目的 探討人工智能（artificial intelligence，AI）肺結節定量參數預測肺磨玻璃結節（ground-glass nodule，GGN）浸潤程度的臨床價值。方法 回顧性分析2019年10月—2021年5月濱州醫學院附屬煙臺山醫院連續收治168例肺腺癌患者的臨床資料，其中男43例、女125例，年齡21～78（55.76±10.88）歲。部分病例表現為多發GGN，且同一患者的不同病灶作為獨立樣本進行分析。178個GGN被分為兩組，將原位腺癌（24個）和微浸潤腺癌（77個）劃分為非浸潤組，浸潤性腺癌（77個）劃分為浸潤組。比較兩組間肺結節AI定量參數的差異，并以受試者工作特征曲線和二元logistic回歸模型評估AI定量參數對GGN病灶侵襲程度的預測價值。結果 （1）兩組間參數比較：除性別因素（P=0.115）外，浸潤組肺結節長徑［15.10（11.50，21.60）mm vs. 8.90（7.65，11.15）mm］、肺結節短徑［10.80（8.85，15.20）mm vs. 7.40（6.10，8.95）mm］、腫瘤實性成分比值［13.58%（1.61%，63.76%） vs. 0.00%（0.00%，0.67%）］、平均CT值［–347.00（–492.00，–101.50）Hu vs. –598.00（–657.50，–510.00）Hu］、最大CT值［40.00（–40.00，94.50）Hu vs. –218.00（–347.00，–66.50）Hu］、最小CT值［–584.00（–690.50，–350.00）Hu vs. –753.00（–786.00，–700.00）Hu］、結節危險度（高危結節占比，92.2% vs. 66.3%）、惡性概率［91.66%（85.62%，94.92%） vs. 81.81%（59.98%，90.29%）］及年齡［（59.93±8.53）歲 vs. （52.04±12.10）歲］明顯大于或高于非浸潤組（P均<0.001）。（2）單一量化參數的預測價值最高為肺結節長徑（曲線下面積=0.843），最低為危險度（曲線下面積=0.627）；3種參數中任意兩兩聯合：肺結節長徑、平均CT值、腫瘤實性成分比值均可提高AI的預測價值。（3）Logistic回歸分析顯示，肺結節長徑及平均CT值是預測浸潤性腺癌的獨立危險因素。（4）當腫瘤實性成分比值閾值為1.775%時，診斷浸潤性腺癌靈敏度為0.753、特異度為0.851。結論 AI量化參數可有效預測GGN的浸潤程度，為臨床醫生提供可靠的參考依據。
目的 探討人工智能（artificial intelligence，AI）量化參數鑒別臨床Ⅰ期浸潤性腺癌（invasive adenocarcinoma，IAC）病理分級的應用價值。方法 回顧性分析2018年10月—2023年5月煙臺山醫院收治IAC患者的臨床資料。依據2021年WHO肺腺癌病理分級標準，將267例IAC分為Ⅰ級48例、Ⅱ級89例和Ⅲ級130例，比較各組間參數的差異，并采用logistic回歸分析評估AI量化參數對Ⅲ級IAC的預測效能。通過LASSO回歸分析篩選參數，并基于這些參數構建三種機器學習模型來預測Ⅲ級IAC，并進行內部驗證以評估其效能，用列線圖進行可視化描述。結果 共納入261例IAC患者的臨床資料，其中男101例、女160例，年齡27～88（61.96±9.17）歲。6例為雙原發病灶，且同一患者的不同病灶作為獨立樣本進行分析。（1）三組組間比較：實性成分占比（consolidation/tumor ratio，CTR）、長徑、短徑、惡性概率、CT平均值、CT最大值、CT最小值、CT中位值、CT標準差、峰度、偏度和熵等參數差異均有統計學意義（P＜0.05）；（2）兩組組間比較：將Ⅰ級和Ⅱ級合并，與Ⅲ級進行單因素分析，結果提示除了年齡外，其余變量差異均有統計學意義（P＜0.05）。多因素分析提示CTR和CT標準差是鑒別Ⅲ級IAC的獨立危險因素，兩者呈負相關。（3）病理特征的比較：Ⅰ級無淋巴結轉移，Ⅱ級有2例發生淋巴結轉移且均伴有微乳頭成分，Ⅲ級有19例發生淋巴結轉移。Ⅲ級IAC有更晚的TNM分期、更多的病理高危因素、更高的淋巴結轉移率和高級別結構占比。（4）相關性分析：在所有患者中CTR與高級別結構占比呈正相關。在Ⅲ級中兩者呈正相關，而在Ｉ級與Ⅱ級中無相關性。（5）采用LASSO回歸分析篩選出CTR和CT中位值2個參數，分別構建并驗證logistic、隨機森林和XGBoost模型。其中，XGBoost模型預測效能最佳。結論 當CTR＞39.48%、CT標準差＜122.75 Hu時，需警惕為Ⅲ級IAC。基于聯合CTR和CT中位值構建XGBoost模型對Ⅲ級IAC有較好的預測效果，有助于臨床醫師做出個性化的臨床決策。