随着胸部低剂量螺旋CT筛查的普及，肺结节的检出率大大增加。其中不少是多发肺结节。很多人拿到CT结果后，看到“肺结节”、“多发”这样的字眼就慌了神：这么多结节，是不是很严重？会不会都是恶性肿瘤？其实绝大多数检出的肺结节都是良性的，最近北京大学人民医院的医生们还开发出了一个工具，可以帮助预测多发性肺结节的恶性风险。
Source: Cleveland Clinic
肺结节：只有少数是恶性的
引起肺结节的原因很有多，除了恶性肿瘤，还有相当多的肺结节是良性的，因为感染性肉芽肿、结核病、慢性炎症、纤维化、肺部瘢痕、良性肿瘤等多种原因导致，这些并无大碍。多个研究发现，所有检出的肺结节里，只有不到5%是恶性肿瘤1,2。
就像我们的皮肤在日常生活中因为磕碰造成的伤口和淤青一样，没什么大事，但需要一定时间才能恢复，并且有的伤及了真皮层，这样的伤口恢复后皮肤会留下瘢痕，颜色变深。我们的肺部组织也一样，得应对各种呼吸进的空气里的微生物，比如结核杆菌、病毒、霉菌等，如果感染厉害的话，需要一定时间才能恢复；有的即使恢复了也会在肺部组织留下瘢痕和阴影。这些迹象在CT上都会表现为肺结节，但它们没什么好担心的。
和恶性肺结节相关的因素有哪些？
虽然大部分肺结节不用担心，但如果患者年龄大，肺结节直径大，结节是恶性的概率会增加，这种情况不能掉以轻心。此外，结节的位置和形态也会影响其恶性概率。目前已知和结节恶性与否相关的因素包括：
年龄。患者年龄越大，恶性概率越高。这和年龄越大，患癌概率越高一个道理。
性别。女性的风险比男性高，特别是磨玻璃结节。
结节大小。越大的结节，恶性概率越高。
结节形态。光滑和圆形的结节更有可能是良性的，有毛刺的或不规则的结节恶性概率高。
结节位置。位于肺上叶的结节比其他部位的结节恶性概率高一些。如果多发性结节只分布在单侧肺部，恶性概率较高。
结节性质。部分实性结节的恶性风险比纯磨玻璃结节和实性结节高。
结节个数。如果不少因为癌症转移造成的结节，那么结节个数超过一定数量的话，越多反而恶性风险越低。
除了这些公认的因素，还有其他因素的影响，比如肺癌家族史和抽烟历史等。
多发性肺结节：活检难，计算机来帮忙
影响结节恶性风险的因素这么多，该怎么综合考虑呢？特别是多发性结节，不太可能对每个结节都做活检确定其良性恶性，因此，如果有工具能准确预测结节的性质，能极大帮助后续的疾病治疗和管理。
以往有一些模型预测单发性肺结节的性质，但是把它们直接用在多发性肺结节上或许不太准确，而且之前的模型多是根据欧美国家的肺癌数据而建的，用在东亚肺癌患者上也可能不太准确。针对这个问题，最近北京大学和首尔大学的研究者们合作开发出了能预测多发性肺结节性质的机器学习模型，发表于Clinical Cancer Research3。
研究者用了520个中国患者的1,739个肺结节数据来建模，模型命名为PKU-M，然后在另外的包括中韩两国患者的数据里进行验证。PKU-M模型的预测表现优异，并且比专家医生和之前的各种机器学习模型准确率更高。
PKU-M模型的表现优于其他模型和专家医生
研究人员还贴心地将PKU-M做成了一个网页端工具，方便使用。
网址：https://mpn.pkuphmodel.com
选择病人的临床特征和结节特征，点击计算，即可算出恶性概率。
图里的例子是一位64岁的男性患者，有肺癌家族史，有吸烟史（一年50包），肿瘤标志物有升高。一次胸部CT扫描发现双侧肺部散在两个结节。位于右下叶的结节为21mm，实性，呈现出毛刺和分叶状，有胸膜凹陷。通过PKU-M模型预测癌变概率为87.4%。手术切除后，病理检查证实为鳞状细胞癌。
作者解释道，这个模型虽然是针对多发性结节患者建立的，但对于单发性结节的预测准确度也不错。这个模型更适合东亚人群，能帮助减少不必要的手术，有利于肺癌的诊断和治疗。
不过，任何模型都不完美，就算PKU-M是目前最为准确的模型，对良性和恶性结节的区分度最高，但有时候它会给有的恶性结节打低分(分越低，恶性概率越低)，而给有的良性结节打了高分。因此，这个工具仅供辅助和参考，具体还是多和医生沟通和商量。
比起其他模型，PKU-M对良性和恶性结节的区分度最高，但也并非十全十美。
希望以后能有更多的数据和模型对肺结节进行更准确的预测，帮助精准治疗的同时减少不必要的负担。
本信息仅供参考，不是诊疗指南，疾病诊治请咨询主治医生。
Reference
1. Yip, R., Henschke, C. I., Yankelevitz, D. F. & Smith, J. P. CT Screening for Lung Cancer: Alternative Definitions of Positive Test Result Based on the National Lung Screening Trial and International Early Lung Cancer Action Program Databases. Radiology 273, 591–596 (2014).
2. McWilliams, A. et al. Probability of Cancer in Pulmonary Nodules Detected on First Screening CT. N. Engl. J. Med. 369, 910–919 (2013).
3. Chen, K. et al. Development and Validation of Machine Learning–based Model for the Prediction of Malignancy in Multiple Pulmonary Nodules: Analysis from Multicentric Cohorts. Clin. Cancer Res. (2021) doi:10.1158/1078-0432.CCR-20-4007.
本文仅供医学药学专业人士阅读
X