本研究經(jīng)本院倫理委員會(huì)批準(zhǔn)，所有患者均知曉手術(shù)目的及風(fēng)險(xiǎn)，并簽署知情同意書。

1.2 方法

1.2.1 術(shù)前準(zhǔn)備 所有患者術(shù)前（1個(gè)月內(nèi)）經(jīng)胸部CT平掃和增強(qiáng)掃描或PET-CT檢查發(fā)現(xiàn)肺部結(jié)節(jié)，需行CT引導(dǎo)下PTNB明確病灶性質(zhì)。所有患者在手術(shù)前1 d接受血常規(guī)、凝血功能及心電圖檢查。抗凝血?jiǎng)┗蚩寡ㄋ幬镌谑中g(shù)前停用3 d以上，術(shù)前禁食4 h。

1.2.2 穿刺手術(shù) 手術(shù)由2名經(jīng)驗(yàn)豐富（5年工作經(jīng)驗(yàn)以上）的介入醫(yī)師執(zhí)行。采用16排螺旋CT掃描儀（16-MDCT： MX，Phillips Medical Systems，Best，Netherlands），管電壓 120 kV，管電流 120 mAs，層厚2～3 mm，螺距1～2 mm?；颊呷⊙雠P位或俯臥位，在工作站確定體表穿刺點(diǎn)、角度及深度，并于體表做標(biāo)記。消毒、鋪巾，以1%利多卡因局部浸潤(rùn)麻醉。采用18 G或 19 G同軸活檢針（C2016B，Bard）按預(yù)定穿刺路徑進(jìn)針至病灶內(nèi)，聯(lián)合20 G切割針（MN2016，Bard）和自動(dòng)活檢槍在病灶內(nèi)不同方位取材2次。術(shù)畢取針，壓迫包扎穿刺點(diǎn)后行胸部CT掃描觀察有無(wú)氣胸、出血等并發(fā)癥。

1.2.3 術(shù)后處理 術(shù)后患者需留院觀察至少4 h。根據(jù)臟壁層胸膜間最大距離將氣胸分為少量氣胸（＜2 cm）、中量氣胸（2～4 cm）和大量氣胸（＞4 cm）。少量氣胸一般不需要處理，囑患者靜臥休息；中～大量氣胸者、氣胸進(jìn)行性增加者或存在胸悶、呼吸困難等臨床癥狀者采用氣體抽吸、胸腔置管術(shù)等處理措施。

1.2.4 數(shù)據(jù)收集 于我院PACS系統(tǒng)上獲取所有患者的相關(guān)參數(shù)，見表1，包括患者基本信息：性別和年齡；病灶相關(guān)因素：大小、深度（胸膜到病灶邊緣最小長(zhǎng)度）、位置（上/中/下葉）、病灶內(nèi)是否存在空洞，病灶周圍是否存在肺氣腫或肺大泡、病灶周圍是否有局限性炎癥；穿刺活檢術(shù)中相關(guān)因素：術(shù)中體位、穿刺針經(jīng)過通氣肺組織的長(zhǎng)度、穿刺針胸膜下進(jìn)針深度、進(jìn)針角度（穿刺針與進(jìn)針點(diǎn)胸膜切線的最小夾角）、手術(shù)時(shí)間、穿刺針是否經(jīng)過胸膜凹陷、穿刺次數(shù)（圖 1）。

1.3 統(tǒng)計(jì)學(xué)方法

采用SPSS 19.0進(jìn)行統(tǒng)計(jì)學(xué)描述。連續(xù)變量采用均數(shù)和標(biāo)準(zhǔn)差（x±s）表示，分類變量采用頻數(shù)（f）和頻率（%）表示。1.4 預(yù)測(cè)模型

表1 氣胸風(fēng)險(xiǎn)因素

圖1 穿刺途徑的選擇

圖2 氣胸預(yù)測(cè)模型的流程

1.4.1 預(yù)處理階段 由于每個(gè)特征的單位和范圍是不同的，需要將其標(biāo)準(zhǔn)化，使特征之間具有可比性。在預(yù)處理階段，本文使用最大最小標(biāo)準(zhǔn)化進(jìn)行標(biāo)準(zhǔn)化，將特征標(biāo)準(zhǔn)化到［0，1］范圍內(nèi)。最大最小值

其中 x 是特征，max（x）和 min（x）分別是 x 在所有樣本中的最大值和最小值。

1.4.2 特征選擇階段 根據(jù)每個(gè)特征對(duì)氣胸的重要性和相關(guān)性進(jìn)行排序。然后基于機(jī)器學(xué)習(xí)模型，通過遞歸特性消除算法來(lái)選擇合適的特性子集［7］。實(shí)驗(yàn)使用了R語(yǔ)言的“caret”包來(lái)進(jìn)行特征選擇。

1.4.3 預(yù)測(cè)階段 基于SVM、神經(jīng)網(wǎng)絡(luò)（neural networdks，NN）和隨機(jī)森林（random forest，RF）3 個(gè)機(jī)器學(xué)習(xí)模型［8］，輸入與氣胸相關(guān)的特性，預(yù)測(cè)氣胸的發(fā)生。實(shí)驗(yàn)設(shè)置如下：使用80%樣本來(lái)訓(xùn)練模型，20%樣本來(lái)驗(yàn)證。采用10折交叉驗(yàn)證進(jìn)行驗(yàn)證。SVM模型中使用高斯核函數(shù)，NN模型中使用徑向基函數(shù)和50個(gè)隱藏神經(jīng)元，RF模型中使用500棵樹。為了得到可靠的錯(cuò)誤估計(jì)，重復(fù)實(shí)驗(yàn)10次，對(duì)標(biāo)準(zhǔn)化根據(jù)公式（1）進(jìn)行。結(jié)果計(jì)算平均值。實(shí)驗(yàn)使用R語(yǔ)言的“e1071”包實(shí)現(xiàn)SVM模型，分別實(shí)現(xiàn)NN模型和RF模型。

2 結(jié)果

2.1 患者基本資料

將94例患者分為氣胸組45.7%（43/94）和非氣胸組54.3%（51/94），患者基本信息、病灶及手術(shù)相關(guān)因素如表1所示。術(shù)后少/中/大量氣胸者為32/7/4例。術(shù)后無(wú)遲發(fā)性氣胸。

2.2 特征選擇

當(dāng)特征數(shù)量達(dá)到6～8時(shí)，SVM分類精度最高，而且比其它兩個(gè)模型的所有情況分類精度更高。因此特征選擇出前8項(xiàng)氣胸的風(fēng)險(xiǎn)因素，按重要性的大小依次為：病變深度、年齡、大小、進(jìn)針深度、穿刺針經(jīng)過通氣肺組織的長(zhǎng)度、進(jìn)針角度、穿刺針過胸膜凹陷及性別。圖3、圖4。

圖 3 特征重要性排序（對(duì)應(yīng)表1）

圖4 不同特征數(shù)量和分類精度之間的關(guān)系

2.3 預(yù)測(cè)模型

基于特征選擇獲得的氣胸風(fēng)險(xiǎn)因素，SVM、NN、RF對(duì)氣胸的預(yù)測(cè)準(zhǔn)確性分別為88.9%、44.4%、38.9%，靈敏度為71.4%、14.3%、28.6%，特異度為100%、63.6%、45.5%。SVM預(yù)測(cè)性能較NN和RF更好。而NN和RF模型不論在多少特征數(shù)量下，均不能取得較好的分類精度，主要是因?yàn)樵谟?xùn)練數(shù)據(jù)上發(fā)生了過擬合現(xiàn)象，不能很好的預(yù)測(cè)新樣本。SVM模型在訓(xùn)練和驗(yàn)證數(shù)據(jù)方面都有著較好的性能，沒有發(fā)生過擬合現(xiàn)象，能更加客觀和準(zhǔn)確地預(yù)測(cè)氣胸。表2。

表2 在訓(xùn)練和驗(yàn)證數(shù)據(jù)中SVM模型的性能

3 討論

目前，基于流行病學(xué)資料對(duì)氣胸的研究主要是采用統(tǒng)計(jì)學(xué)方法分析氣胸的風(fēng)險(xiǎn)因素以及建立氣胸風(fēng)險(xiǎn)模型。許澤兵等［9］采用邏輯回歸方法分析了氣胸的風(fēng)險(xiǎn)因素。Anzidei等［10］基于多個(gè)風(fēng)險(xiǎn)因素提出了氣胸風(fēng)險(xiǎn)模型（models of risks，MoRs）來(lái)預(yù)測(cè)氣胸。Chiappetta等［11］提出的氣胸預(yù)測(cè)模型的準(zhǔn)確性超過75%。本研究屬于回顧性研究，SVM等機(jī)器學(xué)習(xí)方法是利用計(jì)算機(jī)對(duì)既往患者的臨床資料的學(xué)習(xí)過程。SVM聯(lián)合患者基本信息、病灶及手術(shù)相關(guān)因素，建立了一個(gè)可行的氣胸預(yù)測(cè)模型，它具有較高的診斷準(zhǔn)確性（88.9%）。與常用的分類算法相比，在小樣本、高維度的情況下，SVM往往可能更具優(yōu)越性和合理性［5］。此模型可作為程序存儲(chǔ)在電腦中，臨床醫(yī)師將風(fēng)險(xiǎn)因素輸入程序，該模型自動(dòng)預(yù)測(cè)患者是否發(fā)生氣胸。該模型有助于臨床醫(yī)師識(shí)別高風(fēng)險(xiǎn)氣胸患者，提前完善處理措施；有助于術(shù)者優(yōu)化穿刺路徑，盡量減少患者術(shù)中相關(guān)危險(xiǎn)因素的暴露，有效地預(yù)防氣胸的發(fā)生。

本研究發(fā)現(xiàn)病變深度、患者年齡、病灶大小、進(jìn)針深度、穿刺針經(jīng)過通氣肺組織的長(zhǎng)度、進(jìn)針角度、穿刺針過胸膜凹陷及性別與氣胸的發(fā)生密切相關(guān)。多項(xiàng)因素與以往研究結(jié)果類似［9，12-16］，尚未見穿刺針經(jīng)過胸膜凹陷與氣胸發(fā)生相關(guān)性的研究。

病變深度是氣胸最重要的風(fēng)險(xiǎn)因素，與以往研究報(bào)道相似。陳萬(wàn)海等［12］認(rèn)為病灶深度是氣胸發(fā)生的危險(xiǎn)因素（P＝0.02）。多項(xiàng)研究［17-18］表明 氣胸發(fā)生率隨病灶深度增加而增高。本研究發(fā)現(xiàn)年齡與氣胸的發(fā)生亦存在關(guān)系，與既往研究結(jié)果類似。許澤兵等［9］發(fā)現(xiàn)年齡＞60歲是氣胸重要的風(fēng)險(xiǎn)因素（P＝0.01）。何闖等［13］發(fā)現(xiàn)年齡每增加 10歲，氣胸發(fā)生的風(fēng)險(xiǎn)將增加2.102倍。這可能與年齡較高者肺組織彈性較低、基礎(chǔ)肺功能降低有關(guān)［14］；此外，與老年患者對(duì)手術(shù)配合程度較差有關(guān)，如不能配合憋氣或出現(xiàn)術(shù)中咳嗆。氣胸發(fā)生率與病灶大小呈負(fù)相關(guān)［19］，本研究支持以往報(bào)道結(jié)果。朱檸等［14］認(rèn)為，越小的病灶會(huì)增加穿刺的難度，反復(fù)多次操作潛在地增加氣胸發(fā)生風(fēng)險(xiǎn)。此外，多次調(diào)節(jié)針頭方向?qū)⒓又匦啬p傷引發(fā)氣胸［20］。本研究發(fā)現(xiàn)氣胸與進(jìn)針深度相關(guān)。較長(zhǎng)的進(jìn)針深度可能需要多次調(diào)整穿刺針的進(jìn)針方向，這可能會(huì)導(dǎo)致胸膜撕裂引發(fā)氣胸［21］。Rizzo等［22］發(fā)現(xiàn)肺內(nèi)進(jìn)針深度每增加10 mm，發(fā)生氣胸和肺實(shí)質(zhì)性出血的風(fēng)險(xiǎn)將增加3%。楊肖華等［23］認(rèn)為隨著穿刺深度增加，損傷到較粗級(jí)別的支氣管的機(jī)會(huì)增多，這可能會(huì)增加氣胸發(fā)生率。既往研究報(bào)道［24］穿刺針經(jīng)過通氣肺組織的長(zhǎng)度是氣胸的重要風(fēng)險(xiǎn)因素，與本研究結(jié)果相符。Kakizawa等［25］發(fā)現(xiàn)穿刺針經(jīng)過通氣肺組織的長(zhǎng)度與氣胸的程度有關(guān)（P＜0.05）。進(jìn)針角度是氣胸的風(fēng)險(xiǎn)因素［13］，支持本研究結(jié)果。進(jìn)針夾角每增加20°氣胸風(fēng)險(xiǎn)將增加2.413倍，這可能是由于進(jìn)針角度增加，出血的概率降低，而少量出血被認(rèn)為是氣胸的保護(hù)因素［13］。本研究發(fā)現(xiàn)穿刺針過胸膜凹陷是氣胸的一個(gè)風(fēng)險(xiǎn)因素，這在既往研究中從未被提及。這可能由于穿刺針過胸膜凹陷，其經(jīng)過通氣肺組織的路徑相對(duì)縮短，因此對(duì)肺實(shí)質(zhì)損傷范圍減少，降低氣胸發(fā)生率。此外，筆者推斷在進(jìn)針過程中或調(diào)整進(jìn)針方向時(shí)，經(jīng)過胸膜凹陷的穿刺針可能會(huì)牽拉凹陷的胸膜，這可能會(huì)擴(kuò)大穿刺點(diǎn)或?qū)е路螌?shí)質(zhì)損傷，增加氣胸發(fā)生率。牽拉力使臟壁層胸膜分離將增大穿刺阻力，可能導(dǎo)致穿刺次數(shù)增加；胸膜腔擴(kuò)大使負(fù)壓增大，使空氣更易進(jìn)入胸膜腔，導(dǎo)致嚴(yán)重氣胸［25］。此項(xiàng)風(fēng)險(xiǎn)因素有待進(jìn)一步研究。本研究認(rèn)為性別是氣胸的風(fēng)險(xiǎn)因素，這可能與男性有更大的用力肺活量（forced vital capacity，F(xiàn)VC）預(yù)測(cè)百分比有關(guān)。Saji等［26］認(rèn)為 FVC%預(yù)測(cè)值增大是氣胸的獨(dú)立風(fēng)險(xiǎn)因素（P＝0.004 4），術(shù)中越大的呼吸動(dòng)度將增加氣胸發(fā)生率。此外，男性吸煙率較女性更高，吸煙可能會(huì)影響氣胸發(fā)生率［9］。

除上述特征選擇出的風(fēng)險(xiǎn)因素以外，本研究提及的其它PTNB術(shù)后氣胸風(fēng)險(xiǎn)因素在以往研究中已有報(bào)道。本研究基于機(jī)器學(xué)習(xí)提出了一個(gè)聯(lián)合多因素分析的氣胸預(yù)測(cè)模型，但并不否定未被選中的因素與氣胸發(fā)生存在關(guān)系，本文只是選取了相對(duì)更重要的風(fēng)險(xiǎn)因素。筆者認(rèn)為需不斷地更新風(fēng)險(xiǎn)因素并擴(kuò)大受試者樣本量，進(jìn)一步探討PTNB術(shù)后氣胸風(fēng)險(xiǎn)因素。SVM氣胸預(yù)測(cè)模型比NN和RF具有更高的有效性和泛化性，能夠預(yù)測(cè)氣胸的發(fā)生，有助于介入醫(yī)師對(duì)高風(fēng)險(xiǎn)氣胸患者的診療，降低氣胸發(fā)生率。

本研究存在局限性：①我們基于患者基本信息，病變及手術(shù)相關(guān)因素建立了SVM預(yù)測(cè)模型，但未考慮到生物化學(xué)指標(biāo)、遺傳因素和醫(yī)師經(jīng)驗(yàn)等相關(guān)因素。②某些相關(guān)因素的低曝光率可能會(huì)影響結(jié)果。③存在測(cè)量誤差。④部分患者于門診行穿刺活檢，無(wú)術(shù)后近期隨訪的影像學(xué)資料，本研究均認(rèn)為無(wú)遲發(fā)性氣胸。最后，本組數(shù)據(jù)均來(lái)自同一地區(qū)人群。

綜上所述，本文首次應(yīng)用特征選擇和支持向量機(jī)的方法，基于氣胸風(fēng)險(xiǎn)因素建立氣胸預(yù)測(cè)模型。本研究認(rèn)為SVM氣胸預(yù)測(cè)模型是一種可行的、實(shí)用的、較準(zhǔn)確的分類器，有助于臨床醫(yī)師優(yōu)化診療方式，降低氣胸發(fā)生率。

［1］ 許 彪，陳 剛，韋 璐．多層螺旋CT引導(dǎo)BARD活檢槍經(jīng)皮肺穿刺活檢的臨床應(yīng)用［J］．介入放射學(xué)雜志，2009，18：51-53．

［2］ Laspas F，Roussakis A，Efthimiadou R，et al.Percutaneous CT-guided fine-needle aspiration of pulmonary lesions：results and complications in 409 patients［J］.J Med Imaging Radiat Oncol，2008，52：458-462.

［3］ Wallace MJ，Krishnamurthy S，Broemeling LD，et al.CT-guided percutaneous fine-needle aspiration biopsy of small（≤1-cm）pulmonary lesions［J］.Radiology， 2002， 225： 823-828.

［4］ Arabasadi Z，Alizadehsani R，Roshanzamir M，et al.Computer aided decision making for heart disease detection using hybrid neural network-genetic algorithm［J］.Comput Methods Programs Biomed，2017，141：19-26.

［5］ 李 梅，張 偉，李永忠，等．支持向量機(jī)神經(jīng)網(wǎng)絡(luò)在判別前列腺癌中的應(yīng)用研究［J］．四川大學(xué)學(xué)報(bào)·醫(yī)學(xué)版，2013，44：666-668．

［6］ Gupta S，Tran T，Luo W，et al.Machine-learning prediction of cancer survival：a retrospective study using electronic administrative records and a cancer registry［J］.BMJ Open， 2014， 4： e004-e007.

［7］ 尹祖鈺．基于主成分分析和遞歸特征消除的支持向量機(jī)分類方法研究［D］．哈爾濱工業(yè)大學(xué)，2016．

［8］ Abreu PH， Santos MS， Abreu MH.Predicting breast cancer recurrence using machine learning techniques：a systematic review［J］.ACM Comput Surv， 2016， 49： 1-40.

［9］ 許澤兵，翟昭華，何 菲，等．CT引導(dǎo)下經(jīng)皮肺穿刺活檢并發(fā)癥的相關(guān)因素Logistic分析［J］．川北醫(yī)學(xué)院學(xué)報(bào)，2011，26：167-171．

［10］ Anzidei M， Sacconi B， Fraioli F， et al.Development of a prediction model and risk score for procedure-related complications in patients undergoing percutaneous computed tomography-guided lung biopsy［J］.Eur J Cardiothorac Surg， 2015， 48： e1-e6.

［11］ Chiappetta M， Rosella F， Dall'armi V， et al.CT guided fineneedle agobiopsy of pulmonary nodules：predictive factors for diagnosis and pneumothorax occurrence［J］.Radiol Med， 2016，121：635-643.

［12］陳萬(wàn)海，沈曉文，孫新剛，等．經(jīng)皮肺活檢常見并發(fā)癥風(fēng)險(xiǎn)因素分析［J］．介入放射學(xué)雜志， 2012， 21： 168-171．

［13］ 何 闖，李 揚(yáng)，楊 麗，等．CT引導(dǎo)下肺實(shí)性結(jié)節(jié)切割活檢術(shù)后出血與氣胸的多因素分析［J］．介入放射學(xué)雜志，2017，26： 654-659．

［14］朱 檸，何 劍，夏敬文，等．CT引導(dǎo)下經(jīng)皮肺穿刺并發(fā)癥的影響因素［J］．臨床肺科雜志， 2014， 19： 483-485．

［15］陳克敏，黃 蔚，吳志遠(yuǎn)．CT引導(dǎo)下肺活檢和并發(fā)癥的預(yù)防［J］．介入放射學(xué)雜志， 2011， 20： 163-165．

［16］李國(guó)棟，周正榮，李文濤，等．CT導(dǎo)引下經(jīng)皮肺組織活檢術(shù)常見并發(fā)癥及穿刺體會(huì)［J］．介入放射學(xué)雜志，2007，16：847-849．

［17］ Min L，Xu X，Song Y，et al.Breath-hold after forced expiration before removal of the biopsy needle decreased the rate of pneumothorax in CT-guided transthoracic lung biopsy［J］.Eur J Radiol， 2013， 82： 187-190.

［18］ Akkermans R.2013 annual congress of the European Respiratory Society［J］.Lancet Respir Med， 2013， 1： 594-595.

［19］Yeow KM，Su IH，Pan KT，et al.Risk factors of pneumothorax and bleeding-multivariate analysis of 660 CT-guided coaxial cutting needle lung biopsies［J］.Chest， 2004， 126： 748-754.

［20］ Niu XK， Bhetuwal A， Yang HF.CT-guided core needle biopsy of pleural lesions：evaluating diagnostic yield and associated complications［J］.Korean J Radiol， 2015， 16： 206-212.

［21］ Cox JE， Chiles C， McManus CM， et al.Transthoracic needle aspiration biopsy： variables that affect risk of pneumothorax［J］.Radiology， 1999， 212： 165-168.

［22］ Rizzo S，Preda L，Raimondi S，et al.Risk factors for complications of CT-guided lung biopsies［J］.Radiol Med， 2011， 116： 548-563.

［23］楊肖華，黃新宇，汪國(guó)祥．CT引導(dǎo)下經(jīng)皮肺穿刺活檢術(shù)并發(fā)癥的影響因素分析［J］．介入放射學(xué)雜志，2013，22：658-662．

［24］Nour-Eldin NE， Alsubhi M， Emam A， et al.Pneumothorax complicating coaxial and non-coaxial CT-guided lung biopsy：comparative analysis of determining risk factors and management of pneumothorax in a retrospective review of 650 patients ［J］.Cardiovasc Intervent Radiol， 2016， 39： 261-270.

［25］Kakizawa H，Toyota N，Hieda M，et al.Risk factors for severity of pneumothorax after CT-guided percutaneous lung biopsy using the single-needle method［J］.Hiroshima J Med Sci， 2010， 59：43-50.

［26］ Saji H，Nakamura H，Tsuchida T，et al.The incidence and the risk of pneumothorax and chest tube placement after percutaneous CT-guided lung biopsy：the angle of the needle trajectory is a novel predictor［J］.Chest， 2002， 121： 1521-1526.