祁 聞 趙 紅 王龍勝 鄭穗生 楊 進(jìn) 張小艷

磨玻璃結(jié)節(jié)(ground glass nodule，GGN)是指在高分辨率CT(high resolution computed tomography，HRCT)圖像上表現(xiàn)為密度輕度的增加，但其內(nèi)的支氣管及血管束仍可展示出來，其病理基礎(chǔ)是由于肺泡內(nèi)部的細(xì)胞個(gè)數(shù)增加、氣體含量下降或者肺泡間隔增厚等導(dǎo)致的[1]。目前，隨著GGN檢出率的提高，GGN引起了人們?cè)絹碓蕉嗟淖⒁猓驗(yàn)樗芸赡芴崾緷撛诘脑缙诜伟?如能早期明確診斷，術(shù)后5年生存率可達(dá) 80%以上[2]。依據(jù)GGN內(nèi)部有無存在實(shí)性組織成分可進(jìn)一步分為單純GGN(pure ground glass nodule,pGGN)及混合GGN(mixed ground glass nodule，mGGN)[3]。相關(guān)數(shù)據(jù)表明約10%～25%的侵襲性腺癌及30%的良性病變的影像表現(xiàn)均可以為GGN，所以，它是一種有特征性但非特異性的征象[4]。本研究旨在分析GGN的HRCT影像征象與良、惡性之間的相關(guān)性，總結(jié)惡性GGN的影像特征，正確認(rèn)識(shí)GGN并作出及時(shí)的診治。

資料與方法

1.研究對(duì)象及病例選取標(biāo)準(zhǔn)：收集安徽醫(yī)科大學(xué)第二附屬醫(yī)院放射科2016年1月～2017年12月進(jìn)行HRCT檢查的96例GGN患者的臨床及影像信息，其中男性40例，女性56例，患者平均年齡62.31±12.46歲。病例納入標(biāo)準(zhǔn)：經(jīng)過手術(shù)或活檢病理確診的良、惡性GGN；病例排除標(biāo)準(zhǔn)：①雙肺內(nèi)多發(fā)GGN；②既往有基礎(chǔ)疾病史、惡性腫瘤史及有遠(yuǎn)處轉(zhuǎn)移征象者；③呼吸控制欠佳及其他原因?qū)е翲RCT圖像質(zhì)量不佳而影響觀察者。

2.儀器與方法：(1)儀器：采用美國(guó)GE公司的LightSpeed VCT 機(jī)掃描，掃描參數(shù)：管電壓140kV，管電流130mA，層厚5.00mm，采用高分辨骨算法重建，重建層厚1.25～2.00mm。(2)檢查方法：檢查前需對(duì)患者進(jìn)行嚴(yán)格的呼吸訓(xùn)練，以保障掃描圖像的質(zhì)量，掃描時(shí)按正常胸部范圍包全。掃描結(jié)束后收集原始數(shù)據(jù)，并結(jié)合各種重組技術(shù)如多平面重建(multiplannar reconstruction,MPR)、最大密度投影(maximum intensity projection,MIP)、容積再現(xiàn)(volume rendering,VR)等，獲得多方位，多平面的圖像，更全方面展示病灶的影像特征。

3.主要觀察數(shù)據(jù)：(1)參考相關(guān)文獻(xiàn)[5]：按病灶最大層面上長(zhǎng)短徑的平均值大小分成3組：≥3.0cm,1.0～2.9cm,≤0.9cm)。(2)形態(tài)指標(biāo)：形狀(不規(guī)則形、圓形/類圓形)、邊緣(分葉征、毛刺征)、界面(GGN邊界可分為：模糊、清楚光整、清楚毛糙)、密度(分為pGGN、mGGN)、內(nèi)部結(jié)構(gòu)(囊狀透亮影、空泡征、支氣管征)、鄰近結(jié)構(gòu)(血管集束征、胸膜凹陷征)[6]。由兩名高年資醫(yī)生分析圖像，取其一致性結(jié)果為準(zhǔn)；意見分歧時(shí)，請(qǐng)上一級(jí)醫(yī)生會(huì)診并確認(rèn)結(jié)果。

4.Logistic模型建立與統(tǒng)計(jì)學(xué)方法：采用SPSS 16.0統(tǒng)計(jì)學(xué)軟件對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析處理，單因素分析采用χ2檢驗(yàn)，以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。選取有統(tǒng)計(jì)學(xué)意義的影像征象進(jìn)入回歸模型，并建立回歸方程式。以GGN的良、惡性作為因變量(良性GGN=0，惡性GGN=1)，以下影像征象為自變量，將多分類變量病灶的大小及界面轉(zhuǎn)換為啞變量。在設(shè)置啞變量時(shí)，以賦值為0的類別為參照。具體賦值如下：病灶的直徑(≤0.9cm賦值為0，1.0～2.9cm賦值為1，≥3.0cm賦值為2)，形狀(不規(guī)則形=0，圓形/類圓形=1)，分葉征(無=0，有=1)，毛刺征(無=0，有=1),界面(模糊=0，清楚光整=1，清楚毛糙=2),密度(pGGN=0，mGGN=1),空泡征(無=0，有=1)，囊狀透亮影(無=0，有=1),支氣管征(無=0，有=1),血管集束征(無=0，有=1)，胸膜凹陷征(無=0，有=1)；并用接受者操作特性(receiver operating characteristic,ROC)曲線法評(píng)價(jià)Logistic模型的預(yù)報(bào)能力。

結(jié) 果

1.一般情況：96例GGN患者經(jīng)過手術(shù)或活檢病理確診后，其中良性44例，惡性52例(包括原位腺癌15例，微浸潤(rùn)腺癌18例，浸潤(rùn)腺癌19例)。

2.良、惡性GGN單因素分析：?jiǎn)我蛩胤治鲲@示，性別、年齡在兩組之間比較差異無統(tǒng)計(jì)學(xué)意義(P>0.05)，而密度(pGGN/mGGN，圖1、圖2)、分葉征(圖3)、毛刺征、界面征(模糊、清楚光整、清楚毛糙)、囊狀透亮影(圖4)等5種影像征象之間比較差異有統(tǒng)計(jì)學(xué)意義(P<0.05，表1)。

圖1 右肺上葉mGGN的HRCT圖像患者，女性，66歲，右肺上葉良性結(jié)節(jié)。胸部HRCT示右肺上葉mGGN，內(nèi)伴少許實(shí)性成分。鏡檢該處肺組織中碳末沉積， 較多炎性細(xì)胞浸潤(rùn)及間質(zhì)纖維組織增生

圖2 右肺上葉pGGN的HRCT圖像和VR圖展示 患者，男性，51歲,右肺上葉微浸潤(rùn)性腺癌。A.胸部HRCT示右肺上葉類圓形pGGN；B.經(jīng)過后處理的VR圖，可見病灶表面不平坦

圖3 右肺上葉mGGN的HRCT圖像患者，男性，64歲，右肺上葉浸潤(rùn)性腺癌。胸部HRCT示右肺上葉不規(guī)則mGGN，內(nèi)見充氣擴(kuò)張的支氣管影，呈分葉狀

圖4 左肺上葉mGGN的HRCT圖像患者，男性，64歲，左肺上葉浸潤(rùn)性腺癌。胸部HRCT示左肺上葉不規(guī)則mGGN，病灶內(nèi)及邊緣見多發(fā)囊狀透亮影(假大空征)

3.良性GGNLogistic回歸分析：本文根據(jù)單因素分析結(jié)果及樣本量大小，共選取了分葉征、毛刺征、界面征(模糊、清楚光整、清楚毛糙)、囊狀透亮影及密度等5種影像征象進(jìn)行回歸分析，最后一步共篩選出3個(gè)自變量，其中分葉征、清楚但毛糙的邊界及毛刺征是惡性GGN的危險(xiǎn)因素(表2)，回歸方程：Logistic(P)=-2.494+1.987×分葉征+(2.664×邊界清楚但毛糙+0.759×邊界清楚光整)+1.444×毛刺征；上述Logistic回歸方程經(jīng)Hosmer and LemeshowTest進(jìn)行擬合度檢驗(yàn)，χ2=1.704，γ=7，P=0.974，表明方程的擬合有統(tǒng)計(jì)學(xué)意義，并可以正確分類85.40%的研究對(duì)象，即該模型的敏感度P代表診斷惡性的概率，若P≥0.5預(yù)報(bào)為惡性，P<0.5預(yù)報(bào)為良性，則預(yù)報(bào)的準(zhǔn)確度高達(dá)85.40%，且其特異性為81.80%、敏感度為88.50%，陽性和陰性預(yù)測(cè)值分別為85.19%、85.71%。

表1 良、惡性GGN影像學(xué)特征的對(duì)比分析[n(%)]

表2 良、惡性GGN影像征象Logistic多因素回歸分析

4.Logistic回歸預(yù)測(cè)模型的ROC曲線分析：以模型中判斷良、惡性GGN概率的預(yù)測(cè)值繪制ROC曲線(圖5),曲線下面積(area under the curve,AUC)為判斷指標(biāo)檢驗(yàn)?zāi)Ｐ蛿M合效果,AUC為0.907±0.031(P=0.000),95% CI:0.845～0.968,表明曲線的擬合優(yōu)度及預(yù)測(cè)效果較好,該模型可用于預(yù)測(cè)GGN的良、惡性。

圖5 Logistic回歸模型預(yù)報(bào)能力的ROC曲線

討 論

肺癌的發(fā)生率逐年上升,其病死率在惡性腫瘤中位居第1位[7，8]。正確認(rèn)識(shí) GGN，做出正確處理，有利于提高患者的生存率并改善預(yù)后。HRCT可用于仔細(xì)觀察病灶內(nèi)的微細(xì)結(jié)構(gòu)，而普通厚層CT存在部分容積效應(yīng)，對(duì)病灶的認(rèn)識(shí)會(huì)出現(xiàn)偏差。研究發(fā)現(xiàn)部分結(jié)節(jié)在5mm層厚的CT上可呈現(xiàn)為GGN,而在1mm層厚上卻被證實(shí)為實(shí)性結(jié)節(jié)[9]。所以采取HRCT掃描可以更好地觀察肺部GGN的影像特征，從而準(zhǔn)確評(píng)估其良、惡性指標(biāo)。

良、惡性GGN存在不同的病理學(xué)基礎(chǔ)[10]。早期腺癌主要是腫瘤細(xì)胞沿著肺泡壁呈貼壁式生長(zhǎng)，若不伴有肺泡壁塌陷或間質(zhì)、血管的浸潤(rùn)，影像上則表現(xiàn)為pGGN；但隨著肺泡壁的塌陷及肺泡腔大量滲出的形成，病灶密度開始增高，則表現(xiàn)為mGGN。有研究結(jié)果表明GGN中實(shí)性的成分越多，惡性的可能性越大，其侵襲性也就越大[10,11]。在本研究的單因素分析結(jié)果中也證實(shí)了病灶密度是否均勻，在鑒別良、惡性GGN中有一定的診斷價(jià)值，但是該征象并不是惡性GGN的主要危險(xiǎn)因素。

分葉征和毛刺征的出現(xiàn)常提示是惡性GGN。分葉征的病理基礎(chǔ)是指位于病灶邊緣的腫瘤細(xì)胞在生長(zhǎng)過程中由于分化水平及生長(zhǎng)快慢的不一樣，或者在遇到周圍組織結(jié)構(gòu)時(shí)，生長(zhǎng)受到了限制，從而形成不同程度的分葉狀改變。在本次入選的96個(gè)病例中，良性GGN 44例，惡性GGN 52例；其中具有分葉征的良性GGN只有6例(約占13.64%)，而惡性病例中有37例(約占71.15%)符合，這與以往大部分研究結(jié)果表現(xiàn)一致[12,13]。毛刺征的形成機(jī)制有兩種：①病灶周圍的小血管、淋巴管及小氣管被癌性或炎性組織浸潤(rùn);②纖維組織形成的收縮力對(duì)周圍肺組織的牽拉。其中，良性結(jié)節(jié)的毛刺常由纖維結(jié)締組織組成，一般比較長(zhǎng)而且柔軟；本組單因素分析結(jié)果顯示，具有毛刺征的GGN惡性率約占59.62%，且多表現(xiàn)為細(xì)短毛刺，差異有統(tǒng)計(jì)學(xué)意義(χ2=15.038，P=0.000)，而其Logistic分析結(jié)果也證明了毛刺征是GGN的危險(xiǎn)因素。

腫瘤與正常肺組織的界面是否清晰光整，對(duì)于診斷良、惡性GGN有重要的價(jià)值。病理上，腫瘤組織與鄰近結(jié)構(gòu)分界一般比較清楚，當(dāng)其向周圍組織浸潤(rùn)時(shí)可導(dǎo)致病灶的邊緣顯示毛糙；而對(duì)于炎性病變，由于分泌物的滲出，其邊界大多模糊不清。根據(jù)以往的研究結(jié)果，一般將其分為3種類型：①病灶的邊界模糊且顯示不清；②病灶的邊界清楚而且光整；③病灶的邊界雖然清楚，但周圍毛糙[10]。本研究多因素分析結(jié)果表明,具有清楚毛糙界面的GGN與具有模糊界面的GGN比較，其惡性危險(xiǎn)度是14.353，而具有清楚光整界面的OR=2.136，P=0.331，提示邊界的清楚光整在鑒別良、惡性GGN之間的影響尚未確定。同時(shí)，在Fan等[12]、Nambu等[14]研究中也發(fā)現(xiàn)清楚毛糙的界面更多見于惡性GGN，這與本研究結(jié)果是一致的。

在腺癌的發(fā)展過程中，當(dāng)附著于肺泡壁的腫瘤細(xì)胞脫落并形成碎屑，阻塞小的引流支氣管，會(huì)形成單向的支氣管活瓣，導(dǎo)致幾個(gè)肺泡甚至次級(jí)肺小葉發(fā)生囊狀擴(kuò)張。影像上表現(xiàn)為一個(gè)或多個(gè)、形態(tài)規(guī)則或不規(guī)則的囊狀透亮影，其邊緣可殘存部分磨玻璃影，一般像這種擴(kuò)張的含氣空腔體積較大，多類似于病灶壞死形成的空洞[6]。但由于其機(jī)制不同及影像表現(xiàn)的差異，所以也有研究者將其稱為“假大空征”[6]。在現(xiàn)有收集的惡性GGN 病例中有19例(約占36.54%)具有此征象，且χ2檢驗(yàn)表明該征象在良、惡性GGN之間差異有統(tǒng)計(jì)學(xué)意義，但最終Logistic回歸分析認(rèn)為假大空征并不是惡性GGN的危險(xiǎn)因素，這與部分文獻(xiàn)報(bào)道不一致，分析出現(xiàn)這種差異的原因，很可能是與部分自變量之間存在共線性有關(guān)，且其他影像征象的特異性較高，導(dǎo)致了該指標(biāo)自身的特征被掩蓋，這在今后的研究中筆者會(huì)通過加大樣本量來進(jìn)一步改善。

除了以上所述的3種危險(xiǎn)因素之外，本研究還分析了病灶的形態(tài)及鄰近結(jié)構(gòu)的改變，所收集的良性GGN中表現(xiàn)為圓形或類圓形者共21例(約占47.73%)符合，病理結(jié)果多為局限性肺泡間隔纖維化、間質(zhì)的血管充血，或者肺泡腔內(nèi)少許碳末沉積；而惡性病例中僅28.85%表現(xiàn)為圓形或類圓形的GGN，其單因素統(tǒng)計(jì)學(xué)結(jié)果表明，病灶的形態(tài)在鑒別良、惡性GGN中無統(tǒng)計(jì)學(xué)意義，這與Namba等[14]、許海兵等[15]研究結(jié)果一致。另外，本研究中病灶的支氣管征、胸膜凹陷征及血管集束征等在良、惡性GGN的鑒別中并不具有明顯差異性，這與李銘等[16]的研究結(jié)果一致。

綜上所述，隨著對(duì)良、惡性GGN影像征象的深入了解，往往會(huì)發(fā)現(xiàn)單一的影像指標(biāo)在良、惡性結(jié)節(jié)診斷中存在交叉重疊，這就導(dǎo)致了其預(yù)測(cè)的準(zhǔn)確性減低。而多因素分析可以有效提高惡性GGN診斷的準(zhǔn)確率、敏感度及特異性，這從一定程度上打破了單一影像指標(biāo)診斷的局限性。本研究表明，一個(gè)具有分葉征、毛刺征及清楚毛糙界面的GGN，很大程度上提示惡性病變，可以作為綜合判斷良、惡性GGN的可靠指標(biāo)，并為臨床醫(yī)生提供指導(dǎo)。而且本組Logistic回歸方程的預(yù)報(bào)準(zhǔn)確率高達(dá)85.40%, 其預(yù)測(cè)概率的AUC=0.907，提示該模型預(yù)測(cè)效果較好。