首页 > 文章详情

2025 WCLC | 非小细胞肺癌患者生存预测CT基础模型性能评估

08月14日

编译：肿瘤资讯

来源：肿瘤资讯

Session Type

Mini Oral

Session Title

MA06. Improving Care Judiciously

摘要号

MA06.07

英文标题

Benchmarking CT Foundation Models for Survival Prediction in NSCLC Patients

中文标题

非小细胞肺癌患者生存预测CT基础模型性能评估

讲者

Beshoy Guirges

讲者机构

Fondazione IRCCS Istituto Nazionale dei Tumori

背景

计算机断层扫描(CT)图像中提取的放射组学特征在捕捉肿瘤预后特征方面展现出潜力。尽管PyRadiomics是目前最先进的特征提取方法，但基础模型(FMs)在特征提取方面表现出优异性能。本研究探讨了基础模型的应用，并将其与PyRadiomics在提取CT特征构建非小细胞肺癌患者预后标志物方面的性能进行比较。

方法

我们分析了来自TCIA公共数据库(NSCLC Radiomics和NSCLC Radiogenomics)的553例CT扫描及对应病灶分割数据。针对每位患者，我们预测了24个月生存状态(分类任务，OS-24)并进行了生存分析。特征提取采用两种途径下的5种方法：基础模型(FMs) (Merlin、Google CT、FMCIB、CT-FM；分别预训练于约15,000、600,000、30,000和140,000例CT)，和PyRadiomics。除FMCIB外，其他基础模型均采用完整3D扫描作为输入，而FMCIB仅使用包含主要病灶的CT部分。PyRadiomics特征由放射科专家分割的主要病灶中提取。采用标准机器学习预处理流程进行数据准备。在443例CT上训练模型，并在独立的110例CT(占总数的20%，模型未接触过)上进行测试。使用曲线下面积(AUC)评估分类性能，一致性指数(C-Index)评估生存分析性能。

结果

分析显示，Google CT FM在OS-24预测(AUC 0.74，95%置信区间[0.64, 0.83])和总生存期预测(C-index 0.67，95%置信区间[0.60, 0.74])中表现最优。该模型展现出优异的泛化能力和最小过拟合，性能持续优于PyRadiomics。

结论

Google基础模型在非小细胞肺癌预后评估中表现出强大能力，在生存预测和分类任务中均保持稳健且一致的性能。值得注意的是，该方法无需肿瘤分割即可获得优异结果，相较于依赖精确病灶勾画的传统放射组学方法(如PyRadiomics)具有显著临床优势。该技术可在保持诊断性能的同时节省放射科医师时间。我们的研究结果表明，基于大规模医学影像数据集预训练的基础模型，能够有效捕捉整个CT体积中的临床相关模式，有望促进影像生物标志物在临床实践中的开发与应用，并因其较低的过拟合风险而适用于小规模数据集。

责任编辑：肿瘤资讯-TY
排版编辑：肿瘤资讯-TY