基于人工智能随访预测肺结节增长的影响因素研究

背景肺癌的发病率和死亡率均居世界首位,5年生存率不到20%,对于早期肺癌的筛查有多种方式,其中人工智能(AI)极大提高了早期肺癌的检出率,但目前仍存在对不典型肺结节如何有效管理以尽早发现早期肺癌的问题,探究肺结节增长的影响因素对指导临床管理具有重要意义。目的探讨AI随访肺结节增长的影响因素及临床应用价值。方法回顾性选取2019年4月就诊于锦州医科大学附属第三医院的175例肺结节患者作为研究对象,根据AI分类分为实性结节组82例和磨玻璃结节(GGN)组93例。收集研究对象的一般资料,并利用AI计算收集肺结节相关影像学信息,定期随访以观察不同肺结节的增长情况,应用多因素Cox比例风险回归分析探讨肺结节增长的影响因素。结果实性结节组的实性占比、平均CT值高于GGN组(P<0.001)。多因素Cox比例风险回归分析结果显示,结节平均直径〔HR=2.185,95%CI(1.079,4.425),P=0.030〕、结节体积〔HR=1.001,95%CI(1.000,1.001),P=0.022〕、恶性概率〔HR=2.232,95%CI(1.036,4.806),P=0.040〕及表面征象〔HR=2.125,95%CI(1.006,4.489),P=0.048〕是实性结节增长的影响因素;平均直径〔HR=2.458,95%CI(1.053,5.739),P=0.038〕、体积〔HR=1.001,95%CI(1.000,1.002),P=0.010〕、实性占比〔HR=1.022,95%CI(1.002,1.041),P=0.030〕、恶性概率〔HR=2.386,95%CI(1.174,4.850),P=0.016〕及表面征象〔HR=3.026,95%CI(1.492,6.136),P=0.002〕、平均CT值〔HR=1.002,95%CI(1.000,1.003),P=0.045〕是GGN增长的影响因素。结论肺结节增长受原始结节大小、平均CT值、有无表面征象及恶性概率等多种因素影响,建议临床医师结合AI计算的肺结节增长影响因素确定有效随访时间,以尽早发现肺结节增长并及时采取治疗措施。

把挚爱载进职业

动人以言者,其感不深;动人以行者,其应必速。在整个抗疫期间,面对危险与困难,我始终冲锋在前,吃苦在先。从青葱岁月到半百之年,我一直工作在临床护理一线。从一个青涩懵懂的小护士,成长为一名主任护师、教授和硕士研究生导师,我对这个职业载满了挚爱。这些年来,不论带领哪个护理团队,我始终把护理质量看成护理工作的生命。从护理病历书写、操作规范到抢救流程,每个细节我都反复强调,严格把关,绝不允许出现任何纰漏。