Weiwei Tian等研究者发表在2024年的《Cancer Imaging》期刊上的研究，题为“Predicting Occult Lymph Node Metastasis in Solid-Predominantly Invasive Lung Adenocarcinoma Across Multiple Centers Using Radiomics-Deep Learning Fusion Model”，是一项关于肺癌术前淋巴结转移预测的创新性研究。以下是对该研究的详细介绍。
本研究由Weiwei Tian、Qinqin Yan、Xinyu Huang、Rui Feng、Fei Shan、Daoying Geng和Zhiyong Zhang等来自复旦大学、上海交通大学医学院附属瑞金医院、上海公共卫生临床中心等机构的研究者共同完成。研究于2024年发表在《Cancer Imaging》期刊上，采用开放获取形式发表，遵循Creative Commons Attribution 4.0国际许可协议。
肺癌是全球癌症相关死亡率的主要原因，其中肺腺癌是肺癌的主要类型之一。在实体为主的浸润性肺腺癌（Solid-Predominantly Invasive Lung Adenocarcinoma, SPILAC）中，术前隐匿性淋巴结转移（Occult Lymph Node Metastasis, OLNM）是决定治疗方案的关键因素。目前的非侵入性诊断技术，如CT和PET/CT扫描，存在一定的局限性，如假阳性和成本高昂的问题。因此，开发一种能够准确预测OLNM的模型，对于个性化治疗方案的制定具有重要意义。
本研究旨在开发并验证一种结合放射组学（Radiomics）和深度学习（Deep Learning）的融合模型，用于在多中心环境下预测SPILAC患者的OLNM状态。
本研究共包括六个主要步骤：
研究回顾性分析了来自六家医院的1325例CT1a-bN0M0 SPILAC患者的数据，并将这些患者分为病理淋巴结阳性（PN+）和阴性（PN-）两组。患者数据进一步分为训练集（470例）、内部验证集（202例）和两个独立测试集（227例和426例）。
研究从医院的影像存档与通信系统（PACS）中获取了1325例患者的薄层CT图像，其中899例为非增强扫描，426例为增强扫描。图像被导入UAI研究平台（URP）进行初步自动肿瘤区域分割，并由经验丰富的放射科医生手动校正肿瘤掩膜。随后，图像和掩膜被重采样为1×1×1 mm³的体素尺寸，用于分辨率归一化。
研究从分割的三维肿瘤区域中提取了1364个放射组学特征，并使用决策树选择了最重要的10个特征。随后，采用支持向量机（SVM）构建了基于放射组学的OLNM预测模型。
为了探讨模型架构和初始化策略对预测性能的影响，研究采用了五种常见的神经网络结构（ResNet-18、ResNet-34、ResNet-50、DenseNet-121和Swin Transformer），并分别构建了分类模型。部分模型采用了大规模医学数据集进行预训练，随后在特定数据集上进行微调。研究共开发了9个深度学习模型。
研究通过加法或拼接技术将放射组学特征与深度学习特征融合，构建了四种特征融合方法。融合模型在训练过程中结合了交叉熵损失和对比学习损失，并通过动量模型缓解过拟合问题。
研究使用R软件进行了统计分析，模型性能通过受试者工作特征曲线下面积（AUC）、准确率、敏感性、特异性等指标进行评估。
在所有1325例患者中，478例（36%）存在OLNM。融合模型（采用预训练ResNet-18特征融合）在验证集和测试集中的平均AUC为0.754，显著优于单独使用放射组学模型（0.715）和深度学习模型（0.676）。具体而言，在独立测试集1中，融合模型的AUC显著高于其他模型（p < 0.05）；在独立测试集2中，融合模型也表现出更高的性能（p < 0.05）。
本研究提出的放射组学-深度学习融合模型在预测SPILAC患者OLNM方面表现出优异的泛化能力，具有重要的临床应用价值。研究通过结合放射组学的可解释性和深度学习的自动化特征提取能力，为多中心环境下的肺癌个性化治疗提供了有力支持。此外，研究还探讨了模型架构、初始化策略和特征融合技术对预测性能的影响，为未来类似研究提供了重要参考。
本研究的亮点在于：
（1）首次在多中心环境下开发并验证了结合放射组学和深度学习技术的OLNM预测模型；
（2）采用了多种神经网络架构和特征融合技术，显著提升了模型的泛化能力；
（3）研究数据集丰富，涵盖了多种影像设备和重建参数，更贴近实际临床应用场景。
本研究还为未来研究方向提出了建议，例如开展前瞻性研究以减少回顾性设计的偏倚，并进一步评估非侵入性OLNM预测对患者的实际获益。此外，研究代码已公开，为其他研究者提供了便利。
Weiwei Tian等研究者的工作为肺癌术前淋巴结转移预测提供了新的技术手段，具有重要的科学价值和临床应用前景。