背景隨著多層螺旋計(jì)算機(jī)體層成像CT(multidetector-row spiral CT,MDCT)的廣泛應(yīng)用和人們對(duì)肺癌篩查的關(guān)注日益增加,偶然發(fā)現(xiàn)的肺部結(jié)節(jié)在常規(guī)的CT成像中越來越常見,CT上的檢出率估計(jì)超過30%。肺部結(jié)節(jié)是肺癌的早期癥狀之一,正確的診斷結(jié)果可以有效地提高早期肺癌患者的生存率,以及對(duì)良性結(jié)節(jié)患者盡量減少不必要的干預(yù)和手術(shù)。隨著人們對(duì)肺結(jié)節(jié)的影像學(xué)特征和血清腫瘤標(biāo)志物的認(rèn)識(shí)日益加深,尋找一種具有更高特異性和敏感性的無創(chuàng)預(yù)測(cè)方法,從而實(shí)現(xiàn)對(duì)肺部惡性腫瘤的可靠早期診斷,具有極大的推動(dòng)作用。目前,國際上構(gòu)建了多個(gè)預(yù)測(cè)孤立性肺結(jié)節(jié)(Solitary pulmonary nodules,SPN)良惡性的數(shù)學(xué)模型,大部分模型是基于胸部影像學(xué)特征和患者臨床特征來構(gòu)建的,其目的是對(duì)SPN為惡性的可能性進(jìn)行綜合評(píng)估,臨床上得到廣泛應(yīng)用的如Mayo模型、李運(yùn)模型、VA模型等。但較少有研究將血清腫瘤標(biāo)志物水平納入預(yù)測(cè)模型。目的基于對(duì)肺部結(jié)節(jié)患者的臨床特征、胸部CT形態(tài)特征以及血清腫瘤標(biāo)志物水平的分析,篩選出肺惡性結(jié)節(jié)的獨(dú)立危險(xiǎn)因素,構(gòu)建肺結(jié)節(jié)的良惡性預(yù)測(cè)的列線圖模型。方法回顧性分析2017年1月至2017年12月期間就診于鄭州大學(xué)第一附屬醫(yī)院行胸部CT顯示肺部結(jié)節(jié)的219例患者,收集患者的臨床信息(年齡、性別、吸煙史、既往惡性腫瘤病史、肺部基礎(chǔ)疾病史、臨床癥狀)、胸部CT形態(tài)特征(結(jié)節(jié)的位置、密度、長徑、邊緣特征、內(nèi)部結(jié)構(gòu)特征等)以及血清腫瘤標(biāo)志物檢測(cè)(癌胚抗原、非小細(xì)胞肺癌相關(guān)抗原21-1、神經(jīng)元特異性烯醇化酶)進(jìn)行單因素和多因素分析,將單因素分析中有意義的影響因素納入logistic多因素分析中,采用逐步向前回歸法篩選出預(yù)測(cè)肺惡性結(jié)節(jié)的獨(dú)立危險(xiǎn)因素,最后采用R軟件的“rms”程序包構(gòu)建預(yù)測(cè)肺結(jié)節(jié)良惡性的列線圖模型(nomogram),并得到各項(xiàng)危險(xiǎn)因素在列線圖中的分值,將患者的各項(xiàng)危險(xiǎn)因素得分相加即可得到總分,總分對(duì)應(yīng)的概率即為肺結(jié)節(jié)的惡性風(fēng)險(xiǎn)概率,總分越高惡性風(fēng)險(xiǎn)越大。采用Hosmer-lemeshow擬合優(yōu)度統(tǒng)計(jì)檢驗(yàn)(P0.05)對(duì)模型的擬合程度進(jìn)行評(píng)價(jià)。采用受試者工作特征曲線(Receiver Operating Characteristic,ROC)對(duì)模型預(yù)測(cè)的準(zhǔn)確性進(jìn)行評(píng)價(jià),當(dāng)ROC曲線下面積(area under curve,AUC)最大時(shí),模型具有最佳的敏感度和特異度。通過R軟件進(jìn)行自抽樣法對(duì)模型進(jìn)行內(nèi)部驗(yàn)證,并作出模型的校正曲線對(duì)預(yù)測(cè)性能進(jìn)行評(píng)價(jià)。結(jié)果本研究共納入肺部結(jié)節(jié)患者219例,其中男96例(43.8%)、女123例(56.2%),年齡6～82歲,中位年齡59(52,67)歲,良性病變73例(33.3%),惡性病變146例(66.7%),結(jié)節(jié)最大直徑3.0～30.0mm,中位直徑為15.5(11.0,23.0)mm。1.對(duì)肺結(jié)節(jié)患者的臨床特征、胸部CT形態(tài)特征及血腫瘤標(biāo)志物水平進(jìn)行單因素分析結(jié)果顯示,良惡性患者間年齡、肺結(jié)節(jié)的位置、結(jié)節(jié)長徑、分葉、毛刺、邊緣、血管集束征、血清癌胚抗原(carcinoembryonic antigen,CEA)、細(xì)胞角蛋白19片段抗原21-1(cytokeratin-19 fragments,CYFRA 21-1)比較差異有統(tǒng)計(jì)學(xué)意義(P0.05),而患者的性別、吸煙史、既往惡性腫瘤病史、肺部基礎(chǔ)疾病史、臨床癥狀的比較差異無統(tǒng)計(jì)學(xué)意義(均P0.05),并且與結(jié)節(jié)的胸膜牽拉征、鈣化、空泡、空氣支氣管征、密度、血清神經(jīng)元特異性烯醇化酶(neuron-specific enolase,NSE)等未見明顯差異(均P0.05)。2.多因素回歸分析顯示,患者年齡、肺結(jié)節(jié)位置、分葉征、血管集束征、邊緣是否模糊及血CEA、CYFRA21-1水平是惡性肺結(jié)節(jié)的獨(dú)立危險(xiǎn)因素(均P0.05),它們的優(yōu)勢(shì)比分別為1.041、3.464、3.050、2.335、2.333、15.078、2.780,95%置信區(qū)間分別為1.009~1.075、1.696~7.076、1.425~6.527、1.132~4.818、1.068~5.094、1.867~121.754、1.013~7.626。3.根據(jù)列線圖建立的預(yù)測(cè)肺結(jié)節(jié)良惡性的模型總分為32分,對(duì)應(yīng)的惡性肺結(jié)節(jié)的風(fēng)險(xiǎn)預(yù)測(cè)值大于90%。Hosmer-Lemeshow擬合優(yōu)度統(tǒng)計(jì)檢驗(yàn)的結(jié)果表明,該模型對(duì)預(yù)測(cè)結(jié)果的擬合程度較高(P0.001),預(yù)測(cè)結(jié)果的概率與實(shí)際結(jié)果概率無顯著性差異(P=0.81)。列線圖模型ROC曲線下面積AUC為0.850(95%CI0.799~0.901),對(duì)肺結(jié)節(jié)惡性預(yù)測(cè)評(píng)估的特異度為65.8%,敏感度為88.8%。結(jié)論本研究所建立的由患者年齡、肺結(jié)節(jié)位置、分葉征、血管集束征、邊緣是否模糊以及血清CEA、CYFRA21-1水平構(gòu)建的列線圖模型對(duì)肺結(jié)節(jié)良惡性風(fēng)險(xiǎn)有較好的預(yù)測(cè)價(jià)值,臨床實(shí)用價(jià)值較高,為肺結(jié)節(jié)的個(gè)體化治療提供了一種便捷實(shí)用的工具。
【學(xué)位單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R734.2;R730.44
【部分圖文】：

本研究建立的列線圖預(yù)測(cè)模型的ROC曲線

肺結(jié)節(jié)的惡性風(fēng)險(xiǎn)評(píng)估列線圖模型

肺結(jié)節(jié)的惡性風(fēng)險(xiǎn)評(píng)估列線圖模型的內(nèi)部驗(yàn)證通過 R 軟件采用 Bootstrap 自抽樣法，對(duì)樣本進(jìn)行 1000 次有放回的抽使用抽樣所得的新樣本對(duì)模型進(jìn)行內(nèi)部驗(yàn)證，并作出列線圖模型的校如圖 3 所示。通過衡量校正曲線中模型預(yù)測(cè)的惡性概率與實(shí)際的惡性合程度，來對(duì)列線圖模型的預(yù)測(cè)能力進(jìn)行評(píng)估和量化。圖中 x 軸表示型預(yù)測(cè)的惡性肺結(jié)節(jié)的風(fēng)險(xiǎn)概率，y 軸表示實(shí)際的惡性風(fēng)險(xiǎn)概率，虛測(cè)概率與實(shí)際概率相等時(shí)的理想?yún)⒖季�，實(shí)線表示通過內(nèi)部驗(yàn)證所得的校正曲線，實(shí)線與虛線擬合程度越高，代表列線圖模型預(yù)測(cè)的惡性際概率之間的最優(yōu)一致性。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 拓蓓瑜;楊衛(wèi)衛(wèi);;肺結(jié)節(jié)惡性風(fēng)險(xiǎn)評(píng)估方法的研究進(jìn)展[J];臨床誤診誤治;2019年02期

2 夏德剛;李傳文;王朝敏;蘇祥磊;;不典型肺結(jié)節(jié)病1例誤診分析及文獻(xiàn)復(fù)習(xí)[J];檢驗(yàn)醫(yī)學(xué)與臨床;2019年08期

3 楊舒程;高上蘭;賈惠;;Ⅱ、Ⅲ、Ⅳ級(jí)肺結(jié)節(jié)病各一例[J];中華肺部疾病雜志(電子版);2017年01期

4 孫慧男;韓志海;;肺結(jié)節(jié)病的影像學(xué)表現(xiàn)[J];中國臨床醫(yī)生雜志;2017年10期

5 江文洋;陳蕾;范國華;康敢軍;黃杰;;肺結(jié)節(jié)病的研究進(jìn)展[J];實(shí)用醫(yī)學(xué)雜志;2015年09期

6 周艷秋;田穎;吳迪;張楠;周云芝;王洪武;;巨噬細(xì)胞衍生趨化因子與肺結(jié)節(jié)病的相關(guān)性研究[J];中華臨床醫(yī)師雜志(電子版);2012年09期

7 趙明棟;夏偉;;肺結(jié)節(jié)病1例診治分析[J];中華肺部疾病雜志(電子版);2012年03期

8 周艷秋;田穎;山口悅朗;張楠;管潔;周云芝;王洪武;;巨噬細(xì)胞衍生趨化因子啟動(dòng)區(qū)內(nèi)基因多態(tài)性和肺結(jié)節(jié)病的相關(guān)性研究[J];中華臨床醫(yī)師雜志(電子版);2012年24期

9 解艷麗;解衛(wèi)平;顏萍;黃茂;沈平;;肺結(jié)節(jié)病患者不同時(shí)期肺功能變化研究[J];臨床肺科雜志;2011年05期

10 鐘亞花;周燕娟;黃剛;;肺結(jié)節(jié)病誤診原因分析[J];臨床肺科雜志;2011年05期

相關(guān)博士學(xué)位論文 前4條

1 王昌淼;基于胸部影像的肺結(jié)節(jié)檢測(cè)與分類關(guān)鍵技術(shù)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院);2018年

2 李祥霞;惡性肺結(jié)節(jié)計(jì)算機(jī)輔助診斷關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2018年

3 邱實(shí);基于格式塔原理的CT圖像肺結(jié)節(jié)檢測(cè)與分析算法[D];中國科學(xué)院大學(xué)(中國科學(xué)院西安光學(xué)精密機(jī)械研究所);2016年

4 劉佳寶;CT肺結(jié)節(jié)診斷的計(jì)算機(jī)輔助系統(tǒng)研究[D];首都醫(yī)科大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 苑丹丹;基于CT影像的肺結(jié)節(jié)檢測(cè)與提取方法的研究[D];天津工業(yè)大學(xué);2019年

2 高佳麗;胸部CT聯(lián)合血清腫瘤標(biāo)志物在肺結(jié)節(jié)良惡性鑒別診斷的價(jià)值[D];鄭州大學(xué);2019年

3 吳杰芳;深度卷積網(wǎng)絡(luò)骨抑制成像（deepBSI）與多種影像方法對(duì)肺結(jié)節(jié)診斷效能的臨床研究[D];南方醫(yī)科大學(xué);2018年

4 楊凱強(qiáng);基于深度學(xué)習(xí)算法對(duì)肺結(jié)節(jié)良惡性鑒別診斷研究[D];遵義醫(yī)學(xué)院;2018年

5 李想;解建國教授治療無明確手術(shù)指征的肺結(jié)節(jié)疾病經(jīng)驗(yàn)探尋[D];大連醫(yī)科大學(xué);2018年

6 張婷;基于CT圖像的肺結(jié)節(jié)臨床診斷語義標(biāo)注方法研究[D];湖南大學(xué);2018年

7 紀(jì)朋飛;基于醫(yī)學(xué)影像云的肺結(jié)節(jié)智能檢測(cè)算法的研究[D];東北大學(xué);2017年

8 孫培順;基于ELM的肺結(jié)節(jié)輔助診斷方法的研究與實(shí)現(xiàn)[D];東北大學(xué);2017年

9 李軍;基于HRCT影像肺結(jié)節(jié)自動(dòng)檢測(cè)方法研究[D];湖南大學(xué);2016年

10 冷銀萍;探討肺內(nèi)結(jié)節(jié)病的高分辨率CT表現(xiàn)及影像學(xué)特征[D];南昌大學(xué);2018年

本文編號(hào)：2853179