作者：吕登，望云，刘士远，海军军医大学第二附属医院放射诊断科

2015 年，世界卫生组织正式提出气腔播散( spread through air spaces，STAS)的定义，即肿瘤细胞以微乳头状细胞簇、实性癌巢或单个肿瘤细胞的形式出现在主肿瘤周边的肺组织内，并确定STAS 为肺腺癌的第四类侵袭方式。随后的研究表明肺鳞癌、肺多形性癌、肺神经内分泌肿瘤、肺小细胞癌亦存在STAS，对于STAS 阳性肺癌患者而言，选择肺叶切除术较亚肺叶切除术可以获得更好的预后。

目前诊断STAS 的金标准为术后病理，但对STAS 阳性患者临床治疗方案的选择缺乏时效性，术前穿刺、术中冰冻病理检查存在灵敏度不高、组织样本有限、诊断时间较短等局限性。因此术前无创、全面反映肿瘤特征的影像学检查得到广泛关注。本文对近年来影像学预测STAS 方面的研究进行综述，旨在探索术前准确预测肺癌STAS 状态的新思路、新方法。

1.基于CT 影像学特征的预测研究

CT 检查技术因广泛普及、简单便捷和快速高效的特点而成为肺癌早期筛查、诊断、疗效评估的主要手段。目前一些研究表明，部分肺癌CT 影像学特征与STAS 状态存在相关性。Kim 等进行了一项回顾性研究发现，STAS 好发于表现为实性结节的肺腺癌，其中实性成分百分比(consolidation tumor ratio，CTR)是STAS 的独立预测因素，以90% 为阈值，预测STAS 阳性的敏感度为89.2%，特异度为60.3%。de Margerie-Mellon 等对亚实性肺腺癌进行研究，结果发现肿瘤总平均直径、实性成分平均直径和CTR 与STAS 阳性呈正相关。

Toyokawa 等研究发现肺腺癌患者肿瘤胸膜切迹征阳性、磨玻璃影阴性与STAS 阳性呈正相关。随后，Li等对578 例任意分期肺腺癌患者进行回顾性研究，通过构建多因素Logistic 回归模型预测STAS，结果显示最佳预测变量包括年龄、肿瘤最大径和CTR，模型的受试者工作特征曲线曲线下面积(AUC)值为0.80。Zhang 等对762 例临床IA 期肺腺癌患者进行分析，发现STAS 阳性与支气管充气征、肿瘤最大径、实性成分最大径和CTR 呈正相关，构建的模型的AUC 值为0.73，灵敏度和特异度分别为95.2% 和36.8%。

Qi 等对190 例直径≤2 cm 肺腺癌进行研究，发现CTR、磨玻璃带状征、胸膜接触、囊性空腔为STAS 的独立预测因素，使用CTR 预测STAS 的AUC 值为0.76。Chen等对434 例临床IA 期外周型肺腺癌患者进行研究，多因素Logistic 回归分析确定实性成分百分比、分叶征为STAS 的独立预测因素，上述变量构建的诺莫图对STAS 具有良好的预测性能，其在验证集中的准确度、灵敏度、特异度、阳性预测值和阴性预测值分别为70.6%、92.3%、66.7%、33.3% 和98.0%。

Qin 等分析503 例任意分期的浸润性肺腺癌患者资料，发现实性成分最大径、空泡征、毛刺征是STAS 的独立预测因素，当实性成分最大径为1.18 cm 时，预测STAS 的AUC 值为0.757，灵敏度为73.9%，特异度为69.1%。虽然CT 影像学特征的评估多依赖于放射诊断医师的经验，存在一定的主观性，不同的纳排标准，得出来的结论也不尽相同。但总体来说，CT 示肿瘤CTR 越高，STAS 阳性率越高，提示肿瘤侵袭性更高。

2. 基于18 F-FDG PET/ CT 的预测研究

18 F-FDG PET/ CT 不仅可以显示肿瘤的形态学信息及与之邻近结构的解剖关系，也可反映肿瘤的代谢活性，提示肿瘤的侵袭性。Suh 等对387 例直径≤2 cm 的非小细胞肺癌患者进行研究，发现STAS 的存在与肿瘤大小、18 F-FDGPET/ CT 上的肿瘤/ 肝脏标准摄取值比值呈正相关，与CT 上的磨玻璃影百分比、组织病理为贴壁生长为主的呈负相关。由上述变量构建的模型预测STAS 的敏感度、特异度分别为79.3%、68.5%。

Wang 等回顾性分析127 例I 期肺腺癌患者术前18 F-FDG PET/ CT 相关数据，对SUVmax、SUVmean、SU-Vpeak、代谢性肿瘤体积(metabolic tumor volume，MTV)、糖酵解总量(total lesion glycolysis，TLG)、肿瘤直径和肿瘤体积(computed tomography volume，CTV)等参数进行多因素Logis-tic 回归分析，构建STAS 风险预测模型，结果发现SUVmax 和TLG 是预测STAS 有价值的指标，建立的预测模型特异度为88.6%、准确度为71.1%。段晓蓓等分析80 例T1-T2 期肺腺癌患者术前18 F-FDG PET/ CT 及病理相关数据，多因素Logistic 回归分析提示肿瘤SUVmax、病理示肿瘤存在微乳头状结构及淋巴结转移为STAS 阳性的独立预测因素，受试者工作特征(ROC)曲线分析示SUVmax 最佳临界值为3.85 时，AUC 值为0.737，灵敏度为91.7%，特异度为55.9%，准确度61.2%，SUVmax联合病理微乳头状结构及淋巴结转移的AUC值为0.945，灵敏度为91.7%，特异度为88.2%，准确性度88.7%。

Nishimori 等回顾性分析了52 例患者(55 个病灶)术前18 F-FDG PET/ CT 相关参数来预测临床I 期肺腺癌STAS 状态，结果发现SUVmax 在两组间有显著差异，MTV 和TLG 在两组间差异无统计学意义，ROC 曲线分析提示，当SUVmax临界值取2.48 时，SUVmax 预测STAS 的敏感度为89.5%，特异度为52.8%，AUC 值为0.74。目前研究表明SUVmax是预测STAS 的重要检查指标，SUVmax 值越高，STAS的阳性率越高，提示肿瘤的代谢活性和侵袭性越强。但基于18 F-FDG PET/ CT 预测STAS 的研究多为回顾性研究，病例纳入存在偏倚，病例数较少，且研究结果缺乏外部验证，需要进一步研究来评估18 F-FDG PET/ CT 对预测STAS 状态的价值。

3. 基于影像组学的预测研究

影像组学作为一种表征算法可以通过高通量提取和分析大量的定量图像特征来提供一种非侵入性的方法呈现病变的生物学行为。有学者尝试利用影像组学的方法来预测肺癌STAS 状态，Chen 等首次对233 例I 期肺腺癌患者的肿瘤图像进行分割，提取重要影像组学特征构建模型来预测STAS，其中内部验证集AUC 值为0.63，外部验证集AUC 值为0.69，这提示基于CT 的影像组学在术前预测I 期肺腺癌的STAS 状态有一定价值。

Jiang 等对462 例任意分期肺腺癌患者进行单因素Logistic 回归分析筛选与STAS 相关的影像组学特征，构建一个基于影像组学的随机森林(random forest，RF)机器学习模型来预测STAS 状态，结果发现12 个影像组学特征和年龄与STAS 显著相关，RF 模型预测STAS 的AUC值为0.754，灵敏度为88.0%、特异度为58.8%。Onozato等对226 例直径≤2 cm 的非小细胞肺癌患者进行研究，通过XGBoost 机器学习算法构建判断STAS 阳性的预测模型，所得模型的AUC 值为0.77。

陈亚曦等对829 例任意分期肺腺癌患者进行回顾性分析，通过单因素分析比较STAS 状态与临床及影像组学特征间的差异，多因素Logistic 回归建立预测模型并绘制诺莫图，结果表明性别和影像组学分数(Rad-score)为独立预测因素，构建的综合模型在训练集、内部及外部验证集的AUC 值分别为0.84、0.83、0.80。Han 等对395例IA 期肺腺癌患者资料进行回顾性分析，基于患者临床资料、CT 信息及影像组学特征，分别构建临床/ CT 模型、组学模型、综合模型，结果显示组学模型取得了良好的诊断效能，其在训练集中的AUC 值为0.81、验证集中的AUC 值为0.85，在组学模型的基础上，联合了年龄、性别、吸烟史、肿瘤直径、肿瘤密度和磨玻璃百分比这些因素构建的综合模型，在训练集中的AUC 值为0.82、验证集中的AUC 值为0.87。

以上研究表明基于肿瘤影像组学预测STAS 状态具有较好的诊断效能，结合患者临床资料、CT 影像学特征构建的综合模型效能将得到进一步提升。由于STAS 是一种存在于主肿瘤周边肺组织内的病理表现，且研究报道STAS 距离肺腺癌瘤巢边缘最远距离可达17 mm，因此部分学者尝试对肺癌患者瘤周影像组学特征进行研究。

Zhuo 等对212 例肿瘤病变区及瘤周区域(5mm、10 mm、15 mm)分别进行影像组学特征提取并结合临床资料，用多因素Logistic 回归建立基于影像组学的综合模型诺莫图来预测STAS，结果显示基于瘤体的预测模型优于瘤周区域模型，其在训练集AUC 值为0.98，测试集AUC 值为0.99。Qi 等对216 例肺腺癌患者进行回顾性研究，构建基于瘤体、瘤周(2mm、4mm、6mm、8mm、10mm、20mm)影像组学特征的预测模型，结果显示瘤体结合瘤周的组合模型预测效能明显高于瘤体单一模型，其在训练集、内部及外部验证集的AUC 值分别为0.907、0.897、0.909。

Liao 等对256例临床I 期肺腺癌患者的瘤体及不同瘤周(5 mm、10 mm、15mm、20 mm)影像组学特征进行分析，结果表明瘤体结合瘤周15 mm 的影像组学模型具有较好的诊断效能，加入年龄、癌胚抗原、空泡征、毛刺征、瘤肺界面等因素构建的综合模型，在训练集、验证集的AUC 值分别为0.87、0.87。从单一瘤体组学模型分析到瘤体结合不同瘤周组学模型再到瘤体瘤周结合临床资料、CT 影像学特征的综合模型，这表明基于CT 的影像组学在预测STAS 状态具有较好的应用价值，信息越多，模型的效能越高。但目前此方面研究需要严格的程序，包括检测、分割、特征提取和选择最佳组学特征，操作过程复杂且耗时，其临床实用性有待进一步提高。

4. 基于深度学习(deep learning，DL)的预测研究

DL 也称为深度神经网络学习，通过构建多层级联的非线性处理单元，进行多层次特征学习，提升疾病诊断的准确性，已在预测肺腺癌肿瘤侵袭性方面显示出巨大前景。Tao 等对203 例任意分期非小细胞肺癌患者术前临床资料、病理资料及影像资料进行研究，分别构建临床病理/ CT模型、常规影像组学模型、计算机视觉模型、三维卷积神经网络模型和综合模型来预测STAS 状态，结果显示三维卷积神经网络模型优于其他模型，其在训练集中AUC 值为0.93，验证集中AUC 值为0.80。

肺结节的自动化检出一直是影像学研究的热点，全自动病灶分割技术是影像组学未来的研究方向。Liu 等基于肺结节人工智能软件，对92 例ⅠA 期肺腺癌患者肿瘤病灶进行自动识别并提取CT 纹理组学特征，构建随机森林模型评估STAS 状态，结果显示随机森林模型的误分类率仅为7.69%，最佳预测特征包括CTR、肿瘤3D直径、CT 最大值、CT 平均值、CT 最小值、熵，具有较高的诊断效能。目前此类研究较少，已有研究表现出较好的预测价值。未来可通过人工智能的方法，开发一个全自动的辅助诊断工具，提高预测诊断效能。

5. 总结与展望

STAS 是肺癌的一种重要侵袭性模式，对于STAS 阳性的早期肺癌患者建议采取肺叶切除术，能改善患者预后。虽然STAS 的诊断金标准仍是病理学，但是术前CT、18 F-FDGPET/ CT 等检查对STAS 的预测有一定价值，可为临床选择最佳手术方式及后续治疗方案提供帮助。同时基于影像组学、DL 及人工智能预测肺癌STAS 或将成为未来的发展方向。目前，STAS 的发生机制还存在争议，是否可以成为肺癌TNM 分期中的一个参考指标，仍需进一步研究论证;此外，预测STAS 状态的研究多以回顾性分析为主，大部分研究缺乏外部验证，其临床效能有待进一步探讨。

来源：吴雅雯，李博怡，黄艺，等.体素内非相干运动磁共振成像（IVIM）在骨骼肌的研究进展[J].临床放射学杂志，2025，44(01):186-189.DOI:10.13437/j.cnki.jcr.2025.01.036.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)