深度学习模型在非小细胞肺癌患者术前风险分层中的应用研究

作者与发表信息

这项研究由Kwon Joong Na, Young Tae Kim, Jin Mo Goo和Hyungjin Kim等学者完成，主要来自首尔国立大学医院（Seoul National University Hospital）胸外科、影像医学及肿瘤研究相关部门。文章发表于《Radiology》期刊，预定出版日期为2024年4月（Radiology, Volume 311, Number 1, April 2024）。研究得到了首尔国立大学医院研究基金及韩国国家研究基金的资助。

研究背景与动机

非小细胞肺癌（Non–Small Cell Lung Cancer, NSCLC）是一种高发的肺癌类型。自1995年的临床试验确立了肺叶切除术（Lobectomy）为早期肺癌的标准手术治疗以来，外科手术策略对于不同肿瘤的持续优化一直是研究热点。近年来的随机III期临床试验（如CALGB140503和JCOG0802试验）表明，部分小型周边型NSCLC可能通过亚叶切除术（Sublobar Resection，如楔形切除或解剖性肺段切除）达到与肺叶切除术相近的治疗效果。

虽然这些试验为亚叶切除提供了理论支持，但仍存在一些问题：研究发现，部分患者在术后易发生局部或淋巴复发（如JCOG0802试验中肺段切除患者局部复发率为11%，显著高于肺叶切除术的5%）。目前尚无工具可以帮助手术前对接受亚叶切除术患者进行精确风险分层，从而为术式选择提供依据。

此外，仅依赖CT扫描的肿瘤尺寸测量或单一临床变量来评估术后风险可能不足。因此，研究团队提出使用基于CT影像的深度学习（Deep Learning, DL）模型，结合影像和临床信息，开发用于术前风险分层的AI工具。

研究目的

研究旨在开发并验证一种基于术前CT扫描和临床、影像信息的深度学习模型，用于临床1A期非小细胞肺癌患者的风险分层。具体地，该模型通过评估肺段切除术后复发及生存风险，为临床决策提供高灵敏度和高特异性的预测结果，解决目前术式选择风险评估不足的难题。

研究方法与工作流程

数据集与样本纳入

1. 预训练数据集： 包含1756名接受过肺叶切除且病理诊断为非小细胞肺癌（pTanyNanyM0）的患者（2008年1月至2017年3月）。用于模型的初始预训练。

2. 转移学习数据集（内部数据集）： 从预训练数据集中筛选出730例临床1A期NSCLC患者（依据第八版TNM分期系统），其中441例用于模型训练，129例用于验证，160例用于测试。

3. 独立测试数据集（肺段切除术患者）： 包括222例2010年至2017年间接受肺段切除术的临床1A期NSCLC患者。

深度学习模型开发

1. 预训练阶段： 模型基于3D CT图像的肿瘤特征进行多任务学习，任务包括预测脏层胸膜侵犯（Visceral Pleural Invasion）、淋巴管侵犯（Lymphovascular Invasion）、淋巴结转移及总生存率（Overall Survival, OS）。
2. 转移学习阶段： 结合额外特征（如年龄、性别、CT影像中肿瘤实性部分大小及肿瘤实变比），在临床1A期患者子集中微调模型以优化预后预测性能。

研究指标与分析方法

1. 主要研究指标：术后复发无病生存（Freedom from Recurrence, FFR）、肺癌特异性生存（Lung Cancer–Specific Survival, LCSS）和总生存率（OS）。
2. 数据处理：采用Kaplan-Meier曲线、生存分析及时间依赖性ROC曲线（AUC）评估模型的灵敏度和特异性；并与JCOG和CALGB等试验的手术适应证标准进行比较。

研究结果

1. 模型性能：

   • 针对2年复发无病生存（FFR），模型AUC为0.86，敏感性为87.4%，特异性为66.7%。
   • 针对4年肺癌特异性生存（LCSS），模型AUC为0.90，敏感性为100%，特异性为66.5%。
   • 针对4年总生存率（OS），模型AUC为0.72，敏感性为71.4%，特异性为65.9%。

2. 模型与临床试验标准的对比：

   • 与JCOG试验标准相比，DL模型在2年FFR中的敏感性显著提高（87.4% vs 37.6%，p = 0.02），且特异性相似。
   • 同时，即使在满足JCOG和CALGB适应证的患者中，DL模型仍能进一步区分高风险及低风险亚组，两组的复发与生存率差异显著。

3. 多变量分析验证：

   • 调整临床因素后，DL模型的风险评分在预测FFR（HR=1.13, p=0.002）、LCSS（HR=1.09, p=0.001）和OS（HR=1.06, p<0.001）上均具独立预测价值。

结论

这项研究成功开发了基于术前CT图像和临床变量的深度学习模型，用于临床1A期NSCLC患者的术前风险分层。研究结果表明，该模型相比现行的临床试验适应证更具敏感性，对于预测术后复发及生存风险具有较高的临床价值。

从科学价值上看，该研究创新性地结合CT影像学数据与AI技术，为NSCLC患者的精准医疗决策提供了新工具；从实际应用角度，这一AI模型能够帮助外科医生更科学地选择适合的手术方式，从而优化患者的预后。

研究亮点

1. 技术创新：首次基于多任务学习结合临床影像信息开发DL模型，精细化区域性肿瘤CT特征。
2. 性能优势：在复发/生存预测中，模型展现极高灵敏度，较现有指南更具临床适用性。
3. 临床潜力：不仅评估当前手术策略的适用性，还为未来临床试验优化患者入组标准提供数据支持。

限制及未来展望

尽管研究结果令人振奋，但其局限性包括： 1. 模型的训练与验证均基于单一中心数据，缺乏外部验证。 2. 缺乏基于高风险与低风险患者组的进一步分析，以比较不同手术模式的疗效差异。

未来工作可针对外部大样本数据进行模型验证，并探索用于其他肺癌阶段或不同治疗方法间的风险分层性能。