首页 > 文章详情

2024 WCLC 中国之声 | 深度学习预测模型，可指导I期NSCLC的OLM精准治疗

2024年08月17日

编译：肿瘤资讯

来源：2024 WCLC

2024世界肺癌大会（WCLC）将于美国当地时间9月7-10日在圣地亚哥举行，旨在为全球肺癌领域的学者、专家、从业人员提供最新临床研究、科学研究成果及广阔的学术交流平台。

近日，WCLC官网已披露部分摘要。其中多项由中国研究者主导的重要研究成果入选大会摘要，在国际盛会唱响中国好声音。上海市胸科医院J. Liu教授团队报告了一项基于胸部CT构建的深度学习模型来预测临床I期NSCLC患者的隐匿性淋巴转移（OLM）的研究。【肿瘤资讯】特此整理，以飨读者。

研究标题：A Deep Learning Model to Predict Occult Lymphatic Metastasis in Clinical Stage I Non-Small Cell Lung Cancer Based on Chest CT

摘要号：MA03.04

背景

手术和立体定向放射治疗（SBRT）都是临床I期非小细胞肺癌（NSCLC）患者的主要根治性局部治疗方法，但两者的选择仍需进一步讨论。决定性因素之一是正确的淋巴结分期诊断。大约10%的临床I期肺癌患者通过手术被诊断为OLM，本研究旨在基于胸部CT构建一个深度学习模型，以预测临床I期NSCLC患者的OLM，并指导个体化精准治疗。

方法

本研究分别收集了2015~2017年及2021~2022年期间在我院接受手术及淋巴结清扫、临床诊断为I期并病理确认为NSCLC的患者，形成回顾性和前瞻性队列。研究者通过开发自适应密集连接网络，从回顾性队列患者的术前胸部CT影像中提取深度图像特征，并与13个相关临床特征通过逻辑回归融合，以实现对OLM的准确预测。模型训练完成后，在前瞻性队列上验证其泛化能力。采用ROC曲线评估模型的预测性能，并基于最大Youden指数确定最佳截断值，将患者分为高风险和低风险组，从而帮助推荐合适的治疗决策。

结果

研究最终纳入符合入组标准的2489例和322例患者，分别形成回顾性和前瞻性队列。回顾性队列按8:1:1的比例随机分为训练集、验证集和测试集。最终，构建的图像与临床融合模型在回顾性和前瞻性测试集上预测OLM的AUC分别为0.915和0.921，显著高于临床模型（0.830和0.790）。回顾性和前瞻性测试集的敏感性、特异性和准确性分别为88.9%、82.7%、83.6%和95.9%、82.8%、84.8%。此外，基于模型的截断值，患者可显著分为OLM高风险组和低风险组（P<0.001）。对于高风险组患者，建议首先进行根治性手术切除联合淋巴结清扫，以避免可能漏诊的淋巴结转移，而对于低风险组患者，尤其是禁忌手术或不愿手术的患者，SBRT也可以是另一种治疗选择。

结论

本研究通过深度学习构建了基于胸部CT的三维自适应卷积神经网络模型，用于预测临床I期NSCLC患者的OLM，表现出比临床模型更好的预测性能和临床一致性。该模型有助于早期NSCLC患者术前的准确分期，并为手术或SBRT的适用人群筛选提供支持，从而进一步提升个体化精准治疗水平。

责任编辑：肿瘤资讯-Yuno
排版编辑：肿瘤资讯-Yuno

微信图片_20240817102759.jpg