隨著胸部低劑量螺旋CT篩查的普及，肺結節的檢出率大大增加。其中不少是多發肺結節。很多人拿到CT結果後，看到“肺結節”、“多發”這樣的字眼就慌了神：這麼多結節，是不是很嚴重？會不會都是惡性腫瘤？其實絕大多數檢出的肺結節都是良性的，最近北京大學人民醫院的醫生們還開發出了一個工具，可以幫助預測多發性肺結節的惡性風險。
Source： Cleveland Clinic
肺結節：只有少數是惡性的
引起肺結節的原因很有多，除了惡性腫瘤，還有相當多的肺結節是良性的，因為感染性肉芽腫、結核病、慢性炎症、纖維化、肺部瘢痕、良性腫瘤等多種原因導致，這些並無大礙。多個研究發現，所有檢出的肺結節裡，只有不到5%是惡性腫瘤1，2。
就像我們的面板在日常生活中因為磕碰造成的傷口和淤青一樣，沒什麼大事，但需要一定時間才能恢復，並且有的傷及了真皮層，這樣的傷口恢復後面板會留下瘢痕，顏色變深。我們的肺部組織也一樣，得應對各種呼吸進的空氣裡的微生物，比如結核桿菌、病毒、黴菌等，如果感染厲害的話，需要一定時間才能恢復；有的即使恢復了也會在肺部組織留下瘢痕和陰影。這些跡象在CT上都會表現為肺結節，但它們沒什麼好擔心的。
和惡性肺結節相關的因素有哪些？
雖然大部分肺結節不用擔心，但如果患者年齡大，肺結節直徑大，結節是惡性的機率會增加，這種情況不能掉以輕心。此外，結節的位置和形態也會影響其惡性機率。目前已知和結節惡性與否相關的因素包括：
年齡
。患者年齡越大，惡性機率越高。這和年齡越大，患癌機率越高一個道理。
性別
。女性的風險比男性高，特別是磨玻璃結節。
結節大小
。越大的結節，惡性機率越高。
結節形態
。光滑和圓形的結節更有可能是良性的，有毛刺的或不規則的結節惡性機率高。
結節位置
。位於肺上葉的結節比其他部位的結節惡性機率高一些。如果多發性結節只分布在單側肺部，惡性機率較高。
結節性質
。部分實性結節的惡性風險比純磨玻璃結節和實性結節高。
結節個數
。如果不少因為癌症轉移造成的結節，那麼結節個數超過一定數量的話，越多反而惡性風險越低。
除了這些公認的因素，還有其他因素的影響，比如肺癌家族史和抽菸歷史等。
多發性肺結節：活檢難，計算機來幫忙
影響結節惡性風險的因素這麼多，該怎麼綜合考慮呢？特別是多發性結節，不太可能對每個結節都做活檢確定其良性惡性，因此，如果有工具能準確預測結節的性質，能極大幫助後續的疾病治療和管理。
以往有一些模型預測單發性肺結節的性質，但是把它們直接用在多發性肺結節上或許不太準確，而且之前的模型多是根據歐美國家的肺癌資料而建的，用在東亞肺癌患者上也可能不太準確。針對這個問題，最近北京大學和首爾大學的研究者們合作開發出了能預測多發性肺結節性質的機器學習模型，發表於Clinical Cancer Research3。
研究者用了520箇中國患者的1，739個肺結節資料來建模，模型命名為PKU-M，然後在另外的包括中韓兩國患者的資料裡進行驗證。PKU-M模型的預測表現優異，並且比專家醫生和之前的各種機器學習模型準確率更高。
PKU-M模型的表現優於其他模型和專家醫生
網頁端預測工具如何用？
研究人員還貼心地將PKU-M做成了一個網頁端工具，方便使用。
網址：https：//mpn。pkuphmodel。com
選擇病人的臨床特徵和結節特徵，點選計算，即可算出惡性機率。
圖裡的例子是一位64歲的男性患者，有肺癌家族史，有吸菸史（一年50包），腫瘤標誌物有升高。一次胸部CT掃描發現雙側肺部散在兩個結節。位於右下葉的結節為21mm，實性，呈現出毛刺和分葉狀，有胸膜凹陷。透過PKU-M模型預測癌變機率為87。4%。手術切除後，病理檢查證實為鱗狀細胞癌。
作者解釋道，這個模型雖然是針對多發性結節患者建立的，但對於單發性結節的預測準確度也不錯。這個模型更適合東亞人群，能幫助減少不必要的手術，有利於肺癌的診斷和治療。
不過，任何模型都不完美，就算PKU-M是目前最為準確的模型，對良性和惡性結節的區分度最高，但有時候它會給有的惡性結節打低分（分越低，惡性機率越低），而給有的良性結節打了高分。因此，這個工具僅供輔助和參考，具體還是多和醫生溝通和商量。
比起其他模型，PKU-M對良性和惡性結節的區分度最高，但也並非十全十美
希望以後能有更多的資料和模型對肺結節進行更準確的預測，幫助精準治療的同時減少不必要的負擔。
本資訊僅供參考，不是診療指南，疾病診治請諮詢主治醫生。
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。