首页 > 文章详情

影像组学优化肺癌全生命周期管理：筛查、分期与预后评估

07月21日

编译：肿瘤资讯

来源：肿瘤资讯

随着低剂量螺旋CT（LDCT）的普及，肺癌的早期筛查率显著提升，但随之而来的高假阳性率和过度诊断成为了亟待解决的临床痛点。此外，传统的肉眼影像判读难以全面捕捉肿瘤的时空异质性。近年来，影像组学（Radiomics）与深度学习的深度融合，正推动影像学从单纯的形态学评估向高维度的定量生物学跨越。本文将深入探讨AI模型如何突破肉眼局限，在肺癌的早期结节筛查、隐匿性淋巴结转移辅助评估，以及非侵入性生存预测中提供高分辨率的决策支持。

突破肉眼局限：结节筛查与良恶性鉴别的客观化

在低剂量螺旋CT（LDCT）肺癌筛查中，假阳性率高和过度诊断一直是临床痛点。AI模型通过提取病灶的高维定量特征，能够捕捉到肉眼无法识别的微观异质性。

基于CT影像的神经网络分类器能够有效区分小细胞肺癌（SCLC）与非小细胞肺癌（NSCLC）腺癌，其受试者工作特征曲线下面积（AUC）可达0.93，表现令人满意 ^[1]。

在早期肺癌诊断方面，一项纳入2,312例肺癌患者和653例良性肺结节患者的回顾性双中心研究中，比较了XGBoost、LightGBM、随机森林、AdaBoost和逻辑回归等多种机器学习算法。研究发现，融合人口统计学、结节特征及肿瘤标志物的多模态特征集中，逻辑回归（LR）在早期诊断中表现最优（内部测试集AUC 0.716，灵敏度70.3%，特异性65.4%），而XGBoost在病理分期预测中表现最佳（内部验证AUC 0.913，准确率87.5%，灵敏度90.9%，特异性81.4%），两者在不同临床任务中各有优势^[2]。

利用U-Net架构进行深度学习的三维自动分割技术，基于来自7个机构的999例标准CT扫描进行训练，能够在3秒内完成患者肺部病灶的精准勾画（内部检测AUC约0.96，中位Dice相似系数约0.85），其一致性与可重复性在3个额外数据集（238例扫描）的多中心外部验证中超越了人工手动分割（外部验证AUC 0.98，中位DSC 0.82），且模拟阅片研究显示自动轮廓更快获取、更具可重复性，并常被优先选择^[2]。

值得注意的是，FDA已批准多款AI辅助肺结节检测软件，包括qXR-LN（胸部X线肺结节识别）、qCT LN Quant（CT肺结节体积量化与恶性风险评分）、Optellum的Virtual Nodule Clinic（首个FDA批准的肺癌影像AI数字生物标志物）以及Fovia Ai的F.A.S.T. aiCockpit CT Lung Nodule等，标志着AI影像工具正从研究阶段向临床转化迈进^[2]。

辅助分期评估：隐匿性淋巴结转移的AI辅助识别

准确的淋巴结分期（N分期）是制定围手术期治疗策略的基石。传统CT或PET/CT对微转移往往存在局限，而多模态融合模型为这一难题提供了新的辅助手段。

临床-生物学-影像组学（CBR）联合模型在FDG-PET/CT的纵隔及肺门淋巴结状态评估中，Ren et al.基于260例患者数据构建的CBR模型实现了训练集AUC 0.90、测试集AUC 0.89，灵敏度分别为81.73%和74.47%，特异性分别为87.18%和93.55%，显著优于单一临床-生物学模型（AUC 0.74/0.73，特异性<60%）和单一影像组学模型（AUC 0.76/0.83，特异性60.26%/70.97%），凸显了多维度数据融合在淋巴结分期中的附加价值^[2]。

基于ResNet18架构的深度学习淋巴结转移特征（DLNMS）模型，通过在特征层融合PET与CT数据，在内部队列（n=1911）、外部队列（n=355）和前瞻性队列（n=999）中实现了AUROC 0.875-0.958，能够前瞻性地识别出传统影像学易漏诊的隐匿性N1/N2转移，且一致性优于PET单独、CT单独、临床模型及人类阅片者。放射基因组学分析还将高风险特征与不良突变及微环境模式相关联^[2]。

另一项研究开发了基于CT的深度学习N2风险评分模型，在内部测试集（n=266）、外部队列（n=133）和前瞻性队列（n=300）中预测临床I期NSCLC患者病理N2转移的AUC分别为0.82、0.81和0.81，显著优于临床模型（AUC 0.61-0.70，均p<0.001）。该N2风险评分还能有效进行生存期分层，与总生存期（校正HR 2.9, 95% CI 1.2-6.9, p=0.02）及无复发生存期（校正HR 3.2, 95% CI 1.4-7.4, p=0.007）均具有显著统计学相关性^[2]。

预后图谱：基于基线影像的非侵入性生存预测

预后评估正在摆脱对单一解剖学分期的依赖。AI模型可以无创地映射肿瘤的生物学侵袭行为，协助医生提前锁定高危人群。

一项奠基性研究（2014年）从1,019例肺癌和头颈癌患者的CT影像中提取了大量影像组学特征，证实许多影像组学特征具有跨癌种的预后预测效能，能够无创解析肿瘤表型^[1]。

如前所述，基于深度学习推导的N2风险评分已被证实与患者的OS及RFS具有显著的统计学相关性，为术前风险分层提供了客观依据^[2]。

结合电子病历（EHR）数据构建的前瞻性风险预测模型，能够提取个体患者EHR数据进行模型构建与验证，在临床确诊前一年有效预测普通人群罹患肺癌的风险，为高危人群的早期识别提供了新途径^[1]。

当前挑战与局限性

尽管上述AI模型在回顾性研究中展现了令人鼓舞的性能，但其向真实世界临床转化仍面临多重挑战。