增强CT在术前评估非小细胞肺癌N1淋巴结转移中的诊断价值

Diagnostic Value of Enhanced CT in Preoperative Evaluation of N1 Lymph Node Metastasis in Non-Small Cell Lung Cancer

摘要: 目的：评价术前增强CT对非小细胞肺癌N1淋巴结转移的诊断价值。方法：选取2020年11月至2024年11月我院收治的160例经病理证实的NSCLC患者，根据有无N1淋巴结转移分为分N1 (+)组、N1 (−)组，分析比较两组患者临床、病理及影像特征的差异，采用Logistic回归及Lasso回归分析影响N1淋巴结转移的因素，并构建模型，采用受试者工作特征(ROC)曲线分析Logistic回归模型及Lasso回归模型对N1淋巴结转移的诊断价值；进一步构建诊断N1淋巴结转移的列线图并绘制校准曲线图进行内部验证。结果：多因素Logistic回归分析结果示，淋巴结短径和边界、病理肿瘤直径、脉管侵犯及病灶与支气管位置对N1淋巴结转移有较显著影响，其模型ROC曲线分析结果显示AUC值为0.929 (95% CI: 0.892~0.967)，灵敏度为88.89%，特异度为83.33%，Lasso回归模型的AUC为0.9416 (95% CI: 0.9084~0.9749)，与Logistic回归模型相比无显著差异(DeLong检验p = 0.10)，提示Logistic模型诊断效能较好，总体效能优于单一短径标准(AUC值为0.864，灵敏度为76.3%，特异度为96.4% (95% CI: 0.801~0.926))。结论：基于淋巴结短径和边界、病理肿瘤直径、脉管侵犯及病灶与支气管位置构建的Logistic回归模型，相较于单一淋巴结短径诊断效能更好。

Abstract: Objective: To investigate the diagnostic value of enhanced CT in preoperative assessment of N1 lymph node metastasis in non-small cell lung cancer (NSCLC). Methods: A total of 160 patients with pathologically confirmed NSCLC admitted to our hospital from November 2020 to November 2024 were selected and divided into N1 (+) and N1 (−) groups based on the presence or absence of N1 lymph node metastasis. The differences in clinical, pathological, and imaging characteristics were analyzed and compared between two groups of patients. Logistic regression analysis and Lasso regression were used to identify factors influencing N1 lymph node metastasis, and models were constructed. The diagnostic value of the Logistic regression model and Lasso regression model for N1 lymph node metastasis was evaluated using receiver operating characteristic (ROC) curve analysis. Additionally, a nomogram for diagnosing N1 lymph node metastasis was constructed, and a calibration curve was plotted for internal validation. Results: Multivariate Logistic regression analysis revealed that lymph node short axis and margin, pathological tumor diameter, vascular invasion, and lesion location relative to the bronchus were independent factors influencing N1 lymph node metastasis. The ROC curve analysis of the Logistic regression model showed an AUC value of 0.929 (95% CI: 0.892~0.967), sensitivity of 88.89%, and specificity of 83.33%, The AUC of the LASSO regression model was 0.9416 (95% CI: 0.9084~0.9749), showing no significant difference compared to the Logistic regression model (DeLong test p = 0.10), indicating that the Logistic model has better diagnostic performance. The overall performance was superior to the single short diameter standard (AUC value of 0.864, sensitivity of 76.3%, specificity of 96.4% (95% CI: 0.801~0.926)). Conclusion: A Logistic regression model constructed based on lymph node short axis and margin, pathological tumor diameter, vascular invasion, and lesion location relative to the bronchus demonstrated better diagnostic performance than lymph node short axis alone.

1. 引言

在非小细胞肺癌(non-small cell lung cancer, NSCLC)中，N1淋巴结转移指存在同侧支气管周围和/或肺门淋巴结的转移，以及肺内淋巴结转移(包括直接侵犯) [1]。N1淋巴结的转移与否对非小细胞肺癌的临床意义非常重要，极大程度影响患者的预后、治疗策略和生存率。常规CT扫描是肺癌诊断中最常用的影像学检查方法，能够显示肺部肿块、淋巴结的大小和位置[2]。然而，对于N1淋巴结转移的诊断，常规CT的敏感性较低，特别是在小淋巴结转移的情况下。胸部增强CT是通过使用对比剂提高组织间的对比度，使淋巴结和肺门区正常结构对比更加清晰可见。增强CT对N1淋巴结转移的诊断具有较好的敏感性，尤其是能通过增强的淋巴结特征识别淋巴结的形态、大小及内部结构以及淋巴结的血供情况，进而提高对N1淋巴结转移的诊断率。基于此，本文经对我院2020年11月至2024年11月我院收治的160例NSCLC患者的临床、病理及影像治疗进行多因素Logistic回归分析，并构建模型，旨在早期发现非小细胞肺癌N1淋巴结转移，为临床治疗提供参考，进一步提高患者生存率，现将所得结果详细阐述如下。

2. 资料与方法

2.1. 一般资料

收集2020年11月至2024年11月我院收治的160例NSCLC患者的临床病理资料。入选标准：① 均经手术病理检查证实为NSCLC；② 均行肺叶/肺段切除及纵隔淋巴结清扫术：③ 术前均行胸部平扫 + 增强扫描。排除标准：① 合并其他系统恶性肿瘤；② 未行系统性纵隔淋巴结清扫术。160例NSCLC肺癌患者中，男性98例，女性62例，年龄22~89岁，中位年龄66岁；病理类型：腺癌115例，鳞癌39例，其他类型6例。本研究获得安徽医科大学第二附属医院伦理委员会批准(审批号：SL-YX2025-089)。

2.2. CT检查方法及纵隔淋巴结分区标准

胸部CT扫描使用Somatom Force 128 (Siemens Healthineers)设备进行。扫描参数如下：管电压120 kV；管电流150~200 mA；轴像的层厚为5 mm，层间距为5 mm；重建层厚度为1.25 mm，重建间隔为1.25 mm。在增强扫描中，经肘静脉注射碘海醇(2.5 mL/kg)，注射速率3 mL/s，动脉期25~35 s，静脉期50~70 s。所有CT影像的诊断由两位诊断医师(有3年及以上的工作经验)来评定，出现结果不一致时协商处理。

根据国际抗癌联盟(UICC)发布的第九版肺癌TNM分期标准进行N分期诊断：N1：指存在同侧支气管周围和/或肺门淋巴结的转移，以及肺内淋巴结转移(包括直接侵犯)。

2.3. 手术及术后病理检查

所有样本的手术方式均采用肺叶/肺段切除并进行纵隔淋巴结系统性清扫，根据术中所见及术后病理结果作为纵隔淋巴结转移的金标准，记录是否存在N1淋巴结转移，分为N1转移阳性组及N1转移阴性组，分别用N1 (+)组、N1 (−)组表示。

2.4. 统计学方法

采用SPSS 27.0及R 4.50进行数据处理。正态分布的定量资料以($\overline{x}\pm s$ )表示，组间比较采用t检验；非正态分布的定量资料用M (P₂₅, P₇₅)表示，组间比较采用Mann-Whitney U检验；定性资料以例数表示，组间比较采用χ²检验。多因素Logistic回归分析N1淋巴结转移的影响因素，并构建Logistic回归模型(P < 0.05表示差异有统计学意义)，采用受试者工作特征(ROC)曲线来评价Logistic回归模型对N1淋巴结转移的诊断价值，并绘制列线图，使用Bootstrap法进行内部验证，并绘制校准曲线。使用glmnet包进行LASSO (least absolute shrinkage and selection operator)回归分析，用交叉验证选择最优的λ参数，筛选出变量并构建模型，使用Delong检验对LASSO模型与传统Logistic回归模型进行比较，评估Logistic模型的稳定性。使用Kappa系数及组内相关系数(ICC)评估观察者间的一致性。

3. 结果

3.1. 非小细胞肺癌N1 (+)组与N1 (−)组临床、病理及影像特征的比较

160例非小细胞肺癌患者中，N1转移组76例，无N1转移组84例，N1转移组及无N1转移组间病理肿瘤最大径、CT肿瘤最大径、淋巴结长径、淋巴结短径、与支气管位置、脉管侵犯、胸膜侵犯、神经侵犯、支气管壁侵犯、中央脂肪密度、平扫密度、强化特点及边界比较，差异有统计学意义(P < 0.05)，见表1。

Table 1. Comparison of clinical, pathological, and imaging characteristics between non-small cell lung cancer N1 metastasis group and non-N1 metastasis group

表1. 非小细胞肺癌N1转移组与无N1转移组临床、病理及影像特征比较

自变量	Non-N1 (84例)	N1 (n = 76)	t/χ^2	P值
病理肿瘤最大径(cm)	3.490 ± 2.0288	4.168 ± 2.0291	−2.11	0.036
CT肿瘤最大径(cm)	3.8261 ± 2.52663	6.6182 ± 11.66945	−2.017	0.047
淋巴结长径(cm)	1.020 ± 0.3355	1.617 ± 0.5609	−8.069	<0.001
淋巴结短径(cm)	0.6952 ± 0.19843	1.1717 ± 0.43519	−8.757	<0.001
年龄	64.20 ± 9.228	63.86 ± 10.017	0.228	0.82
性别			0.021	0.884
男	51	47
女	33	29
吸烟史			0.108	0.742
无	67	59
有	17	17
病理			5.856	0.053
腺癌	67	48
鳞状细胞癌	14	25
其他类型	3	3
肿瘤所在肺叶			0.142	0.142
右肺上叶	26	19
右肺中叶	5	6
右肺下叶	14	20
左肺上叶	24	15
左肺下叶	5	12
两个肺叶及以上	0	4
位置(与支气管)				<0.001
中央型	51	47
周围型	33	29
脉管侵犯			29.388	<0.001
阴性	57	19
阳性	27	57
胸膜侵犯			12.007	<0.001
阴性	66	40
阳性	18	36
神经侵犯			16.939	<0.001
阴性	78	51
阳性	6	25
支气管侵犯			10.007	<0.001
阴性	73	50
阳性	11	26
中央脂肪密度			11.067	<0.01
无	1	14
有	73	72
平扫密度			25.556	<0.01
均匀	76	42
不均匀	8	34
强化特点			31.321	<0.01
均匀强化	75	9
不均匀强化	9	39
边界^1			37.061	<0.01
清晰	76	8
模糊	8	41

3.2. 多因素Logistic回归分析

将表1中所有差异性指标通过VIF (方差膨胀因子)独立性检验，结果显示VIF均<5，可以不用考虑共线性问题。使用R语言进行Logistic回归分析，将有差异的指标同时纳入模型，并使用逐步回归的方法剔除P > 0.05的自变量，重新拟合模型，结果显示，淋巴结短径、边界、脉管侵犯、位置(与支气管)对N1淋巴结转移有显著影响(P < 0.05)，病理肿瘤最大径对N1淋巴结转移有一定影响(P = 0.53)。淋巴结短径组内相关系数(ICC)为0.919 (P < 0.01)，淋巴结边界及位置(与支气管) kappa系数分别为0.927、0.898 (P < 0.01)，表明本研究中两位观察者具有高度一致性。得到Logistic回归模型：P = 1/{1 + exp[−(−3.67 + 4.39X₁ + 2.81X₂ − 0.275X₃ + 1.31X₄ − 1.42X₅)]}，其中X₁为淋巴结短径，X₂为淋巴结边界(模糊 = 1，清晰 = 0)，X₃为病理肿瘤最大径，X₄为脉管侵犯(阳性 = 1，阴性 = 0)，X₅为与支气管位置(周围型 = 1，中央型 = 0)。见表2。

Table 2. Results of multivariate Logistic regression analysis

表2. 多因素Logistic回归分析结果

自变量	回归系数	标准误差	z值	P值	OR值	OR值的95% CI
短径	4.39	0.941	4.67	<0.001	7.6213	[3.2477, 17.8850]
边界	2.81	0.619	4.54	<0.001	16.5300	[4.9181, 55.5580]
病理肿瘤最大径	−0.275	0.142	−1.93	0.053	0.5315	[0.27997, 1.0089]
脉管侵犯	1.31	0.516	2.54	0.011	3.7045	[1.3474, 10.1850]
位置(与支气管)	−1.42	0.557	−2.55	0.010	0.2414	[0.0811, 0.7186]

3.3. Lasso回归分析

以表1中所有的因素作为自变量，以N1淋巴结是否转移作为因变量构建Lasso回归模型筛选自变量，结果显示，当惩罚系数λ为0.01968829时，模型性能最优，且筛选出11个影响因素，Lasso回归中变量筛选及λ选择过程图见图1、图2。与Logistic回归相比，共同保留的变量：淋巴结短径、边界、病理肿瘤最大径、脉管侵犯、位置(与支气管)；新增的变量：CT肿瘤最大径、胸膜侵犯、神经侵犯、侵犯支气管壁、中央脂肪密度、强化特点。

Figure 1. Diagram of selection process for variables in Lasso regression

图1. Lasso回归变量筛选过程图

Figure 2. Diagram of selection process for the best parameter λ in Lasso regression

图2. Lasso回归最佳参数λ选择过程图

3.4. ROC曲线分析Logistic回归模型、Lasso回归模型诊断N1淋巴结转移的效能，并构建列 线图

使用R语言绘制ROC曲线分析Logistic回归模型及Lasso回归模型诊断N1淋巴结转移的效能，Logistic回归模型ROC结果显示，最大约登指数为0.722时，模型灵敏度为88.89%，特异度为83.33%，AUC值为0.929 (95% CI: 0.892~0.953)，提示模型诊断效能较好；Lasso回归模型的AUC为0.9416 (95% CI: 0.9084~0.9749)，与Logistic回归模型相比无显著差异(DeLong检验p = 0.10)，见图3。进一步根据Logistic模型绘制列线图，根据最大约登指数计算最佳截断值为0.38，即各项指标总得分对应的预测概率超过0.38时，发生N1淋巴结转移的可能性大，见图4。该列线图的临床应用示例见图5(a)、图5(b)。

Figure 3. ROC curve of Logistic regression model and Lasso regression model for diagnosing N1 lymph node metastasis

图3. Logistic回归模型及Lasso回归模型诊断N1淋巴结转移的ROC曲线

Figure 4. Alignment diagram

图4. 列线图

(a)

(b)

Figure 5. (a) Peripheral adenocarcinoma of the middle lobe of the right lung, positive vascular invasion, enlarged lymph node shadow adjacent to the right hilum, short axis approximately 16.8 mm, with blurred margins; (b) Logistic model prediction plot for this patient. Lymph node short axis 1.71 cm, score 59 points; lymph node blurred borders, score 28.5 points; pathological tumor maximum diameter 4 cm, score 25.5 points; positive vascular invasion, score 14 points; tumor lesion location peripheral type, score 0 points; total score 127 points, corresponding to a >99% probability of positive N1 lymph node metastasis

图5. (a) 右肺中叶周围型腺癌，脉管侵犯阳性，右肺门旁肿大淋巴结影，短径约16.8 mm，边界模糊；(b) 该患者Logistic模型预测列线图。淋巴结短径1.71 cm，得分59分；淋巴结边界模糊，得分28.5分；病理肿瘤最大径4 cm，得分25.5分，脉管侵犯阳性，得分14分，肿瘤病灶位置为周围型，得分0分，总分127分，对应的N1淋巴结转移阳性可能性 > 99%

3.5. Logistic回归模型的验证

Figure 6. ROC curve for model diagnosis of N1 lymph node metastasis in the validation group

图6. 验证组中模型诊断N1淋巴结转移的ROC曲线

使用Bootstrap法对模型数据进行内部验证，并绘制ROC及Calibration校准曲线，ROC结果显示AUC值为0.935 (95% CI: 0.895~0.968)，提示模型诊断效能较好，见图6；校准曲线分析表明，该模型的预测概率与实际概率基本吻合，其预测结果可信，见图7。

Figure 7. Calibration curve of the model in the validation group

图7. 验证组中模型的校准曲线

3.6. Logistic回归模型与传统诊断方法的效能比较

在160例NSCLC患者中，病理结果证实：N1 (+)：76例，N1 (−)：84例，使用此Logistic回归模型诊断N1淋巴结转移的效能，AUC值达0.929 (95% CI: 0.892~0.953)，灵敏度为88.89%，特异度为83.33%，而以传统方法CT显示淋巴结短径 > 10 mm作为转移诊断标准，AUC值为0.864，灵敏度为76.3%，特异度为96.4%，(95% CI: 0.801~0.926)，故此Logistic回归模型诊断效能优于传统方法。

4. 讨论

纵隔淋巴结是非小细胞肺癌的常见转移部位[3]，而N1淋巴结转移是指存在同侧支气管周围和/或肺门淋巴结的转移，以及肺内淋巴结转移(包括直接侵犯) [1]；是否伴有N1淋巴结转移是影响NSCLC准确分期、治疗以及预后的重要因素[4]，一项关于肺叶切除术治疗临床I期NSCLC的回顾性研究表明，肺叶特异性和系统性淋巴结清扫术对患者术后总生存期及无进展生存期的影响没有明显差异[5]。亦有研究表明，纵隔淋巴结清扫范围不会影响临床I期肺癌患者的术后总生存期[6]，对于早期不存在淋巴结转移的患者，也许能选择比系统性淋巴结清扫术侵入性更小的手术，以避免不必要的手术伤害。因此，准确评价是否存在N1淋巴结转移与否至关重要。

目前，临床上主要有CT、PET-CT以及纵隔镜、支气管超声镜等来诊断N1淋巴结转移。超声支气管镜引导下针吸活检术(endobronchial ultrasound guided transbronchial needle aspiration, EUBS-TBNA)是一种将超声探头置入支气管镜内，对气管与支气管外组织结构进行动态观察并对纵隔淋巴结进行取样活检的技术，有研究表明，EUBS-TBNA诊断N1淋巴结转移的灵敏度、特异度分别高达86.4%、100% [7]，但因纵隔解剖结构特殊，EUBS对前纵隔淋巴结、主肺动脉窗淋巴结及食管旁淋巴结显示欠佳，存在一定漏诊。而纵隔镜等属于侵入性操作，会导致患者出现一系列并发症，如淋巴水肿、感染或神经损伤。这些并发症的风险在某些患者中可能是不必要的，尤其是在低风险病例中。PET-CT可以提供功能性信息，帮助识别代谢活跃的转移性淋巴结，有数据表明，PET/CT评估NSCLC患者纵隔淋巴结有较高的准确性，AUC值达0.964 (95% CI: 0.930~0.998) [8]，但PET/CT检查费用十分昂贵，且并非所有医院或诊所都具备这些设备和技术，在临床实践中难以普遍应用；而增强CT (contrast-enhanced computed tomography)是在传统CT扫描的基础上，通过静脉注射造影剂(通常是含碘的对比剂)来增强影像中血管、器官或病灶的对比度，从而更清晰地显示解剖结构和病变特征。增强CT具有高分辨率的成像能力，其通过造影剂增强病灶显影的清晰度[9] [10]，能够详细显示肺门和纵隔淋巴结的解剖位置及血供特点，有效弥补CT平扫对病变分辨率的不足。

通过分析160例患者的影像资料，本研究结果显示，N1转移组患者CT影像数据：病理肿瘤大小、CT肿瘤大小、淋巴结短径、长径水平高于非转移组，转移组病灶与支气管位置多为中央型，转移组淋巴结不含脂肪密度、平扫密度不均匀、不均匀强化及边界模糊的发生率比非转移组高，结果有显著的统计学差异(P < 0.05)。这些结果表明，增强CT能够通过高分辨率的影像清晰显示肿瘤病灶及淋巴结的形态和内部特征，尤其是在病灶显影清晰度方面具有显著优势。本研究通过Logistic回归分析，发现淋巴结短径和边界、病理肿瘤直径、脉管侵犯及病灶与支气管位置对N1淋巴结转移有一定影响，且ROC曲线显示基于这五项指标构建的Logistic回归模型诊断N1淋巴结转移具有良好的诊断效能，AUC值达0.929 (95% CI: 0.892~0.953)，灵敏度为88.89%，特异度为83.33%。本研究通过LASSO回归进一步验证了Logistic回归模型的可靠性，关键变量(淋巴结短径和边界、病理肿瘤直径、脉管侵犯及病灶与支气管位置)在两种方法中均被显著选中，且模型AUC相近。这一结果支持该Logistic模型对N1淋巴结转移的诊断价值具有普适性，不受变量选择方法的显著影响。目前主要以CT淋巴结短径大于10 mm来判定淋巴结转移，本研究中，CT以淋巴结短径 > 10 mm来诊断，特异度为96.4%，但灵敏度仅为76.3%，漏诊率较高。有报道表明，以CT示淋巴结短径 > 10 mm为诊断标准诊断NSCLC纵隔淋巴结转移的灵敏度为76%，特异度为80% [11]，与上述研究结果相符合；亦有研究结果显示，以淋巴结短径 > 10 mm作为转移诊断标准的敏感性虽然较高，但特异性相对较低[12]。综合而言，Logistic回归模型诊断N1淋巴结转移效果更好。有数据表明，腺癌较鳞癌更容易发生淋巴结转移[13]，不同病理类型(如腺癌与鳞癌)可能表现出不同的影像特征及转移特点，但本研究中病理类型不是N1淋巴结转移的独立影响因素(P > 0.05)，这可能和本研究所收集数据病理类型腺癌占主体可能性大。本文的缺点及不足之处：本研究是一项单中心的回顾性分析，缺乏前瞻性多中心队列，且样本量是相对有限的，可能会影响结果的普适性；同时对于某些微小淋巴结转移或特殊类型的淋巴结转移[14]，或是肿瘤侵及肺门及纵隔而与淋巴结分界不清时，可导致假阴性的出现[15]。此外，增强CT仅提供淋巴结的解剖信息，未来可结合其他影像学手段(如PET/CT、MRI或分子影像)以及放射组学优化诊断模型，以提高诊断效能和预后预测能力。

综上所述，术前增强CT对非小细胞肺癌N1淋巴结转移的评估有一定的诊断价值。基于淋巴结短径和边界、病理肿瘤直径、脉管侵犯及病灶与支气管位置构建的Logistic回归模型，可以提高诊断NSCLC淋巴结转移的准确性，为后续治疗方案的选择提供有力支持。

基金项目

基金资助项目名称：人工智能技术肺结节影像识别及病理分析研究(编号：2020LCZD12)。

NOTES

^*第一作者。

^#通讯作者。

¹边界清晰或模糊判定基于平扫CT影像。