目的·验证采用随机森林算法并基于血清代谢指纹数据、蛋白标志物癌胚抗原(carcinoembryonic antigen,CEA)和Image-AI的多模态肺结节诊断模型(a multi-modal pulmonary nodule diagnosis model combined metabolic fingerprints,protein biomarker CEA and Image-AI via random forest,MPI-RF)的性能,探索其临床应用价值。方法·入组就诊于上海交通大学医学院附属胸科医院且低剂量螺旋CT表现为肺结节的患者289例,根据术后病理结果将其分为恶性结节组(n=197)和良性结节组(n=92),收集并比较2组患者的基本信息。使用电化学发光法检测2组患者术前血清CEA水平,使用基质辅助激光解吸电离质谱(matrix-assisted laser desorption/ionization mass spectrometry,MALDI-MS)检测血清代谢指纹图谱,使用CT影像人工智能模型Image-AI计算影像得分。将CEA数据、血清代谢指纹数据和影像得分整合后输入至MPI-RF中,计算每位患者的恶性概率得分。采用受试者操作特征曲线(receiver operator characteristic curve,ROC曲线)、曲线下面积(area under the curve,AUC)评估不同模型的性能并采用DeLong检验进行比较分析,包括MPI-RF在不同类型(实性、纯磨玻璃、混合磨玻璃)和大小(直径<8 mm、直径≥8 mm)的肺结节中的诊断性能,MPI-RF与Mayo Clinic模型、美国退伍军人管理局(veterans administration,VA)模型、Brock模型的诊断性能比较,以及MPI-RF与肺部影像报告和数据系统(lung imaging reporting and data system,Lung-RADS)在良恶性结节中的诊断性能比较。结果·MPI-RF在肺结节良恶性鉴别中具有良好的诊断性能(AUC=0.887,95%CI 0.848~0.925,灵敏度为81.22%,特异度为83.70%);其中,MPI-RF对实性结节的AUC为0.877 (95%CI 0.820~0.934),混合磨玻璃结节的AUC为0.858 (95%CI 0.771~0.946),纯磨玻璃结节的AUC为0.978 (95%CI 0.923~1.000)。对于直径<8 mm的结节,MPI-RF的AUC为0.840 (95%CI 0.716~0.963);直径≥8 mm的结节,其AUC为0.891 (95%CI 0.849~0.933)。与现有模
