推薦語
採用低劑量CT對肺癌高危人群進行篩查可使肺癌死亡率下降20%，但其中的假陽性率也高達24%？哪部分人可稱之為高危人群？目前國內外有哪些肺癌篩查相關研究？從影像學特徵上進行肺結節良惡性診斷有技巧嗎？惡性風險預測該怎麼做？篩選早期肺癌有前景的方法又在何方？河南省人民醫院張曉菊教授在CACP 2018上做了全面權威的講解，《呼吸界》特此整理分享。
1
肺癌篩查現狀
2013《NCCN 非小細胞肺癌臨床實踐指南》中推薦低劑量螺旋（LDCT）篩查肺癌，並肯定其可減少肺癌高危人群的死亡。菸草暴露是肺癌的首要致病因素，85%~90% 的肺癌是由直接或間接吸菸引起。
？
但是，有報導指出篩查的假陽性率也高達24％。
2011年，美國國家肺癌篩查試驗（NationalLung Screening Trial）的隨機對照研究結果顯示，與拍X光胸片相比，採用低劑量CT對肺癌高危人群進行篩查可使肺癌死亡率下降20%。
NLST肺癌篩查研究項目
研究對象：於2002年8月至2004年4月招募美國33個醫療中心的53454名肺癌高風險人群為研究對象。
入選標準：55~74歲，30盒/年吸菸史，或曾經30盒/年吸菸史但戒菸未超過5年的人群。
對象處理：將研究對象隨機分為低劑量CT組（26722人，每年3次低劑量CT篩查）、胸片組（26732人，每年3次胸片篩查），並收集截至2009年12月31日時各組肺癌病例數和肺癌死亡數。
結果：90%的研究對象完成了篩查，篩查人群的平均年齡為62歲，平均吸菸約50盒/年，與拍X光胸片相比，採用低劑量CT對肺癌高危人群進行篩查可使肺癌死亡率下降20%。
全球四大著名的肺癌篩查研究項目
1
I-ELCAP（國際肺癌早期篩查）
1993年開始
基於低劑量螺旋CT
入組：31567
因沒有隨機對照，飽受爭議
2
NLST（美國國立肺癌篩查）
2002開始，2009結束
33個多中心研究
入組：53454
基於LDCT對比胸片
3
NELSON（荷蘭-比利時肺癌篩查）
2003年開始
基於LDCT對比胸片
入組：15822
4
ECLS（英國肺癌早篩）- NHS
2012年開始，2018年結束
基於血液肺癌7種自身抗體
入組：12000
篩查手段：X線、生物標誌物、低劑量螺旋CT、風險因素
歐洲放射協會、歐洲呼吸學會在2015年4月30日聯合發表一個針對肺癌篩查的白皮書：
Leading US medical societies recommend large scale screening for high risk individuals
美國醫學協會推薦對高危人群大規模篩查
There are no lung cancer screening recommendations or reimbursed screening programmes in Europe as yet
歐洲到目前還沒有篩查推薦和醫保支付項目
對低劑量螺旋CT的擔心：
低劑量螺旋CT的高假陽性（96.4%）
輻射暴露致癌風險
NLST肺癌篩查研究項目
存在問題：
基NLST的標準，估計會產生10%的過度診斷；危險因素只考慮了年齡和吸菸，其他因素如職業暴露史、肺部基礎病史等未考慮到；假陽性率偏高，假陽性結果會造成不必要的幹預和過度焦慮從而對患者造成潛在傷害。
2
肺癌篩查模型及相關研究
肺癌篩查模型可以作為優化篩查效果及質量的潛在工具，準確的識別肺癌高危人群，能夠最大限度的提高肺癌篩查的好處。
人們越來越認識到，不是選擇使用簡單的二分風險因素對吸菸者進行篩查，而是根據人口統計學、臨床和吸菸特徵進行個體化風險計算，可以大大提高CT篩查計劃的有效性和效率。因此，美國NCCN最近的肺癌篩查指南允許使用個體化風險模型對吸菸者進行篩查，不同的模型用於不同的篩查人群。
01
Bach 肺癌篩查模型
該模型納入了18172名肺癌高風險吸菸者，設定研究目標終點為1年肺癌發生率，目標人群主要針對既往吸菸者，最終可得到可靠的預測因素包括：年齡；性別；吸菸程度、持續時間、戒菸年數；石棉暴露；其曲線下面積為0.72，模型精度相對一般。
02
Spitz模型
該模型納入人群為hospital-based population，包括1851例肺癌病例組及2001例正常對照組，研究目標終點為1年肺癌發生率；其將目標人群分為3組，正在吸菸人群、既往吸菸人群及從未吸菸人群。
其結果表明：
正在吸菸組的預測因素包括：吸菸包年、肺氣腫、花粉過敏、吸菸相關癌症家族史、石棉暴露、粉塵暴露，其曲線下面積AUC：0.58；
既往吸菸組的戒菸年齡、肺氣腫、花粉過敏、吸菸相關癌症家族史、石棉暴露、粉塵暴露；其曲線下面積AUC：0.63；
從未吸菸組：環境中的菸草暴露、吸菸相關癌症家族史，如果以0.75為界值的話，可見其精度均相對較低。其曲線下面積AUC：0.57。
03
利物浦LLP肺癌篩查模型
利物浦LLP肺癌篩查模型，其納入579例肺癌患者為病例組，1157例年齡性別匹配的正常人群為對照組；研究目標終點為5年肺癌發生率，其研究人群選為一般人群。結果可見，其相對有意義的危險因素包括：吸菸持續時間；肺炎病史；腫瘤病史；家族肺癌史；石棉暴露。其曲線下面積0.7；精度相對一般。
04
PLCO肺癌篩查模型
PLCO肺癌篩查模型的納入人群選用了36826例PLCO試驗的對照組人群（即55~74歲的有吸菸史的人群）；並分別採用37332例PLCO試驗的吸菸幹預組人群：55~74歲正在吸菸人群和51033例NLST試驗的參與人群進行了驗證；其研究目標終點為6年肺癌發生率；目標人群為既往吸菸人群。
最終結果表明其危險因素包括：年齡；種族；教育程度；BMI；吸菸狀態、程度、持續時間、戒菸年數；COPD；腫瘤病史；家族肺癌史。
其在PLCO 人群中的曲線下面積為0.797；在NLST人群中曲線下面積為0.701；精度相對一般。
05
來自JAMA的一個肺癌篩查模型
這裡分為2部分。
第一部分：納入人群為PLCO研究中的對照組
納入人群
PLCO研究中的對照組：39180例吸菸者，年齡在55~74歲
驗證：PLCO研究中的幹預組：39822例吸菸者，年齡在55~74歲，以及NLST研究中26554對照組
研究目標：肺癌5年發生率
目標人群：既往吸菸人群
預測因素：年齡；性別；教育程度；種族；BMI；吸菸狀態、包年、持續時間、戒菸時間；肺氣腫；家族肺癌史；
AUC：1、PLCO 0.80 2、NLST 0.70
（在PLCO人群中的曲線下面積為0.80； 在NLST人群中的曲線下面積為0.70）
第二部分：納入人群為PLCO研究中的對照組
納入人群：
PLCO研究中的對照組：39180例吸菸者，年齡在55~74歲
驗證：PLCO研究中的幹預組：39822例吸菸者，年齡在55~74歲；及NLST研究中26554對照組；及NHIS研究中29091例年齡50~80歲的吸菸者
研究目標：肺癌5年死亡率
目標人群：既往吸菸人群
預測因素：年齡；性別；教育程度；種族；BMI；吸菸狀態、包年、持續時間、戒菸時間；肺氣腫；家族肺癌史；
AUC：1、PLCO 0.81 2、NHIS 0.78
（在PLCO人群中的曲線下面積為0.81； 在NHIS人群中的曲線下面積為0.78）
06
Bach模型外部驗證
這是為了排除不同人群對模型的精度造成幹擾。
由上圖可以看出，實際肺癌人口比例與從Bach絕對風險模型中獲得的預期比例之間的差異會隨著隨訪時間的延長而增加。
5年後吻合度有所降低，其總體一致指數等於0.69（95%Cl=0.66~0.72）。
07
PLCO模型外部驗證
PLCOm2012是基於美國數據的邏輯回歸模型，納入社會人口學和健康因素可以預測吸菸者6年的肺癌風險，因此可能會更好預測那些可能受益於篩查的人，而不僅僅是基於年齡和吸菸的標準。此篇文章驗證了PLCOm2012在一組澳大利亞吸菸者預測肺癌方面的表現。
納入人群：95,882名年齡≥45歲的吸菸者
結果：總共診斷1035例肺癌
結論：較好的AUC：（0.8 ， 95%Cl 0.78~0.81）
敏感性較高：（69.4％，95％CI 65.6-73.0％）
特異性較低：（72.0％，95％CI 71.7-72.4％）
此篇文章對比了比較三種模型：LLP模型、Spitz模型、Bach模型的區分能力和精確度。
結果表明：LLP模型和Spitz模型具有相等區分能力（0.69），而Bach模型的功效顯著較低（0.66；P=0.02）。 Spitz模型的陽性預測值最高，而LLP模型的陰性預測值最高。Spitz模型和Bach模型的靈敏度較低，但特異性較好。
識別高危人群
由於篩查項目需要巨大的經費，肺癌篩查的衛生經濟學效益問題就成了一個飽受爭議的問題。因此，需合理、準確地選擇篩查對象，儘量降低「無效篩查」的比例，即識別「高危人群」。
2017年《NCCN 非小細胞肺癌臨床實踐指南》中指出：高危人群指吸菸30年包的正在吸菸或既往吸菸的菸民（既往吸菸的戒菸少於15年）、年齡55~74歲且無肺癌證據，目前仍在吸菸或戒菸不足15年（1類）。
美 國 胸 科 醫 師 協會（ACCP）及美國臨床腫瘤協會（ASCO）、美國癌症協會（ACS）對高危人群的界定與NCCN指南相似。
另外還有ATS與USPSTF對高危人群的界定標準。
美國胸外科協會（ATS）：高危人群：在55～79歲、 吸菸≥30包/年的人群及≥50歲、吸菸≥20包/年且同時合併其他肺癌危險因素[如慢性 阻 塞 性 疾 病（COPD）、 環境或職業暴露、 既往罹患癌症、 接受過放射治療、 家族史等人群。
美 國 預 防 服 務 工 作 組（USPSTF）：高危人群：55～ 80 歲，吸菸 30 包/年，或符合上述條件的曾經吸菸者且戒菸不足 15年，但戒菸已超過 15年， 或已有威脅壽命的健康問題， 或者不能承受或不願意進行肺部手術者可不作為高危人群進行篩查。
3
肺結節風險預測模型
肺結節發病情況？
由於美國國家肺篩查試驗（NLST）報告顯示，篩查可明顯改善選定的肺癌高危患者的死亡率，許多癌症學會，以及美國預防服務工作組（USPSTF）都已建議對相關人群進行肺癌 CT 篩查。在未來幾年裡，其胸部 CT 的檢查數量，以及偶然發現的肺結節數量，可能還會有顯著的增長。
！
隨著肺癌篩查的推廣，肺結節的檢出率程逐年上升的趨勢，國內多項大型肺癌檢查試驗，結節的發生率已經從 8% 升至 51%。
Risk factors for pulmonary nodules in north China: A prospective cohort study
方法：2014年1月至2016年3月期間，在河北省對32438名40至75歲的受試者開展了一個大型前瞻性隊列研究 ，對受試者完成一份問卷並接受低劑量CT（LDCT），隨訪到2017年3月。
結果：本研究共納入7752名受試者，其中肺結節患者2040例（26.32%）；年齡、吸菸、二手菸暴露、飲食因素、職業暴露、疾病史和家族史可能影響肺結節的發病率；其中蔬菜消費，茶葉和豆類降低了風險，約10.09%和8.58%的肺結節發病率分別是由於吸菸和低水果攝入量；估計有6.36%和3.88%的肺結節患者可歸因於癌症家族史和肺部疾病史。
肺結節公認的臨床危險因素？
年齡
吸菸或曾經吸菸
腫瘤史（包括家族史）
肺部慢性炎症
石棉、放射性物質暴露
對於任何肺結節病人的決策，均應從對患者的危險分層，及對其不同幹預策略的效益 / 風險諮詢服務開始。
惡性肺結節的影像學特徵？
分葉徵
毛刺徵
棘突徵
空泡徵
細支氣管充氣徵
血管集束徵
胸膜牽拉徵
肺結節惡性概率的計算？
這在一定程度上能輔助臨床醫生對肺結節做出初步的評估。
肺結節惡性風險預測？
數學模型具有客觀、精確、穩定及可重複等優點，一個特異度好、靈敏度高的數學模型能夠在一定程度上消除醫生的主觀臆斷。
現在美國胸科醫師學會（ACCP）、英國胸科協會（BTS）指南以及2015年「肺部結節診治中國專家共識」，均明確的推薦使用數學模型對初診肺結節進行惡性風險的評估，以下將為大家介紹以下肺結節惡性風險預測模型的相關研究：
1、美國梅奧模型（Mayo Clinic模型）
美國梅奧模型作為最經典的數學模型之一，在建立時收集了1984年1月1日至1986年5月1日間共計629例（男性320，女性309）經胸部X線新發現的不確定的肺結節，直徑在4mm至30mm之間。
入組病例中，65%的SPN被確診為良性結節，23%為惡性，其中有12%的SPN無明確的病理診斷（隨訪2年無明顯變化者判斷為良性）。
基於採集的臨床及影像學信息，通過多因素回歸分析計算出影像肺結節良惡性的獨立危險因素，分別為年齡、吸菸史、惡性腫瘤史、直徑、毛刺徵、位於上葉，將篩選出的獨立危險因素及相關係數帶入函數方程，得到風險預測模型。
T=ex/(1+ex)；x=-6.8272+(0.0391×年齡)+（0.7917×吸菸史）+（1.3388×惡性腫瘤史）+（0.1274×直徑）+（1.0407×毛刺徵）+（0.7838×上葉）
結論：該模型AUC為0.8328，檢驗精度較高，但是在SPN良惡性判斷上與臨床醫生的判斷相比並無統計學的差異。值得注意的是，Mayo模型對低度惡性或良性SPN的評價會更加客觀。
2、A Clinical Model To Estimate the Pretest Probability of Lung Cancer in Patients With Solitary Pulmonary Nodules
美國退伍軍人事務部在10個不同地區的 VA 站點登記收集了532名參與者資料（1988年9月和2001年6月之間，CSP 027 研究）。
每個受試者最終通過手術或活檢獲得的明確的病理診斷，或當 SPN 發現後臨床隨訪X線至少2年且穩定，可診斷為良性肺結節。
VA模型：T=ex/(1+ex)；x=-8.404+（2.061×吸菸史)+（0.779×年齡）+（0.112×直徑）-（0.567×戒菸時間（10年））
結論：模型精度較好 (AUC, 0.79; 95% CI, 0.74 到 0.84)， 預測惡性概率與惡性spn 的觀測頻率有很好的一致性。
3、北大模型
利用371例患者資料建立模型，62例患者進行驗證，並與Mayo、VA模型進行對比，北大模型的AUC為0.888，高於MAYO及VA模型的0.747、0.707。
收集2000年1月到2009年9月期間，共有手術切除並且有明確病理診斷的SPN患者371例，用於數學模型的建立；
收集2009年10月到2010年5月期間，經手術切除且明確病理診斷的SPN患者62例，例經過手術確診的SPN患者，用於數學模型的驗證；
北大模型的AUC為0.888，高於Mayo及VA模型的0.747、0.707，AUC優於另外3種模型，但是與Brock model差異無統計學意義。
T=ex/(1+ex)；x=-4.496 +(0.07×年齡)+（0.676×直徑）+（0.736×毛刺徵）+（1.267×腫瘤家族史）-（1.615×鈣化）-（1.408×邊界清楚）
結論：北大模型（AUC0.888）的預測精度高於Mayo模型（AUC0.747）及VA模型（AUC0.707）
4、南方醫科大學建立的預測模型
回顧收集2005年1月至2011年12月病例，共收集312例經過手術確診的SPN患者，用於數學模型的建立；
收集2012年1月到2014年12月期間病例，共收集120例經過手術確診的SPN患者，用於數學模型的驗證。
T=ex/(1+ex)；x=-14.417+(0.111*年齡)+(1.009*吸菸史)+(2.597*直徑)+(1.056×毛刺徵) + (−1.258×邊界清楚) + (1.184×Cyfra21-1)
結論：（首次將與Cyfra21-1加入模型之中），該模型AUC為0.910，與Brock model、VA model、北大模型及Mayo model相比，檢驗效能更高，但是與Brock model差異無統計學意義。
5、LCBP風險預測模型
在本研究的受試者中，收集342例被檢出肺結節的受試者資料，163例受試者用於建立肺結節惡性風險預測模型，179例用於對模型檢驗效能的驗證及對比；該模型納入的評估指標包括：危險因素（年齡、性別、吸菸史），CT影像數據和基於ARCHITECT檢測平臺的4項腫瘤標誌物（ProGRP，CYFRA21-1，CEA 和SCC）
LCBP模型：x=-2.9169+(0.03*年齡)+(1.0721*吸菸史)+(0.306*腫瘤病史)+(-0.7012*性別)+(-0.000155*ProGRP)+(0.0151*SCC)+(0.1238*Crfra21-1)+(-0.00043*CEA)
結論：該模型AUC為0.915，LCBP 模型對肺結節患者進行危險分層，其敏感性達 94.6%，特異性可達 94.2%，同時通過對比發現，LCBP 模型較美國的 ACCP 模型更適合國內肺癌高危人群進行肺結節的風險評估。
6、A Mathematical Model: Risk Prediction Solitary Pulmonary Nodule
收集2015年1月至2016年10月期間就診於河南省人民醫院經外科手術治療且有明確病理診斷的肺結節患者，共有患者346例，其中266例患者資料建立模型，另80例病例用於驗證數學模型。
p=ex/(1+ex),x= -4.339+（0.040×年齡）-（1.018×瘤-肺界面光滑）-（1.220×瘤-肺界面清楚）+（1.016×空泡徵）+（2.211×分葉徵）+（2.449×血管集束徵）
結論：本模型的AUC為0.908，高於北大模型（0.647）及梅奧模型（0.783），差異有統計學意義（P＜0.05）
7、Validation of two models to estimate the probability of malignancy in patients with solitary pulmonary nodules
該研究通過外部人群對Mayo及VA模型進行驗證，外部驗證數據集納入人群：共151例患者，96%為男性，平均年齡為 66.9 歲，80%為白種人，95%的非西班牙裔或拉丁裔，惡性腫瘤比例為44%。
結論：梅奧模型的 ROC 曲線下面積（0.80；95% CI 0.72 至 0.88）高於 VA 模型（0.73；95% CI 0.64 至 0.82），但這一差異沒有統計學意義（P= 0.07；95% CI 20.03 到 0.16）
與梅奧模型相比，VA 模型是由一個相對較高的惡性腫瘤患病率（54%）的樣本開發的。所以在此次驗證中，VA模型高估了我們驗證樣本中患者的惡性腫瘤概率。
因此，臨床醫生的可以選擇同時使用這兩種模型進行預測：梅奧模型可以提供低限，VA 模型將提供上限。或者，在某些情況下，使用 VA 模型代替梅奧模型可能也是合理的，因為高估結節的惡性概率要比低估好的多。
8、A retrospective validation study of three models to estimate the probability of malignancy in patients with small pulmonary nodules from a tertiary oncology follow-up centre
這個外部驗證研究通過702名患者，對McWilliams、Mayo及VA模型進行驗證及比較，最後得出曲線下面積（AUC）分別為0.82、0.62和0.58。
三種模型中，McWilliams模型檢驗效能最好，但是McWilliams模型在既往惡性腫瘤的患者中表現較差，而Mayo和 VA 模型在該組的表現略好。
但是，三種模型均低估了本驗證樣本的惡性概率，建議在使用預測模型之前，應首先評估當地人群的特點。
4
肺結節最新研究進展
1、Dynamic contrast-enhanced MRI versus 18F-FDG PET/CT: Which is better in differentiation between malignant and benign solitary pulmonary nodules？
方法：對49例SPNs患者進行前瞻性研究，其中32例為惡性SPNs。所有患者均行動態增強磁共振成像（DCE-MRI）和18F-FDG PET/CT檢查。使用擴展的FETTS線性模型計算定量MRI藥物動力學參數，包括跨內皮轉移常數（KTRAN）、再分布速率常數（KEP）和分數體積（VE）。另外還測量18F-FDG PET/CT參數，最大標準攝取值（SUVMAX）。
結果：
KTRAN、KEP和SUVMAX值在良惡性結節間有顯著性差異（P＜0.05）。
KTRAN、KEP和SUVMAX的ROC曲線下面積分別為0.909、0.838和0.759。
KTRAN對惡性和良性SPN敏感性和特異性分別為90.6%和82.4%；KEP分別為87.5%和76.5%；SUVMAX分別為75%和70.6%。
KTANK和KEP的敏感性和特異性均高於SUVMAX，但差異無統計學意義（P＞0.05）。
！
磁共振呈像MRI對於肺結節的鑑別診斷有重要臨床意義
2、Vasculature surrounding a nodule: a novel lung cancer biomarker
收集來自匹茲堡肺篩查研究（PulsS）中的100名受試者的LDCT掃描數據集（50名肺癌，50名良性結節）。對於肺癌病例，分析已知的惡性結節，而良性病例中，選取最大結節用於分析。
開發一種計算機算法來識別周圍血管並量化連接或接近結節的血管數量和體積。
結果：非肺癌組中，附著於結節的血管數量為4（±4.3），肺癌組中則為9.7（9.6±4.3），肺癌組附著於結節的血管數量顯著多於非肺癌組。
在LDCT肺癌篩查中，周圍血管特徵可作為判斷不確定結節的肺癌生物標誌物。
3、
在LDCT篩查的8313名志願者中，隨機選擇32個磨玻璃結節（GNS）患者和19名健康志願者。同時有15例肺癌患者也入選。CellCollector是一種新的CTC捕獲裝置，用於CTC檢測。
經檢測：GGNs組有6例CTC陽性患者，15.6%例為陽性；在肺癌組中，73.3%CTCs陽性；健康組未見CTCs陽性事件。
GGNs組檢測到的所有CTCs均從細胞集落功能域中分離，並通過全基因組測序（NGS）分析，NGS數據顯示：3個肺癌相關基因在5例CTCs陽性患者中存在突變，包括KIT、SMARCB1和TP53基因，4例患者中有16個突變基因存在。
！
LDCT結合CTCs檢測是篩選早期肺癌的一種很有前景的方法。
4、Detection of Lung Cancer and EGFR Mutation by Electronic Nose System
方法：將金納米顆粒傳感器陣列電子鼻應用到良性結節、肺癌（早期16例）及攜帶EGFR突變的肺癌患者組在呼氣的鑑別中。
結果：有119例患者參與，其中良性結節30例，肺癌 89例（早期16例，晚期73例）。
攜帶EGFR突變的肺癌患者（n=19）可與野生型（n=34）項鑑別，準確性為83%，敏感性為79%，特異性為85%；早期肺癌與良性結節的鑑別準確率為87%，陽性預測值和陰性預測值分別為87.7和87.5%。重度吸菸者的LC與從未吸菸或遠近的輕度吸菸者的鑑別（準確率為76%）。
5、Clinical Utility of Chromosomal Aneusomy in Individuals at High Risk of Lung Cancer
人群來自以下四項試驗：Colorado High Risk Cohort，NLST，匹茲堡肺篩查研究（PLUS）和Colorado Pulmonary Nodule BiomarkerTrial（PuNBaT），利用螢光原位雜交（FISH）技術對痰染色體的異常進行分析。
進行巢式病例對照研究，CA-FISH法的ROC曲線和曲線下面積（AUC）。
？
痰液CA-FISH陽性率高，提示它可作為高危人群LDCT的輔助治療手段。然而，篩查，其陽性似然比較低限制了臨床實用性。
肺結節質量增長比例（MPR）相對於單純的直徑和體積增長（VDT），有更好的精準性、一致性，並且可重複性較好。
53例患者的CTTA圍繞病變和對側正常實質，提取了4個地區的20個紋理特徵，包括Haralick、Laws特徵和匯總統計；發現CTTA能夠識別結節周圍微環境中的紋理變化，這些實質變化可作為惡性腫瘤的生物標誌物。
來自牛津大學的一項研究發現：肺癌的CT紋理分析（CTTA）已被確定為惡性腫瘤的潛在成像標誌物。
總結：
肺癌篩查能夠減低肺癌高危人群死亡率，意義重大；在開展肺癌篩查時，如何精準的的識別高危人群至關重要；肺癌篩查模型對高危人群的篩選，顯示了良好的精度；肺結節惡性風險預測模型能夠對不確定的肺結節做出初步評估，輔助臨床決策；越來越多的基於本地人群的大數據能夠幫助我們更好的診斷肺結節的良惡性。
參考文獻（可上下滑動瀏覽）
[1] National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low dose computed tomographic screening[J]. N Engl J Med, 2011, 2011(365): 395-409.
[2] The National Lung Screening Trial: Overview and Study Design. Radiology. 2010.
[3] Ettinger DS，Akerley W，Borghaei H，et a1．Non-small cell lung cancer，version 2．2013[J]．J Natl Compr Cane Netw，2013，11(6)：645-653．
[4] National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low-dose computed tomographic screening[J]. New England Journal of Medicine, 2011, 365(5): 395-409.
[5] Kovalchik S A, Tammemagi M, Berg C D, et al. Targeting of low-dose CT screening according to the risk of lung-cancer death[J]. New England Journal of Medicine, 2013, 369(3): 245-254
[6] Bach PB, Kattan MW, Thornquist MD, Kris MG, Tate RC, Barnett MJ, et al. Variations in lung cancer risk among smokers. J Natl Cancer Inst. 2003;95(6):470–8.
[7] Spitz MR, Hong WK, Amos CI, Wu X, Schabath MB, Dong Q, et al. A risk model for prediction of lung cancer. J Natl Cancer Inst.2007;99(9):715–26
[8] Cassidy A, Myles JP, van TongerenM, Page RD, Liloglou T, DuffySW, et al. The LLP risk model: an individual risk prediction modelfor lung cancer. Br J Cancer. 2008;98(2):270–6.
[9] Tammemagi MC, Katki HA, Hocking WG, Church TR, Caporaso N, Kvale PA, et al. Selection criteria for lung-cancer screening. N Engl J Med. 2013;368(8):728–36.
[10] Katki HA, Kovalchik SA, Berg CD, Cheung LC, Chaturvedi AK. Development and validation of risk models to select ever-smokers for CT lung cancer screening. JAMA. 2016;315(21):2300–11.
[11] Cronin KA, Gail MH, Zou Z, Bach PB, Virtamo J, Albanes D.Validation of a model of lung cancer risk prediction among smokers. J Natl Cancer Inst. 2006;98(9):637–40.
[12] Weber M, Yap S, Goldsbury D, Manners D, Tammemagi M,Marshall H, et al.Identifying high risk individuals for targeted lung cancer screening: independent validation of the PLCOM2012 risk prediction tool. Int J Cancer. 2017;
[13] D』Amelio AM Jr, Cassidy A, Asomaning K, Raji OY, Duffy SW,Field JK, et al. Comparison of discriminatory power and accuracy of three lung cancer risk models. Br J Cancer. 2010;103(3):423–9.
[14] Jaklitsch MT, Jacobson FL, Austin JH, et al. The American Association for Thoracic Surgery guidelines for lung cancer screening using low-dose computed tomography scans for lung cancer survivors and other high-risk groups[J].J Thorac Cardiovasc Surg, 2012, 144 （1） :33-38
[15] Moyer VA. Screening for lung cancer: U.S. Preventive Services Task Force recommendation statement[J].Ann Intern Med, 2014, 160 （5） :330-338.
[16] Gould MK, Donington J, Lynch WR, Mazzone PJ, Midthun DE,Naidich DP, et al. Evaluation of individuals with pulmonary nodules:when is it lung cancer? Diagnosis and management of lungcancer, 3rd ed: American College of Chest Physicians evidencebasedclinical practice guidelines. Chest. 2013;143(5 Suppl):e93S–e120S.
[17] Swensen S J, Silverstein M D, Edell E S, et al. Solitary pulmonary nodules: clinical prediction model versus physicians[C]//Mayo Clinic Proceedings. Elsevier, 1999, 74(4): 319-329.
[18] Gould MK, Ananth L, Barnett PG. A clinical model to estimate the pretest probability of lung cancer in patients with solitary pulmonary nodules. Chest.
2007;131(2):383–8.
[19] Li Y, Chen K Z, Wang J. Development and validation of a clinical prediction model to estimate the probability of malignancy in solitary pulmonary nodules in Chinese people[J]. Clinical lung cancer, 2011, 12(5): 313-319.
[20] Zhang M, Zhuo N, Guo Z, Zhang X, Liang W, Zhao S, et al.Establishment of a mathematic model for predicting malignancyin solitary pulmonary nodules. J Thorac Dis. 2015;7(10):1833–41.
[21] Yang DW, Zhang XJ, Powell CA, et al. Probability of Cancer in High-Risk Patients Predicted by the Protein-Based Lung Cancer Biomarker Panel in China: LCBP Study. Cancer, 2018, 124(2):262-270.
[22] Schultz EM, Sanders GD, Trotter PR, Patz EF Jr, Silvestri GA, Owens DK, et al. Validation of two models to estimate the probability of malignancy in patients with solitary pulmonary nodules.Thorax. 2008;63(4):335–41.
[23] Talwar A, Rahman NM, Kadir T, Pickup LC, Gleeson F. A retrospective validation study of three models to estimate the probability of malignancy in patients with small pulmonary nodules from a tertiary oncology follow-up centre. Clin Radiol. 2017;72(2): 177.e1–8.
[25] Feng F, Qiang F, Shen A, et al. Dynamic contrast-enhanced MRI versus 18F-FDG PET/CT: Which is better in differentiation between malignant and benign solitary pulmonary nodules?[J]. Chinese Journal of Cancer Research, 2018, 30(1): 21.
[26] J Thorac Dis 2018;10(Suppl 7):S797-S806
專家介紹
張曉菊
河南省人民醫院呼吸與危重症醫學科，科主任，博士生導師，享受河南省政府特殊津貼，全國優秀中青年呼吸醫師獎，美國加州大學舊金山分校（UCSF）博士後，中華醫學會呼吸病學分會青年委員，中華醫學會呼吸病學分會肺癌學組委員，中國醫師協會呼吸醫師分會委員等。