摘  要 

目的　探讨人工智能（artificial intelligence，AI）量化参数鉴别临床Ⅰ期浸润性腺癌（invasive adenocarcinoma，IAC）病理分级的应用价值。方法　回顾性分析2018年10月—2023年5月滨州医学院附属烟台山医院收治临床Ⅰ期IAC患者的临床资料。依据2021年WHO肺腺癌病理分级标准，将IAC分为Ⅰ级、Ⅱ级和Ⅲ级，比较各组间参数的差异，并采用logistic回归分析评估AI量化参数对Ⅲ级IAC患者的预测效能。通过最小绝对值收敛和选择算子（least absolute shrinkage and selection operator，LASSO）回归分析筛选参数，基于这些参数构建三种机器学习模型来预测Ⅲ级IAC，并进行内部验证以评估其效能，用列线图进行可视化描述。结果　共纳入261例IAC患者，其中男101例、女160例，年龄27～88（61.96±9.17）岁。6例为双原发病灶，且同一患者的不同病灶作为独立样本进行分析。IACⅠ级48例、Ⅱ级89例和Ⅲ级130例。（1）三组组间比较：实性成分占比（consolidation/tumor ratio，CTR）、长径、短径、恶性概率、CT平均值、CT最大值、CT最小值、CT中位值、CT标准差、峰度、偏度和熵等参数差异均有统计学意义（P＜0.05）。（2）两组组间比较：将Ⅰ级和Ⅱ级合并，与Ⅲ级比较并进行单因素分析，结果提示除了年龄外，其余变量差异均有统计学意义（P＜0.05）。多因素分析提示CTR和CT标准差是鉴别Ⅲ级IAC的独立危险因素，两者呈负相关。（3）病理特征比较：Ⅰ级无淋巴结转移，Ⅱ级有2例发生淋巴结转移且均伴有微乳头成分，Ⅲ级有19例发生淋巴结转移。Ⅲ级IAC有更晚的TNM分期、更多的病理高危因素、更高的淋巴结转移率和高级别结构占比。（4）相关性分析：在所有患者中CTR与高级别结构占比呈正相关。在Ⅲ级中两者呈正相关，而在Ⅰ级与Ⅱ级中无相关性。（5）采用LASSO回归分析筛选出CTR和CT中位值2个参数，分别构建并验证logistic、随机森林和XGBoost模型。其中，XGBoost模型预测效能最佳。结论　当CTR＞39.48%、CT标准差＜122.75 HU时，需警惕为Ⅲ级IAC。基于联合CTR和CT中位值构建XGBoost模型对Ⅲ级IAC有较好的预测效果，有助于临床医师做出个性化的临床决策。

正  文

近年来，肺癌是我国发病率和死亡率第一的恶性肿瘤，并且呈上升趋势，严重危害人类健康[1]。肺癌患者受益于胸部CT筛查和治疗时间窗的提前，其病死率显著降低[2]。随着人工智能（artificial intelligence，AI）和影像组学技术的快速发展，基于胸部CT的智能影像在鉴别肺癌病理分型中的优势日益凸显。

肺腺癌具有明显异质性，常呈现多种病理亚型混杂。含有微乳头和实体成分的病理亚型往往提示患者术后容易复发和预后较差。然而，术中冰冻病理诊断识别微乳头和实体成分不准确、并且与石蜡病理诊断不一致等局限性和经典TNM分期无法评估病理亚型对Ⅰ期浸润性腺癌（invasive adenocarcinoma，IAC）患者预后的影响，这2个临床问题亟需解决。

2021年世界卫生组织（World Health Organization，WHO）依据肺腺癌主要病理亚型、高级别结构占比和患者预后差异进行分级，与Ⅰ级和Ⅱ级相比，Ⅲ级IAC患者更容易发生淋巴结转移和术后复发，有更多的病理高危因素和更差的预后[3]。本课题组前期研究[4]表明，基于胸部CT的AI量化参数有助于鉴别恶性肺结节的浸润程度，但其能否准确鉴别Ⅰ期IAC的病理分级需要进一步研究。本研究旨在探讨基于深度学习和影像组学技术的AI量化参数鉴别Ⅰ期IAC病理分级的可行性和临床价值。这对于临床医师术前规划手术方式和制定术后治疗方案意义重大。

1 资料与方法

1.1   临床资料和分组

纳入标准：（1）病理确诊为浸润性肺腺癌且影像学中肺结节长径7 mm～4 cm，影像学未见明显肿大淋巴结和远处脏器转移（临床Ⅰ期，包括cⅠA期和cⅠB期）；（2）术前1周内行CT检查且图像层厚≤1 mm；（3）术前未行抗肿瘤治疗。

排除标准：（1）肺部多发性或弥漫性病变，无法排除炎症表现；（2）图像质量欠佳或有严重伪影；（3）未取得病理结果或病理诊断不明确的患者；（4）术前有恶性肿瘤病史或已行抗肿瘤治疗。

回顾性分析 2018年10月—2023年5月在滨州医学院附属烟台山医院行高分辨率计算机体层X线摄影术（high-resolution computed tomography，HRCT）扫描符合纳入标准的临床Ｉ期IAC患者的临床资料。依据2021年WHO新分类肺腺癌病理分级标准，将IAC分为3组，分别为Ｉ级、Ⅱ级和Ⅲ级组。

1.2   检查方法

采用Philips 64排128层Incisive CT进行胸部HRCT扫描。扫描范围从肺尖至肺底。扫描参数：管电压140 kV，管电流300 mAs，自动管电流调制，螺距0.6 mm，重建层厚 0.67 mm，层间距0.335 mm。图像分析采用肺窗（窗宽1600 HU，窗位–600 HU）。患者采集胸部HRCT图像后自动生成相应CT编号，将CT编号或者患者姓名输入AI软件搜索框中，点击回车后自动将CT图像调入AI肺结节筛查软件系统（推想预测 inferRead CT Chest 版本：R12.9）中，得到相关肺结节量化参数。

1.3   提取参数

AI肺结节筛查软件系统识别肺结节后，得到相关量化参数：长径、短径、实性成分占比（consolidation/tumor ratio，CTR）、恶性概率、CT平均值、CT最大值、CT最小值、CT中位值、CT标准差、紧凑度、球形度、峰度、偏度和熵；见图1～3。

图1　患者1的人工智能量化参数

病例1：女，65岁，病灶位于右肺上叶前段，人工智能量化参数：长径1.5 cm，短径1.3 cm，实性成分占比 7.63%，恶性概率 86.79%，CT平均值−413 HU，CT中位值−427 HU，CT标准差169.447 7 HU，熵4.995 5，术后病理诊断为贴壁型浸润性腺癌（Ｉ级）

图2　病例2的人工智能量化参数

病例2：女，61岁，病灶位于右肺上叶前段，人工智能量化参数：长径2.0 cm，短径1.3 cm，实性成分占比 20.61%，恶性概率72.26%，CT平均值−358 HU，CT中位值−420 HU，CT标准差252.916 3 HU，熵5.487 7，术后病理诊断为腺泡型为主浸润性腺癌（含10%微乳头成分，Ⅱ级）

图3　病例3的人工智能量化参数

病例3：男，64岁，病灶位于左肺下叶前内基底段，人工智能量化参数：长径3.6 cm，短径3.4 cm，实性成分占比100%，恶性概率77.31%，CT平均值30 HU，CT中位值35 HU，CT标准差23.071 2 HU，熵2.831 5，术后病理诊断为微乳头型为主浸润性腺癌（含10%实体成分，Ⅲ级）

1.4   统计学分析

正态分布的计量资料采用均数±标准差（x±s）描述，不符合正态分布的计量资料采用中位数（上下四分位数）［M（P25，P75）］描述。正态分布的数据中，三组数据的组间比较采用方差分析，两组数据的组间比较采用t检验；非正态分布的数据中，组间比较采用秩和检验。并且对差异有统计学意义的三组数据的定量指标根据Bonferroni法进行两两比较分析。定性资料的分析采用χ2检验。并对所有指标进行单因素logistic回归分析。根据最小绝对值收敛和选择算子（least absolute shrinkage and selection operator，LASSO）回归分析降低参数间的共线性，然后分别构建logistic回归模型、随机森林模型和XGBoost模型，并根据受试者工作特征（receiver operating characteristic，ROC）曲线、校准曲线和临床决策曲线分别评价模型的区分度、校准度和临床效用。最后根据列线图进行模型的可视化。采用SPSS 26和R 4.3.2软件进行统计学分析，LASSO回归分析采用glmnet包，logistic回归模型采用stats包中的glm函数，XGBoost模型采用xgboost包，随机森林模型采用randomForest包。pROC包和ggplot2包用于模型评价和可视化、计算模型的曲线下面积（area under the curve，AUC）、特异度和敏感度等。拟合优度检验采用Hosmer-Lemeshow检验。双侧检验水准α=0.05。

1.5   伦理审查

本研究经烟台市烟台山医院医学伦理委员会批准，批件编号：烟山伦准2024037号。

2 结果

最终纳入261例临床Ｉ期IAC患者，其中男101例、女160例，年龄 27～88（61.96±9.17）岁。所有患者经胸腔镜手术病理证实为IAC，6例病例表现为双发病灶，且同一患者的不同病灶作为独立样本进行分析。IACＩ级48例、Ⅱ级89例和Ⅲ级130例。

2.1   IAC病理分级的一般临床资料和AI量化参数组间比较

三组间性别、CTR、长径、短径、恶性概率、CT平均值、CT最大值、CT最小值、CT中位值、CT标准差、峰度、偏度和熵等参数差异均有统计学意义（P﹤0.05）。

三组之间的两两比较：与Ｉ级和Ⅱ级比较，Ⅲ级IAC具有更大的CTR、CT平均值、CT最小值、CT中位值和更小的CT标准差、峰度、偏度、熵。与Ⅱ级比较，Ⅲ级IAC具有更大的长径、短径、CT最大值和男性占比。与Ｉ级比较，Ⅲ级IAC具有更小的恶性概率；见表1～2。

2.2   亚组分析中一般临床资料和AI量化参数比较

依据高级别结构的占比进行亚组分组，其中，Ⅲ级组分为高级别结构为主亚组（高级别结构占比≥50%）和非高级别结构为主亚组（20%≤高级别结构占比＜50%）；而Ⅱ级组分为含有高级别结构亚组（0%＜高级别结构占比＜20%）和不含高级别结构亚组（高级别结构占比=0%）。

在Ⅲ级组中，高级别结构为主亚组IAC的紧凑度和球形度更大，其男性占比高于女性占比；见表3。在Ⅱ级组中，含有高级别结构亚组IAC具有更大的长径和短径；见表4。

2.3   单因素logistic回归分析

将Ｉ级组和Ⅱ级组合并，与Ⅲ级组做单因素logistic回归分析，结果提示除了年龄外，其余变量差异均有统计学意义（P＜0.05）。与Ｉ级+Ⅱ级组比较，Ⅲ级组具有更大的男性占比、紧凑度、球形度、长径、短径、CTR、CT最大值、CT最小值、CT平均值、CT中位值和更小的峰度、偏度、熵、恶性概率、CT标准差；见表5。

2.4   独立危险因素及其相关性分析

多因素logistic回归模型参数筛选方法：纳入单因素分析差异参数，参数筛选方法为向前法，保留2个模型参数，分别为CTR和CT标准差。结果提示CTR和CT标准差是鉴别Ⅲ级IAC的独立危险因素。

CTR的诊断阈值为39.48%，AUC为0.843（0.795，0.890），灵敏度0.800，特异度0.788。CT标准差的诊断阈值为122.75 HU，AUC为0.638（0.571，0.706），灵敏度0.847，特异度0.446。联合2个参数模型的AUC为0.842（0.793，0.890），灵敏度0.762，特异度0.803；见图4、表6。

图4　受试者工作特征曲线图

CTR：实性成分占比

相关性分析：根据Spearman秩相关计算，CTR和CT标准差之间的相关系数r=−0.487（P<0.001），两者呈负相关。

2.5   病理特征的比较分析

Ｉ级组中无淋巴结转移、Ⅱ级组中2例（2.25%）发生淋巴结转移且均伴有微乳头成分、Ⅲ级组中19例（14.62%）发生淋巴结转移。与Ｉ级组和Ⅱ级组比较，Ⅲ级组具有更晚的TNM分期、更多的病理高危因素、更高的淋巴结转移率和高级别结构占比；见表7。

2.6   CTR与高级别结构占比之间相关性分析

在所有患者中两者呈正相关（r=0.612，P<0.001）。亚组分析：在Ⅲ级中两者呈正相关（r=0.218，P=0.013），而在Ｉ级（r=−0.141，P=0.341）与Ⅱ级（r=0.175，P=0.100）中两者之间无相关性。

2.7   LASSO回归模型参数筛选

将本研究中全部AI量化参数纳入LASSO回归模型，降低参数之间的多重共线性，筛选出泛化能力较高、与IAC病理分级相关（系数非0）的参数。结果提示保留2个模型参数，分别为CTR和CT中位值。基于上述2个参数构建可视化模型列线图；见图5。

图5　LASSO回归模型结果

a：采用十折交叉验证筛选参数的系数收敛图；b：筛选预测IAC病理分级效能最佳的参数图；c：预测低分化（Ⅲ级）IAC病理分级模型列线图：IAC：浸润性腺癌；CTR：实性成分占比

按7∶3比例将患者划分为训练集和测试集，采用十折交叉验证筛选参数的系数收敛图（图5a），筛选预测IAC病理分级效能最佳的参数图（图5b），预测低分化（Ⅲ级）IAC病理分级模型列线图（图5c）。

2.8   构建和验证IAC病理分级预测模型

基于CTR和CT中位值分别构建logistic回归模型、随机森林模型和XGBoost模型，其中，XGBoost模型表现最佳：训练集：AUC为0.99，灵敏度为0.93，特异度为0.96，拟合优度检验：χ2=3.41，P=0.91；测试集：AUC为0.825，灵敏度为0.72，特异度为0.84，拟合优度检验：χ2=5.03，P=0.75；见表8。

３ 讨论

传统影像学特征依赖于影像技术的分辨率和对比度，局限于图像灰度值一阶特征和一维平面，需要手动勾画获取特征参数，而随着深度学习和计算机视觉技术的快速发展，影像组学特征不仅涵盖影像的一维特征，还包括影像的多维高阶特征。与传统影像学技术比较，影像组学通过一阶特征（如熵、峰度和偏度等）和高阶特征（如形状特征、频域特征和纹理特征等）捕捉图像更深层次的结构和模式，在肺结节良恶性诊断、病变浸润程度、病理分型分期、常见突变基因预测、指导治疗决策、监测疗效和评估预后等多方面发挥重要作用[5-6]。

本研究使用的推想肺结节辅助诊断软件基于深度卷积神经网络和肺结节三维重建技术自动提取并定量胸部CT特征参数，包括一阶特征和二阶特征。本研究发现，CTR、长径、短径、恶性概率、CT平均值、CT最大值、CT最小值、CT中位值、CT标准差、峰度、偏度和熵等AI量化参数在不同病理分级的IAC中存在明显差异。与Ｉ级和Ⅱ级比较，Ⅲ级IAC的CTR、CT平均值、CT最小值和CT中位值更大，而CT标准差、峰度、偏度和熵更小。与Ⅱ级比较，Ⅲ级IAC的长径、短径、CT最大值更大和男性占比更高。与Ｉ级比较，Ⅲ级IAC具有更小的恶性概率，这可能与多数良性病变鉴别困难相关。单文莉等[7]发现基于性别、胸膜牵拉征和影像组学评分的个体化预测模型可以准确鉴别IAC的病理分化程度，训练组和测试组AUC分别为0.92和0.88。这提示基于影像组学的AI量化参数可能有助于鉴别IAC的病理分级。

本课题组前期研究[4]表明，AI量化参数准确地预测肺结节的浸润程度，当长径＞11.45 mm、CT平均值＞−503.5 HU、CTR＞1.775%时，需高度警惕为浸润性病变。虽然AI量化参数可以准确预测肺结节的浸润程度，但其能否准确鉴别IAC病理分级尚不清楚。何花等[8]发现基于影像组学的支持向量机分类模型有助于预测病变的浸润程度，其相比Mayo 及 Brock 模型预测性能更佳，这提示机器学习算法和影像组学技术相结合的方法有助于鉴别疾病的病理类型。顾鑫蕾等[9]的研究发现IAC复发风险分级越高的亚型，其CT平均值越大。当CT平均值＞−106 HU、CTR≥70.5% 时更倾向微乳头/实性为主型腺癌。梁演婷等[10]的研究表明CT特征联合AI量化参数有助于术前无创评估临床Ⅰ期的低分化IAC（高级别结构≥20%），CT平均值和峰度与低分化IAC显著相关。而本研究表明，CTR和CT标准差是鉴别低分化（Ⅲ级）IAC的独立危险因素，CTR的诊断阈值为39.48%，AUC为0.843，灵敏度0.800，特异度0.788；CT标准差的诊断阈值为122.75 HU，AUC为0.638，灵敏度0.847，特异度0.446；两者呈负相关，在Ⅲ级IAC中CTR越大，CT标准差越小。多因素logistic回归分析提示联合参数模型AUC为0.842，灵敏度0.762，特异度0.803。当CTR＞39.48%、CT标准差＜122.75 HU 时，需高度警惕为Ⅲ级IAC。既往研究侧重于肺结节浸润程度的鉴别，指导肺癌手术术式的选择。而随着2021年WHO新分类肺腺癌病理分级标准的提出和亚肺叶微创手术的兴起，仅仅依据肺结节浸润程度决定手术方式是不准确的。笔者认为应依据具有预后价值的IAC病理分级指导手术术式的个性化选择，为是否术后辅助治疗作参考。

与既往JCOG研究手动勾画肿瘤实性成分二维平面直径比值不同，本研究中CTR是指AI辅助诊断软件自动提取IAC三维空间中实性成分与肿瘤的体积比（CT临界值为−145 HU），更加客观、准确地评估肿瘤CTR。既往研究[11]表明，CTR与IAC中浸润成分多少、高级别结构占比、Ki-67高表达、病理高危因素、淋巴结转移和患者预后等因素密切相关。JCOG研究组[12]定义了CTR≤0.25为影像学非浸润性标准，而CTR＞0.25为影像学浸润性肺癌，创新性提出通过评估术前肺结节影像学特征指导手术术式的临床策略，这种方法有效地弥补“仅仅依据术中快速病理诊断决定手术方案的局限性”。而本课题组前期研究发现三维空间中CTR＞1.775%即考虑为IAC，两种方法鉴别肺癌影像学浸润性标准存在明显差异，这种差异源于参数特征维度的不同，三维CTR更加精准、可重复性强。Tsutani等[13]的研究发现，年龄、CTR、脉管内癌栓和脏层胸膜浸润是Ｉ期肺癌术后复发的独立危险因素。Kim等[14]的研究发现，气腔播散常发生在实性肿瘤中，而在单纯磨玻璃病变中没有发现，进一步分析提示气腔播散存在于CTR＞0.4的肿瘤中。既往研究[15-16]表明，CTR是Ⅰ期肺癌发生淋巴结转移的重要预测因素，CTR越大，发生淋巴结转移的概率越高。另外，研究[17]表明，CTR和淋巴结转移是临床ＩA期肺癌患者预后的独立危险因素，CTR是预测微乳头或实体成分的唯一危险因素。而本研究发现CTR与IAC的高级别结构占比呈正相关。亚组分析提示Ⅲ级IAC的CTR越大，提示高级别结构占比越高，淋巴结转移风险越高；而在Ｉ级和Ⅱ级IAC中两者无相关性，提示可能与高级别结构占比较低有关。

经典TNM分期仅对肿瘤大小、淋巴结转移、远处脏器转移等方面进行患者预后评估，而缺少对IAC病理亚型和高级别结构占比的评估，尤其对评估Ｉ期IAC患者的预后存在局限性。2021 WHO新分类IAC病理分级依据主要病理组织学类型和高级别结构占比分级，该分级具有预后价值[3]。本研究表明，与Ｉ级和Ⅱ级相比，Ⅲ级IAC具有更晚的TNM分期、更高的淋巴结转移率和高级别结构占比、更多的病理高危因素，这与Ahn等[18]的研究结果一致。因其术后容易复发和转移，选择亚肺叶切除或淋巴结采样应慎重，笔者认为Ⅲ级IAC在保证手术切缘和淋巴结充分评估的前提下，选择肺叶切除联合肺门、纵隔系统性淋巴结清扫更为恰当，应依据pTNM分期、高级别结构占比、程序性死亡受体-配体1（PD-L1）表达量和基因突变状态等因素综合制定术后辅助治疗方案。近年来，高级别前瞻性试验研究结果陆续披露。JCOG0802研究[19]表明，对于肿瘤直径≤2 cm，CTR＞0.5的外周型ＩA期NSCLC患者，肺段切除术后患者的5年总生存率优于肺叶切除，但局部复发率略高于后者。CALGB140503研究[20]具有相似的结果，上述研究均提示亚肺叶切除可作为Ｉ期非小细胞肺癌的标准术式。JCOG1211研究[21]表明，直径≤3 cm、以磨玻璃结节为主IAC术后预后较好，5年无复发生存率和总生存率分别为97%、98%。肺段切除术后6个月和12个月，患者第1秒用力呼气容积和用力肺活量下降水平均显著低于肺叶切除，这提示肺段切除有利于保护肺功能。另外，研究[22]表明，完整淋巴结评估影响非小细胞肺癌患者的预后，尤其对伴有微乳头或实体成分的IAC患者至关重要。Ｉ级IAC未见淋巴结转移并且患者预后最佳，宜选择亚肺叶切除联合淋巴结采样。本研究仅有2例伴有高级别结构的Ⅱ级IAC发生淋巴结转移，临床医师可根据病变位置、患者心肺功能、淋巴结大小、AI量化参数等因素综合评估，选择适宜的肺组织切除范围和淋巴结处理策略。

随着AI和大数据时代的到来，研究人员通过深度学习技术和多模态数据构建和验证大模型已然成为时代潮流，如盘古气象大模型和生成式预训练模型（ChatGPT）。机器学习是研究使用计算机模拟或实现人类学习活动的科学，是AI中最具智能特征、最前沿的研究领域之一。深度学习则是机器学习的一个分支，其基于人工神经网络的概念，通过多层次的神经元结构来学习和理解数据。本研究通过深度学习、机器学习和影像组学相结合的方法构建和验证疾病预测模型，为临床决策提供重要参考。

XGBoost是一种高效的、灵活的机器学习算法，特别适用于回归和分类问题。其是基于梯度提升框架开发的，由陈天奇[23]于2016年提出。与其他机器学习算法比较，其具有高预测性能、自动处理缺失值、内置正则化功能、并行化处理、特征重要性评估和可扩展性强等优点，但也存在参数调整复杂、不适合非结构化数据、计算资源需求较高和对异常值敏感等缺点。冷菲等[24]的研究表明基于XGBoost算法构建模型鉴别肺腺癌和肺鳞癌的分类效果最佳，优于logistic回归模型和支持向量机分类模型。本研究通过LASSO回归模型降低参数之间的多重共线性并筛选出2个与IAC病理分级相关的AI量化参数，即CTR和CT中位值。基于2个参数构建并内部验证三种机器学习模型的预测效能。其中，XGBoost模型预测效能最佳：训练集：AUC为0.990，灵敏度为0.93，特异度为0.96；测试集：AUC为0.825，灵敏度为0.72，特异度为0.84。最佳模型由列线图可视化展示，代入AI量化参数可得患Ⅲ级IAC的风险概率，具有简明、方便和临床指导性等特点，为临床医师提供有力的临床决策支持。本研究结果提示基于XGBoost算法和AI量化参数构建预测模型准确地鉴别IAC的病理分级，有助于临床医师术前充分评估IAC病理分级和患者预后情况，选择适宜的肺组织切除范围和淋巴结处理策略，达到精准治疗的目的。这有效地解决2个重要问题：经典TNM分期无法评估Ｉ期IAC病理分级对患者预后的影响和仅仅依据术中快速病理诊断决定手术术式不准确。该模型是一种准确且简便的IAC病理分级评估方法，值得临床推广应用。与既往研究侧重于从影像学角度分析IAC量化参数的不同，本文创新性地从外科角度探讨Ｉ期IAC病理分级预测模型对手术术式选择的参考意义，具有一定的临床应用价值。

本研究属于单中心回顾性分析，预测模型可能存在过拟合问题，缺少外部验证数据、前瞻性和预后随访数据。我们研究团队正努力扩大样本量、开展多中心研究和收集随访数据。随着AI技术不断发展，“AI+医学”模式为临床医师提供一种崭新的、独特的视野：挑战经典标准、颠覆传统认知、精进手术技巧、指导临床决策。但目前AI技术尚不成熟，存在一定漏诊率和误诊率，机器学习算法并不完美，有待进一步完善。我们相信在不远的将来，“AI+医学”模式无疑会加速更加微创、更加精准的医学时代的到来，帮助临床医师做出“以患者为中心”个性化的临床决策。

利益冲突：无。

作者贡献：梁云负责查阅资料、撰写论文；任蒙蒙、黄德龙、刁晶艳和牟旭日负责收集、整理并分析数据；张国伟、刘曙亮、费秀渠负责审校与修改论文；谢宁、狄冬梅负责选题、论文设计。

致谢　感谢王敏洁提供推想AI软件使用的技术支持！

 

Tags： 人工智能量化参数鉴别Ⅰ期浸润性肺腺癌病理分级的临床价值