这篇文档属于类型a，即报告了一项原创研究。以下是基于文档内容的学术报告：
作者与发表信息
本研究的主要作者包括Yun-Ju Wu、Yung-Chi Liu、Chien-Yang Liao、En-Kuei Tang和Fu-Zong Wu，他们分别来自台湾高雄荣民总医院、厦门长庚医院等机构。该研究于2021年发表在《Scientific Reports》期刊上，题目为“A comparative study to evaluate CT-based semantic and radiomic features in preoperative diagnosis of invasive pulmonary adenocarcinomas manifesting as subsolid nodules”。
学术背景
本研究属于医学影像学与肺癌诊断领域。随着低剂量CT（LDCT）在肺癌筛查中的广泛应用，亚实性结节（subsolid nodules, SSNs）的检出率显著增加，尤其是在亚洲非吸烟人群中。这些结节在肺癌腺癌谱系中表现出异质性，包括非典型腺瘤样增生（AAH）、原位腺癌（AIS）、微浸润腺癌（MIA）和浸润性肺腺癌（IPA）。术前准确区分浸润性病变与浸润前病变对临床决策至关重要。因此，本研究旨在通过CT影像的语义特征和放射组学特征，预测≤3 cm的SSNs的病理浸润性，为临床提供更精准的诊断工具。
研究流程
研究分为训练队列和验证队列两部分。训练队列包括2016年2月至2020年3月间的186名患者（203个SSNs），验证队列包括2020年4月至2020年8月间的50名患者（57个SSNs）。所有患者均经手术病理证实为肺腺癌谱系病变。研究的主要流程如下：
1. CT影像获取与处理：使用不同型号的CT扫描仪（如Siemens Somatom Sensation 16、Toshiba Aquilion 64、GE Revolution CT）获取术前薄层CT影像（层厚≤2.5 mm）。影像由两名放射科医生独立评估，包括结节类型、形态特征（如囊性变、空气支气管征）和定量特征（如结节大小、实性成分比例）。
2. 放射组学特征提取：使用开源软件LIFEX（版本5.10）对SSNs进行手动三维分割，提取41个放射组学特征，包括强度、形状、二阶及高阶特征（如灰度共生矩阵GLCM、灰度游程矩阵GLRLM等）。
3. 病理评估：手术切除的标本经HE染色后，由两名资深病理学家根据2011年IASLC/ATS/ERS分类标准进行病理诊断，分为浸润前病变（AAH、AIS、MIA）和浸润性病变（IPA）。
4. 统计分析：使用单变量和多变量逻辑回归分析CT特征与病理浸润性的关系，构建诊断模型。通过ROC曲线评估模型性能，计算AUC值、敏感性、特异性等指标。此外，还比较了放射组学特征、常规CT特征和经验丰富的放射科医生的诊断性能。
主要结果
1. 训练队列结果：在203个SSNs中，106个为浸润性病变，97个为浸润前病变。多变量逻辑回归分析显示，放射组学特征GLCM_entropy_log10是预测肺腺癌浸润性的独立预测因子（OR: 38.081, 95% CI 2.735–530.309, p = 0.007）。其AUC值为0.878，敏感性和特异性分别为84.8%和79.2%。
2. 验证队列结果：GLCM_entropy_log10在验证队列中表现出良好的判别能力，AUC值为0.923。校准曲线显示模型在训练和验证队列中均具有良好的拟合度。
3. 诊断性能比较：放射组学特征的诊断性能优于常规CT形态特征和经验丰富的放射科医生。例如，GLCM_entropy_log10的AUC值显著高于异常囊性变（0.542）、空气支气管征（0.764）等形态特征。
结论与意义
本研究提出了一种基于单一放射组学特征（GLCM_entropy_log10）的简化诊断模型，能够有效区分浸润性肺腺癌与浸润前病变。其诊断性能优于常规CT特征和放射科医生的主观判断，为SSNs的术前诊断提供了更精准的工具。此外，研究还构建了基于GLCM_entropy_log10的列线图（nomogram），可辅助临床医生在SSNs管理中做出决策。
研究亮点
1. 创新性：首次使用单一放射组学特征（GLCM_entropy_log10）构建简化诊断模型，显著提高了诊断效率和准确性。
2. 临床价值：为SSNs的术前诊断提供了定量化、标准化的工具，有助于减少主观判断的偏差。
3. 技术优势：采用开源软件LIFEX进行放射组学特征提取，确保了方法的可重复性和推广性。
其他有价值内容
研究还探讨了不同CT扫描仪和扫描参数对放射组学特征的影响，为未来多中心研究的标准化提供了参考。此外，研究建议未来开发基于深度学习的自动结节分割方法，以进一步提高放射组学特征提取的效率和准确性。