首页 > 文章详情

2025 ESMO | 基于CT影像组学的人工智能模型对早期肺癌复发预后的外部验证

10月15日

编译：肿瘤资讯

来源：肿瘤资讯

Session Type

Proffered Paper session

Session Title

Proffered paper session: AI & digital oncology

摘要号

1786O

英文标题

1786O - External validation of AI for early-stage lung cancer recurrence prognosis using CT radiomics

中文标题

1786O - 基于CT影像组学的人工智能模型对早期肺癌复发预后的外部验证

讲者

Ann Valter (Tallinn, Estonia)

背景

准确的风险分层有助于优化早期肺癌患者术后治疗决策和随访策略，从而改善患者预后。本研究对一种融合CT影像特征与临床指标的机器学习（ML）生存预测模型进行外部验证，旨在评估该模型预测肺癌复发的效能，并探讨风险评分与已知复发病理危险因素的相关性。

方法

研究数据来自美国国家肺癌筛查试验（NLST）、爱沙尼亚北部医学中心（NEMC）及斯坦福非小细胞肺癌放射基因组学数据库，共纳入1267例接受手术切除的临床I-III期肺癌患者（复发353例，占28%）。其中252例NEMC患者用于外部验证，1015例用于算法开发。术前生存模型采用8折交叉验证策略，基于CT影像组学特征和临床变量训练，以预测复发风险。ML风险评分阈值设定以优化I期高危患者识别效能，采用一致性指数（C-index）和无病生存期（DFS）评估模型在I期患者中的表现。通过t检验分析ML风险评分与肿瘤分级、淋巴血管侵犯（LVI）、神经周围侵犯（PNI）、脏层胸膜侵犯（VPI）、气腔播散（STAS）及PD-L1表达的相关性。

结果

在内部验证（HR 1.68 vs 1.25）和外部验证（HR 3.34 vs 1.62）数据集中，ML生存模型对I期患者的高/低危分层效能均显著优于单纯临床分期。ML风险评分与肿瘤分级（p<0.005）、LVI（p<0.005）、VPI（p<0.005）及STAS（p=0.01）呈显著正相关。在内部验证中，ML风险分层（低危 vs 高危）的C-index为0.62（HR 1.68，p=0.02），优于临床分期（C-index 0.51，HR 1.25，p=0.40）；在外部验证中，ML模型C-index为0.69（HR 3.34，p<0.005），而临床分期为0.48（HR 1.62，p=0.21）。

结论

该ML生存模型在I期肺癌患者中的预测效能优于临床分期，且与已知复发病理危险因素显著相关，可用于识别需要（新）辅助治疗或扩大手术范围的高危I期患者。

责任编辑：肿瘤资讯-TY
排版编辑：肿瘤资讯-TY

10月15日

马利平

漯河市第六人民医院 | 肿瘤科

准确的风险分层有助于优化早期肺癌患者术后治疗决策和随访策略