肺癌STAS（Spread Through Air Spaces）研究热点与趋势的文献计量与可视化分析报告

2025年1月3日，*Frontiers in Oncology*期刊发表了一项由中国湖州市第一人民医院放射科、呼吸内科及胸外科团队（Pengliang Xu通讯作者）领衔的系统综述，题为《Research hotspots and trends in lung cancer STAS: a bibliometric and visualization analysis》。该研究通过文献计量学方法，综合分析了2015年至2024年8月间关于肺癌STAS的全球研究动态，旨在揭示当前研究热点及未来方向。

研究背景与意义

肺癌是全球发病率与死亡率最高的恶性肿瘤之一。随着低剂量CT筛查的普及，早期肺癌的诊断率显著提升，但术后复发率仍高达20-30%。2015年，世界卫生组织（WHO）首次将STAS定义为肺腺癌（lung adenocarcinoma）的新型侵袭模式，指肿瘤细胞以微乳头簇、实性巢或单个细胞形式存在于原发灶周围肺泡腔内。STAS与肺癌预后不良密切相关，是局部复发的独立危险因素。因此，明确STAS状态对制定个性化手术方案（如肺叶切除术优于亚肺叶切除）至关重要。然而，STAS的机制、预测方法及临床管理仍是未解难题。为此，作者团队采用文献计量学工具（如VOSviewer、CiteSpace）对243篇文献进行定量与可视化分析，填补了该领域系统性综述的空白。

研究方法与流程

1. 数据检索与处理

   • 数据来源：Web of Science（WoS）核心合集，检索2015年1月至2024年8月发表的英文文献，关键词包括“lung cancer”“STAS”等。
     
   • 筛选标准：纳入243篇论文（文章与综述），排除重复及非相关文献。
     
   • 分析工具：
     
     • VOSviewer 1.6.20：可视化分析国家、机构、作者、共被引作者及关键词网络。
       
     • CiteSpace 6.2.R4：分析机构中心性、参考文献、关键词突现及共被引文献。
       
     • R软件bibliometrix：国家间发文量差异分析。
       

2. 分析维度

   • 趋势分析：年发文量拟合曲线（R²=0.9597）显示研究增长趋势。
     
   • 国家/机构贡献：中国（113篇）、日本（65篇）、美国（33篇）为发文量前三甲；复旦大学（21篇）和哈佛大学（14篇）为高产机构。
     
   • 期刊影响力：*Lung Cancer*（25篇）发文量最高，*Journal of Thoracic Oncology*（IF=21）引用影响力最强。
     
   • 作者网络：Kadota K（13篇）为核心作者，其2015年论文首次确立STAS为肺腺癌侵袭模式。
     

3. 关键词聚类与热点识别

   • 四大研究集群：
     
     1. STAS病理学特征（如微乳头结构、实性巢）。
        
     2. 生物学机制（上皮-间质转化EMT、肿瘤微环境）。
        
     3. 预后评估（STAS阳性者5年生存率降低20%）。
        
     4. 影像预测模型（CT放射组学、深度学习）。
        
   • 突现关键词：2020年后“深度学习（deep learning）”“肺鳞癌（lung squamous cell carcinoma）”成为新兴热点。
     

主要研究发现

1. 病理学进展

   • STAS的三种病理模式（WHO定义）与肿瘤分化程度相关，低分化腺癌中STAS发生率更高（如微乳头亚型达42%）。
     
   • 半定量分级（Uraga分类：无/低/高STAS）为预后分层提供依据。
     

2. 机制探索

   • EMT标志物：E-钙黏蛋白低表达、波形蛋白高表达与STAS相关。
     
   • 基因突变：野生型EGFR和ALK重排患者更易出现STAS。
     

3. 临床预后

   • 复发风险：STAS阳性Ⅰ期肺腺癌患者接受亚肺叶切除后，局部复发率较肺叶切除高3倍（Kadota K, 2015）。
     
   • 影像预测：
     
     • CT特征（实性成分比例>50%）可预测STAS（AUC=0.77）。
       
     • 深度学习模型（如3D CNN）显著提升预测精度（AUC=0.93）。
       

4. 技术突破

   • 放射组学：Wang等开发的“SE-ResNet50模型”整合超分辨率技术，外部验证准确率达82.2%。
     
   • PET-CT：肿瘤代谢体积比（MTV/CTV>1）是STAS的独立预测因子。
     

研究价值与启示

1. 学术意义

   • 首次系统性梳理STAS研究的全球格局，揭示病理-机制-预后-影像的多维研究框架。
     
   • 提出深度学习在术前无创预测STAS的潜力，为精准手术规划提供工具。
     

2. 临床转化

   • STAS状态应纳入肺癌分期系统（如Laville等建议上调T分期）。
     
   • 需加强临床医生对放射组学模型的培训，以减少误诊。
     

3. 未来方向

   • 探索STAS的分子机制（如NRG1-AKT通路抑制作用）。
     
   • 多中心验证深度学习模型的泛化能力。
     

亮点总结

1. 方法论创新：结合文献计量学与机器学习，实现研究热点的动态捕捉。
   
2. 跨学科整合：病理学、影像学与人工智能的交叉应用。
   
3. 临床指导性：明确STAS阳性患者应避免亚肺叶切除的循证依据。
   

本研究为肺癌STAS领域提供了全景式分析框架，其结论对推动个体化治疗具有里程碑意义。未来需进一步解决数据异质性（如多语言文献纳入）及模型临床落地等挑战。