肺亚实性结节的影像学研究进展

肺亚实性结节的影像学研究进展【摘要】随着低剂量薄层胸部CT筛查早期肺癌项目的广泛开展，无症状肺亚实性结节（SSN）的检出率不断增高，引起了临床的广泛重视。过去10年里，聚焦肺SSN的影像学研究取得了显著进步和系列成果。尽管已有大量研究明确了肺SSN的影像学特征，为临床精准处理提供了依据，但在肺SSN的精准分层、临床管理及预后判断等方面，仍存在诸多问题。该文综述了影像学在肺SSN筛查与检出、定性研究、结节生长预测、管理、治疗、预后等方面的进展，旨在为临床实践提供更全面的参考。【关键词】肺肿瘤；体层摄影术；X线计算机；亚实性结节；进展肺亚实性结节（subsolidnodule，SSN）是指在CT图像上表现为局灶性、内含磨玻璃密度成分的结节（groundglassnodule，GGN）。根据有无实性成分，肺SSN可分为纯磨玻璃密度结节（pureGGN，pGGN）和混合磨玻璃密度结节（mixedGGN，mGGN）/部分实性结节［12］。由于肺SSN常呈惰性生长，且良恶性鉴别困难，故随访策略不统一，临床管理仍是一大挑战。本文就肺SSN的筛查与检出、定性研究、结节生长预测及管理、治疗、预后方面的现状及应用进行综述。一、肺SSN筛查与检出中的影像学进展1.影像学方法检出肺SSN的价值：肺结节的检出是肺癌筛查、早诊和治疗的前提，相较于实性结节，SSN的检出更具挑战性。胸部X线具有辐射小、成本低和普及度高的优势，但其提供的诊断信息有限，容易漏诊，故主要作用是肺结节的初筛［3］。CT能够清晰显示肺的细微结构，是检出肺SSN的首选方法，随着高分辨率CT的普及与早期肺癌筛查的广泛开展，SSN检出率显著提高［4］。MRI具有无辐射、软组织分辨率高的优势，但检查时间长、空间分辨率低，对SSN检出灵敏度不如CT［5］。PET/CT通过代谢差异能较好区分肺良恶性结节，但由于肺SSN惰性生长，代谢活动低，大多数诊断价值不大；此外，炎症等良性病变也可能出现代谢增强，从而导致假阳性［6］。2.低剂量CT早期肺癌筛查的现状：美国国家肺癌筛查试验显示，与X线相比，低剂量CT筛查肺癌的效能显著提高，肺癌死亡率相对降低20.0%，全因死亡率降低6.7%［4］。NELSON采用低剂量CT筛查肺癌，10年肺癌累积死亡率下降24%［7］。国际早期肺癌行动计划IELCAP研究显示，经低剂量CT确诊的肺癌患者，20年肺癌特异性生存率达81%［8］。我国的一项多中心、基于人群的前瞻性队列研究显示，筛查组与未筛查组的肺癌死亡率及全因死亡率的风险比分别为0.69、0.68，即接受过一次低剂量胸部CT筛查的患者，因肺癌导致的死亡率可降低31%，全因死亡率可降低32%［9］。上海地区一项多中心低剂量CT肺癌筛查结果显示，在所有检出的肺结节中，肺癌占3.48%，其中86%表现为SSN；此外，所有检出的肺结节中SSN占22.16%，直径小于5mm的肺结节占74.88%，而确诊为肺癌的患者中肺结节直径大于5mm占94.12%。因此，有研究者建议将直径≥5mm的非钙化肺结节作为低剂量CT筛查阳性结果的阈值［10］。随着低剂量CT在肺癌筛查中的普及，肺SSN的检出比例大幅增加，同时也带来了假阳性、辐射增高及过度诊断、过度治疗等问题［11］。因此精准分层、精准管理是肺结节的目前重大的临床课题。3.CT检查的辐射剂量控制：多数低剂量CT的辐射剂量大于胸部X线检查，且大量性质不确定的肺结节需要多次低剂量CT随访，这可能导致了辐射剂量累积的情况。因此如何控制CT检查的辐射剂量，确保患者筛查获益仍是临床研究的热点。Yao等［12］比较了不同CT管电压对肺结节检出率及形态准确度的影响，结果显示管电压为70kV与100kV时对肺结节检出率无显著差别，管电压为70kV时的图像噪声控制更好，而管电压为100kV时更能显示肺结节的真实形态。Nagatani等［13］评价了不同CT管电流对肺SSN可见性和对不同直径肺SSN显示度的影响，结果显示对于直径<8mm的肺SSN，管电流为7mAs与42mAs时，会出现结节直径和体积的高估，结节密度的低估，故不适合肺SSN的精确定量；对直径≥8mm的肺SSN，管电流大小影响较小，可保持与标准剂量（管电流为84mAs）时相当的直径、体积和密度等定量准确度。因此采用低毫安管电流适合用于肺结节的随访。Zhu等［14］探讨了超低剂量CT结合深度学习图像重建（deeplearningimagereconstruction，DLIR）技术评估肺SSN的可行性，其分别采用标准剂量CT和低剂量CT，并使用高强度和中强度DLIR、自适应统计迭代重建V技术以及滤波反投影法对低剂量CT图像进行重建，结果显示高强度DLIR表现最佳，接近标准剂量CT水平。相信未来会有更多图像重建方法用于胸部CT，以控制辐射剂量并提高图像质量。4.人工智能辅助诊断肺SSN的价值：人工智能软件能显著提高肺结节的检出率，并进行自动分类和量化，甚至可提供位置、形态、纹理等信息［15］，Nam等［16］基于人工智能软件将直径≥8mm的肺SSN检出率由0.25%提升至0.59%。Paramasamy等［17］采用商用人工智能肺结节CT检测系统检测肺结节，结果显示其检出肺结节的灵敏度为81.4%，对肺结节位置、钙化、毛刺分类准确度均>80%。但人工智能模型的泛化能力普遍有限。Kim等［18］采用公开数据集训练人工智能模型，在检测肺结节效能方面，内部验证集的曲线下面积为0.79，而在2个外部验证集中，曲线下面积分别为0.71、0.73，核心原因是不同医疗机构之间的病例谱、数据质量、设备与流程差异。此外，深度学习模型常因其“黑箱”特性而难以解释其内部决策机制。为提升模型的可解释性，现有研究主要围绕可视化热图（如GradientCAM、SHAP图）、概念激活向量以及自解释架构等方面展开［1922］。只有当人工智能具有可解释性时，算法决策过程才能被理解和信任，模型才能真正被放射科日常工作流程接纳。二、肺SSN定性研究的影像学进展肺SSN的病理基础是局灶性间质纤维化、炎症、出血、不典型腺瘤样增生（atypicaladenomatoushyperplasia，AAH）、原位腺癌（adenocarcinomainsitu，AIS）、微浸润腺癌（minimallyinvasiveadenocarcinoma，MIA）、部分浸润性腺癌（invasiveadenocarcinoma，IAC）等［23］，而IAC又分为贴壁型、腺泡型、乳头型、微乳头型、实体型5种亚型。pGGN在良性病变中多见，常见于肺局灶性间质纤维化、慢性炎症、出血、AAH、AIS及少数MIA。2021年WHO将AAH和AIS归为腺体前驱病变，由于其生长缓慢，生物学行为良性，预后较好，通常采取随访处理［24］。MIA或IAC常表现为mGGN［23］。目前，肺SSN的诊断主要依赖于CT表现和放射科医师经验，但肺SSN形态千变万化，单纯依赖视觉鉴别其良恶性不仅耗时且错误率较高，故采用正确的方法判断肺SSN的性质对后续管理十分重要。目前，关于肺SSN的定性研究大多围绕病灶位置、大小、形态、密度、边缘、实性成分占比（consolidationtumorratio，CTR）以及内部结构、周围改变等方面展开。肺良性SSN密度通常较均匀，如果肺SSN表现为密度不均匀或密度均匀结节/部分实性结节随访过程实性成分增加，则表示其恶性概率增大［25］。不同亚型肺SSN的平均CT值差异存在统计学意义，有研究认为区分侵袭性和非侵袭性肺SSN的CT阈值为‒557HU，区分MIA和IAC的CT阈值为‒484HU［26］。Cohen等［27］分析了肺结节的CT纹理，发现无滤波正像素均值、标准差、细纹理的偏度能够有效区分AIS、MIA与IAC。CTR是高分辨率CT肺窗上肿瘤最大实性成分直径与最大径的比率，其与肺SSN的病理亚型呈正相关，CTR越高，高危亚型可能性越大，组织学分级越高［2830］。CTR<0.25几乎全部为贴壁型腺癌或MIA，0.25≤CTR<0.50为贴壁型与腺泡/乳头混合型，CTR=0.50被认为是肺SSN中侵袭性的临界值，高危（含微乳头/实体）比例显著升高。此外，CTR在确定周围性肺癌是否存在淋巴结转移以及淋巴结清扫的必要性和程度方面具有重要诊断价值［31］。大量影像组学研究被用于肺结节的良恶性判断。Huang等［32］开发并验证了一种基于深度学习和影像组学的全肺基线CT特征模型来预测肺SSN的良恶性，结果证实基于临床形态学特征、全肺组学特征和全肺影像学特征的联合模型表现最好，在外部测试集中诊断恶性肺SSN准确度高达96.88%。但影像组学仍处于科学研究阶段，未能取得临床转化，且影像组学存在数据标准化程度不足、模型泛化能力低、生物学可解释性差，临床易用性差等问题，这些也是未来影像组学研究需要解决的问题［33］。由于单一形态特征指标鉴别肺SSN良恶性的灵敏度和特异度较低，且在确定侵袭性方面效能不佳，故更有效的方法是建立包含许多变量的联合深度学习模型。Chen等［34］利用CT图像结合临床特征构建深度学习模型，区分肺SSN患者的MIA和IAC，显示出良好的诊断效率和判别能力，在外部验证集中曲线下面积为0.914。Wang等［35］提出了两阶段深度学习策略，先进行先验特征学习，然后进行自适应增强深度学习，所提出的策略提高了分类肺SSN侵袭性的性能。医学影像大模型通过训练海量医学影像数据，实现对疾病的自动识别、分类、病灶分割、报告生成等功能，是近年来的研究热点。Mao等［36］评估了大语言模型GPT4o在处理随访CT图像上肺结节的能力，该模型可对结节大小及内部密度变化进行动态监测，可间接反映不同密度类型肺结节的动态特征，提高了肺SSN的恶性预测能力。基础模型是指在大规模数据上预训练的能够适应多种下游任务的通用模型。Pai等［37］提出了一种面向癌症影像生物标志物发现的基础模型，该模型采用自监督对比学习策略，在涵盖肺SSN等多种病灶类型的公开数据集上，对深度卷积编码器进行预训练。结果表明，在涉及肺SSN解剖位置分类和恶性预测等任务中，该模型的表现优于传统监督学习方法和现有的预训练模型，尤其在训练样本极为有限的条件下，仍展现出优异的稳健性和高效性。Ma等［38］构建了一个完全开放的医学影像基础模型Ark+，在未针对特定数据集进行训练的情况下，Ark+在包含肺SSN的肺结节检测任务中，曲线下面积高达0.89，显著优于其他模型。总之，随着算法的持续迭代以及技术的加速演进，医学影像大模型的性能有望取得更多突破。三、预测肺SSN生长的影像学研究进展预测肺SSN生长是制定随诊方案、决定是否需要进一步处理的重要依据。目前，对肺SSN的生长判定主要依赖于CT检查。Fleischner学会指南将肺SSN生长的标准定义为：（1）结节直径或实性成分直径增加2mm以上；（2）pGGN中出现新的实性成分［39］。NELSON肺癌筛查试验中对肺结节生长的定义为肺结节体积增加至少25%［40］。此外，体积倍增时间（volumedoublingtime，VDT）及质量倍增时间（massdoublingtimeoftumor，MDT）也是衡量肺SSN生长的关键，对于VDT<400d的肺SSN，其恶性可能性高［41］。肺SSN惰性的生物学行为给肺SSN生长的判定带来困难。有研究发现，80%的pGGN和60%的mGGN的大小可长期保持不变，直径≥6mm的肺SSN在保持5年稳定后，再生长的概率较低，即使最终证实为肺癌也较少发生转移［42］。由于MDT融合了密度信息，故其对判断惰性肺腺癌的生长更敏感，同一组数据中MDT往往比VDT短，能更早地识别肺结节的生长［43］。此外，任何新发的肺SSN或肺SSN实性成分的增加，即使其VDT较长，也应被视为潜在的浸润性信号。有研究将肺SSN中实性成分的VDT单独计算，以预测恶性进展，结果显示灵敏度可提高22%。因此，建议将pGGN演变为mGGN，以及mGGN中实性成分的增加，单独列为生长事件［44］。此外，吸烟、肿瘤病史、性别和年龄等因素均与肺SSN生长具有显著关系。影像学特征如大小、形态、CT定量参数等也与肺SSN生长相关。结合临床特征、影像学特征及影像组学构建模型可以更好地预测肺SSN生长［45］。Wu等［46］基于影像组学特征研究了直径≤3cm肺SSN的生长特征，并结合临床和语义参数构建预测模型。结果证实，包含影像组学特征的模型在预测肺SSN显著增长和分期改变生长方面，曲线下面积均优于仅含临床和语义特征的模型，可为临床决策和随访策略提供指导。四、肺SSN临床管理的进展目前对肺SSN管理较权威的指南有Fleischner学会指南、美国胸科医师学会（AmericanCollegeofClinicalPharmacology，ACCP）指南、美国国家综合癌症网络（NationalComprehensiveCancerNetwork，NCCN）以及中华医学会指南等［1，39，4749］。这些指南在具体内容上存在异同，版本也在不断更新。相同点为：（1）采用密度分类，将肺SSN分为pGGN和mGGN，然后以结节大小为核心分层依据，结合患者风险因素（吸烟史、家族史、基础肺部疾病等）制订个体化方案。（2）认同生长、实性成分出现或增加提示恶性，认识到SSN需要长期随访。不同点为：（1）在干预时机上，Fleischner指南以肺SSN直径6mm作临界值，直径<6mm不需要常规随访；直径≥6mm的pGGN初始随访时间为6~12个月，之后每2年随访1次至5年；对于直径≥6mm且实性成分直径<6mm的mGGN，初始随访时间为3~6个月，之后每年随访1次至5年，实性成分直径≥6mm的mGGN，初始随访时间为3~6个月，之后考虑PET/CT检查、肺SSN活检或手术切除。中华医学会指南以肺SSN直径5mm作为临界值进行分类管理，直径≤5mm的pGGN需6个月影像随访，随后行胸部CT年每年随访1次；直径>5mm的pGGN需3个月影像随访如果无变化，则每年1次常规随访。mGGN直径≤8mm在3、6、12和24个月进行影像随访，无变化者转为常规每年随访1次；mGGN直径>8mm每3个月影像随访1次，若结节持续存在，建议使用PET、非手术活检和（或）手术切除进一步评估。ACCP指南对pGGN和mGGN则分别以5mm和8mm为界进行管理。NCCN则强调实性成分直径≥5mm时恶性风险显著升高，推荐手术切除，同时需进行靶点检测。（2）在高危人群的界定上，中华医学会指南将筛查年龄降至40岁，早于欧美国家的50~55岁。同时明确推荐人工智能影像辅助评估，提出“人机多学科综合治疗协作组”模式，用于精准测量结节大小、密度及动态变化，以弥补人工测量局限性。随着临床证据的积累及科技的不断发展，各指南版本也有迭代更新。Fleischner指南在最新版本基础上，结合NLST、NELSON等筛查数据，认为小尺寸（<6mm）SSN恶性风险<1%，故将pGGN随访阈值从5mm调整至6mm，减少了早期随访频率，但延长了总随访时间至5年，强调实性成分大小比结节总大小更重要。ACCP最新版首次系统纳入肺SSN，认识到了单独管理肺SSN的重要性。中华医学会指南则在2024版做了特色更新：将筛查年龄降至40岁，引入肺癌生物标志物做参考，强调人工智能辅助和人机多学科综合治疗协作组。综上所述，这些管理指南的共同目标是在避免肺癌漏诊的同时，减少非癌性肺结节患者因不必要的侵入性检查或手术而带来的并发症风险，实现个体化、精准化的肺结节管理。结合以上指南，对肺SSN的管理应遵循风险分层、精准评估、个体化干预、长期随访核心原则。五、肺SSN的治疗及预后进展外科手术是处理疑似恶性肺SSN的首选手段。其适应证包括［50］：（1）直径≥15mm的持续性pGGN；（2）实性成分直径≥5mm的持续性mGGN；（3）影像学出现恶性征象（毛刺、分叶、胸膜改变等）；（4）动态随访后结节增长。此外，对于直径≤2cm且CTR≤0.25的肺SSN，密切观察可能是更适宜的选择。研究显示，这类患者的5年生存率在观察组和手术组分别为100%和99.0%［51］。对于位于肺外1/3、直径≤20mm、CTR≤0.25的肺SSN，首选楔形切除；对于直径≤20mm、CTR>0.5的肺SSN，首选肺段切除加肺门和纵隔淋巴结清扫。对于无法耐受手术或拒绝手术的患者，局部消融治疗（射频消融、微波消融、冷冻消融）是重要替代方案［49］。预后方面，不同肺SSN的预后不同，浸润前病变的5年生存率接近100%，IAC的5年生存率取决于分化程度，分化越差预后越差。气腔播散（spreadthroughairspaces，STAS）是肺癌第4种侵袭方式，指肺癌细胞脱离主瘤体后，沿肺泡腔和细支气管等天然气腔结构，向周边肺实质播散，形成与原瘤体不连续的卫星灶。STAS被视为术后局部复发和远期不良预后的独立高危因素，STAS阳性通常建议扩大切除范围或改为肺叶切除以降低复发风险。Zhang等［52］采用CTR等4项指标构建了逻辑回归模型，其预测STAS的曲线下面积为0.726，灵敏度为95.2%。影响肺SSN预后的独立危险因素有年龄、SSN位置、大小、CTR、CT值等，这些因素可用于进一步风险分层，指导个体化治疗决策。六、总结与展望关于肺SSN的影像学研究为肺SSN的诊断、鉴别和预后评估提供了更多依据，也为临床医师提供了更多的工具和方法来进行临床管理。然而，由于肺SSN的复杂性和多样性，仍需要更多的研究来揭示其生长和发展规律。与此同时，肺SSN存在过度诊断与治疗的问题，由于其呈惰性生长，关于手术时机的问题虽已进行一些探索但还未得出共识。此外，临床实践的复杂性要求医师需要综合考虑患者的个体差异、病史以及其他相关因素对肺SSN的影响。因此，未来的研究不仅需要继续深化影像学技术的应用，还应加强与临床实践的结合，以实现更好的诊疗效果。目前对肺结节的人工智能模型研究很多，这些技术的应用有望提升影像学诊断的客观性和准确度，但其可解释性往往较差且存在临床转化瓶颈，有效性与安全性还有待进一步验证。未来的研究将继续探索多中心大样本数据库的建立与共享，以增强模型的鲁棒性。同时加强多学科合作与沟通，进一步提高肺SSN患者的精准化和个性化诊断和治疗水平，最终提高患者的生存率和生活质量。参考文献[1]BankierAA,MacMahonH,ColbyT,etal.FleischnerSociety:glossaryoftermsforthoracicimaging[J].Radiology,2024,310(2):e232558.DOI:10.1148/radiol.232558.[2]ChenH,KimAW,HsinM,etal.The2023AmericanAssociationforThoracicSurgery(AATS)ExpertConsensusDocument:managementofsubsolidlungnodules[J].JThoracCardiovascSurg,2024,168(3):631-647.e11.DOI:10.1016/j.jtcvs.2024.02.026.[3]BradleySH,BhartiaBS,CallisterME,etal.ChestX-raysensitivityandlungcanceroutcomes:aretrospectiveobservationalstudy[J].BrJGenPract,2021,71(712):e862-e868.DOI:10.3399/BJGP.2020.1099.[4]NationalLungScreeningTrialResearchTeam,AberleDR,AdamsAM,etal.Reducedlung-cancermortalitywithlow-dosecomputedtomographicscreening[J].NEnglJMed,2011,365(5):395-409.DOI:10.1056/NEJMoa1102873.[5]CavionCC,AltmayerS,ForteGC,etal.DiagnosticperformanceofMRIforthedetectionofpulmonarynodules:asystematicreviewandmeta-analysis[J].RadiolCardiothoracImaging,2024,6(2):e230241.DOI:10.1148/ryct.230241.[6]OwensC,HindochaS,LeeR,etal.Thelungcancers:stagingandresponse,CT,18F-FDGPET/CT,MRI,DWI:reviewandnewperspectives[J].BrJRadiol,2023,96(1148):20220339.DOI:10.1259/bjr.20220339.[7]deKoningHJ,vanderAalstCM,deJongPA,etal.Reducedlung-cancermortalitywithvolumeCTscreeninginarandomizedtrial[J].NEnglJMed,2020,382(6):503-513.DOI:10.1056/NEJMoa1911793.[8]HenschkeCI,YipR,ShahamD,etal.A20-yearfollow-upoftheInternationalEarlyLungCancerActionProgram(I-ELCAP)[J].Radiology,2023,309(2):e231988.DOI:10.1148/radiol.231988.[9]LiN,TanF,ChenW,etal.One-offlow-doseCTforlungcancerscreeninginChina:amulticentre,population-based,prospectivecohortstudy[J].LancetRespirMed,2022,10(4):378-391.DOI:10.1016/S2213-2600(21)00560-9.[10]FanL,WangY,ZhouY,etal.Lungcancerscreeningwithlow-doseCT:baselinescreeningresultsinShanghai[J].AcadRadiol,2019,26(10):1283-1291.DOI:10.1016/j.acra.2018.12.002.[11]刘士远.重视肺结节临床处理中的过度诊疗问题[J].中华放射学杂志,2021,55(11):1113-1116.DOI:10.3760/112149-20201123-01256.[12]YaoY,SuX,DengL,etal.Effectsoftubevoltage,radiationdoseandadaptivestatisticaliterativereconstructionstrengthlevelonthedetectionandcharacterizationofpulmonarynodulesinultra-low-dosechestCT[J].CancerImaging,2024,24(1):123.DOI:10.1186/s40644-024-00770-z.[13]NagataniY,MoriyaH,NomaS,etal.AssociationoffocalradiationdoseadjustedoncrosssectionswithsubsolidnodulevisibilityandquantificationoncomputedtomographyimagesusingAIDR3D:comparisonamongscanningat84,42,and7 mAs[J].AcadRadiol,2018,25(9):1156-1166.DOI:10.1016/j.acra.2018.01.024.[14]ZhuH,HuangZ,ChenQ,etal.Feasibilityofsub-millisievertlow-dosecomputedtomographywithdeeplearningimagereconstructioninevaluatingpulmonarysubsolidnodules:aprospectiveintra-individualcomparisonstudy[J].AcadRadiol,2025,32(4):2309-2319.DOI:10.1016/j.acra.2024.11.042.[15]QuanyangW,LinaZ,YaoH,etal.Applicationofcomputer-aideddetectionforNCCN-basedfollow-uprecommendationinsubsolidnodules:effectoninter-observeragreement[J].CancerMed,2024,13(2):e6967.DOI:10.1002/cam4.6967.[16]NamJG,HwangEJ,KimJ,etal.AIimprovesnoduledetectiononchestradiographsinahealthscreeningpopulation:arandomizedcontrolledtrial[J].Radiology,2023,307(2):e221894.DOI:10.1148/radiol.221894.[17]ParamasamyJ,MandalS,BlomjousM,etal.ValidationofacommerciallyavailableCAD-systemforlungnoduledetectionandcharacterizationusingCT-scans[J].EurRadiol,2025,35(2):1076-1088.DOI:10.1007/s00330-024-10969-0.[18]KimJY,RyuWS,KimD,etal.Betterperformanceofdeeplearningpulmonarynoduledetectionusingchestradiographywithpixellevellabelsinreferencetocomputedtomography:dataqualitymatters[J].SciRep,2024,14(1):15967.DOI:10.1038/s41598-024-66530-y.[19]SelvarajuRR,CogswellM,DasA,etal.Grad-CAM:visualexplanationsfromdeepnetworksviagradient-basedlocalization[J].IntJComputVision,2020,128(2):336-359.DOI:10.1007/s11263-019-01228-7.[20]ChenS,DengT,YangQ,etal.Developmentandvalidationofanexplainablemachinelearningmodelforpredictingpostoperativepulmonarycomplicationsafterlungcancersurgery:amachinelearningstudy[J].EClinicalMedicine,2025,86:103386.DOI:10.1016/j.eclinm.2025.103386.[21]GhorbaniA,ZouJ,WexlerJ,etal.Towardsautomaticconcept-basedexplanations[C]//32ndConferenceonNeuralInformationProcessingSystems(NeurIPS2019).Vancouver(CA),2019.[22]HouJ,LiuS,BieY,etal.Self-eXplainableAIformedicalimageanalysis:asurveyandnewoutlooks[DB/OL].(2025-04-23)./abs/2410.02331.[23]GaoJW,RizzoS,MaLH,etal.Pulmonaryground-glassopacity:computedtomographyfeatures,histopathologyandmolecularpathology[J].TranslLungCancerRes,2017,6(1):68-75.DOI:10.21037/tlcr.2017.01.02.[24]NicholsonAG,TsaoMS,BeasleyMB,etal.The2021WHOclassificationoflungtumors:impactofadvancessince2015[J].JThoracOncol,2022,17(3):362-387.DOI:10.1016/j.jtho.2021.11.003.[25]LoverdosK,FotiadisA,KontogianniC,etal.Lungnodules:acomprehensivereviewoncurrentapproachandmanagement[J].AnnThoracMed,2019,14(4):226-238.DOI:10.4103/atm.ATM_110_19.[26]HeS,ChenC,WangZ,etal.Theuseofthemeancomputed-tomographyvaluetopredicttheinvasivenessofground-glassnodules:ameta-analysis[J].AsianJSurg,2023,46(2):677-682.DOI:10.1016/j.asjsur.2022.07.031.[27]CohenJG,ReymondE,MediciM,etal.CT-textureanalysisofsubsolidnodulesfordifferentiatinginvasivefromin-situandminimallyinvasivelungadenocarcinomasubtypes[J].DiagnIntervImaging,2018,99(5):291-299.DOI:10.1016/j.diii.2017.12.013.[28]ZhaL,Matsu-UraT,SlukaJP,etal.Morphologicalbasisofthelungadenocarcinomasubtypes[J].iScience,2024,27(5):109742.DOI:10.1016/j.isci.2024.109742.[29]SajiH,OkadaM,TsuboiM,etal.Segmentectomyversuslobectomyinsmall-sizedperipheralnon-small-celllungcancer(JCOG0802/WJOG4607L):amulticentre,open-label,phase3,randomised,controlled,non-inferioritytrial[J].Lancet,2022,399(10335):1607-1617.DOI:10.1016/S0140-6736(21)02333-3.[30]TsutaniY,SuzukiK,KoikeT,etal.High-riskfactorsforrecurrenceofstageⅠlungadenocarcinoma:follow-updatafromJCOG0201[J].AnnThoracSurg,2019,108(5):1484-1490.DOI:10.1016/j.athoracsur.2019.05.080.[31]WuY,SongW,WangD,etal.Prognosticvalueofconsolidation-to-tumorratiooncomputedtomographyinNSCLC:ameta-analysis[J].WorldJSurgOncol,2023,21(1):190.DOI:10.1186/s12957-023-03081-y.[32]HuangW,DengH,LiZ,etal.Baselinewhole-lungCTfeaturesderivingfromdeeplearningandradiomics:predictionofbenignandmalignantpulmonaryground-glassnodules[J].FrontOncol,2023,13:1255007.DOI:10.3389/fonc.2023.1255007.[33]KannBH,HosnyA,AertsH.Artificialintelligenceforclinicaloncology[J].CancerCell,2021,39(7):916-927.DOI:10.1016/j.ccell.2021.04.002.[34]ChenX,FengB,ChenY,etal.ACT-baseddeeplearningmodelforsubsolidpulmonarynodulestodistinguishminimallyinvasiveadenocarcinomaandinvasiveadenocarcinoma[J].EurJRadiol,2021,145:110041.DOI:10.1016/j.ejrad.2021.110041.[35]WangJ,ChenX,LuH,etal.Feature-sharedadaptive-boostdeeplearningforinvasivenessclassificationofpulmonarysubsolidnodulesinCTimages[J].MedPhys,2020,47(4):1738-1749.DOI:10.1002/mp.14068.[36]MaoY,XuN,WuY,etal.AssessmentsoflungnodulesbyanartificialintelligencechatbotusinglongitudinalCTimages[J].CellRepMed,2025,6(3):101988.DOI:10.1016/j.xcrm.2025.101988.[37]PaiS,BontempiD,HadzicI,etal.Foundationmodelforcancerimagingbiomarkers[J].NatMachIntell,2024,6(3):354-367.DOI:10.1038/s42256-024-00807-9.[38]MaD,PangJ,GotwayMB,etal.AfullyopenAIfoundationmodelappliedtochestradiography[J].Nature,2025,643(8071):488-498.DOI:10.1038/s41586-025-09079-8.[39]MacMahonH,NaidichDP,GooJM,etal.GuidelinesformanagementofincidentalpulmonarynodulesdetectedonCTimages:fromtheFleischnerSociety2017[J].Radiology,2017,284(1):228-243.DOI:10.1148/radiol.2017161659.[40]XuDM,GietemaH,deKoningH,etal.NodulemanagementprotocoloftheNELSONrandomisedlungcancerscreeningtrial[J].LungCancer,2006,54(2):177-184.DOI:10.1016/j.lungcan.2006.08.006.[41]TangEK,WuYJ,ChenCS,etal.Predictionofthestageshiftgrowthofearly-stagelungadenocarcinomasbyvolume-doublingtime[J].QuantImagingMedSurg,2024,14(6):3983-3996.DOI:10.21037/qims-23-1759.[42]KobayashiY,MitsudomiT.Managementofground-glassopacities:shouldallpulmonarylesionswithground-glassopacitybesurgicallyresected?[J].TranslLungCancerRes,2013,2(5):354-363.DOI:10.3978/j.issn.2218-6751.2013.09.03.[43]SongYS,ParkCM,ParkSJ,etal.Volumeandmassdoublingtimesofpersistentpulmonarysubsolidnodulesdetectedinpatientswithoutknownmalignanc