首页 > 文章详情

【前沿进展】非小细胞肺癌患者生存预测CT基础模型性能评估

2025年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）影像作为重要的诊断工具，其图像中蕴含的放射组学特征在揭示肿瘤内部异质性、捕捉与预后相关的深层次信息方面展现出巨大的潜力。目前，PyRadiomics是业界广泛认可且技术成熟的特征提取标准方法。与此同时，近年来兴起的基础模型（FMs）凭借其强大的表征学习能力，在从医学影像中提取复杂特征方面表现出了卓越的性能。因此，本研究旨在深入探索并系统评估基础模型在CT影像分析中的应用价值，并将其与传统的PyRadiomics方法在构建非小细胞肺癌（NSCLC）患者预后生物标志物方面的性能进行直接、全面的比较。

方法

本研究的数据来源于癌症影像档案公共数据库中的两个独立队列（NSCLC Radiomics 和 NSCLC Radiogenomics），共纳入了553例患者的CT扫描图像及其对应的病灶分割标注。针对每位患者，我们设定了两个核心预后评估任务：一是预测其24个月的总生存状态（分类任务，OS-24），二是进行总生存期的生存分析。特征提取环节采用了基于两大途径的五种方法：一是基于多种基础模型（包括Merlin、Google CT、FMCIB和CT-FM，这些模型分别在不同规模的数据集上进行预训练，数据量分别约为15,000、600,000、30,000和140,000例CT影像），二是基于PyRadiomics工具箱。在输入处理上，除FMCIB模型仅使用包含主要病灶的局部CT区域外，其余基础模型均接受完整的3D扫描作为输入。作为对比，PyRadiomics特征则严格按照临床常规，由经验丰富的放射科医师勾画的主要病灶区域中提取。所有特征数据均经过标准化的机器学习预处理流程（包括缺失值处理、标准化等）进行准备。我们采用分层抽样，将443例CT数据（占总数的80%）用于模型训练，并在一个完全独立的、模型从未接触过的测试集（110例CT，占总数的20%）上进行性能验证。分类任务的性能通过接收者操作特征曲线下面积（AUC）进行评估，而生存分析模型的区分能力则通过一致性指数（C-Index）来量化。

结果

综合性能分析表明，在五种特征提取方法中，Google CT基础模型的表现最为突出。其在OS-24预测任务中取得了0.74的AUC值（95%置信区间为[0.64, 0.83]），在总生存期预测任务中取得了0.67的C-index值（95%置信区间为[0.60, 0.74]）。该模型不仅展现了优异的泛化能力，其过拟合现象也最小，其预测性能持续且显著地优于基于传统放射组学的PyRadiomics方法。

结论

本研究证实，Google基础模型在非小细胞肺癌的预后评估中具备强大的应用潜力。该模型在生存期分类和连续时间生存预测任务中均表现出高度的稳健性和一致性。一个值得注意的关键优势在于，该方法能够在无需对肿瘤进行精确手动分割的情况下，即可获得卓越的预测结果。这相较于PyRadiomics等严重依赖放射科医师精细勾画病灶的传统放射组学方法，具有显著的临床实用优势，因为它能在保持甚至提升诊断性能的同时，极大地节省临床医生的时间和精力。我们的研究结果进一步表明，基于海量、多样化医学影像数据集预训练而成的基础模型，能够高效地捕捉整个CT扫描体积中与临床预后密切相关的复杂模式。这为开发更高效、更普适的影像学生物标志物开辟了新途径，有望加速其在临床实践中的转化与应用。此外，该类模型较低的过拟合风险也使其在小规模临床数据集的应用中更具吸引力。

责任编辑：肿瘤资讯-TY
排版编辑：肿瘤资讯-TY