学术报告

一、作者及研究机构信息

这项研究的主要作者包括Hyungjin Kim (MD, PhD)、Jin Mo Goo (MD, PhD)、Kyung Hee Lee (MD, PhD)、Young Tae Kim (MD, PhD)和Chang Min Park (MD, PhD)。参与研究的机构包括首尔国立大学医学院放射科和胸心血管外科、首尔国立大学医学院放射医学研究所、首尔国立大学癌症研究所，以及首尔国立大学Bundang医院放射科。研究发表于《Radiology》期刊，2020年。

二、研究背景

非小细胞肺癌（non–small cell lung cancer, NSCLC）是肺癌的主要类型之一，特别是早期患者通常选择手术切除作为主要治疗手段。然而，即便手术技术和淋巴结评估技术（如内镜支气管超声Endobronchial US）不断进步，复发率仍旧高达15%–38.5%。目前肿瘤-淋巴结-转移（tumor-node-metastasis, TNM）分期系统是评估肺癌风险的关键工具。

近年来的研究表明，CT（计算机断层扫描）影像不仅能提供肿瘤尺寸和解剖信息，还包含更多的预后信息。如通过放射组学（Radiomics）分析高维数据，可用于个性化治疗。这种影像学特征能与肿瘤组织学表型、分子通路甚至基因变化密切相关。因此，充分利用CT影像信息进行特征提取是提高术前分期准确性的重要手段。然而，传统的放射组学方法依赖人工特征工程，这可能导致主观偏差和信息的高冗余性。

深度学习模型相较于传统放射组学方法则具有显著优势。深度学习能够在图像中以增量方式自动提取特征，减少人为干预。本研究的目的是开发和验证一种基于术前CT的深度学习模型，用于预测肺腺癌患者的无病生存期（disease-free survival, DFS）。

三、研究流程及方法

1. 研究对象

研究对象来自两个数据集： - 数据集1：包含800名2009年至2015年期间手术切除T1-4N0M0肺腺癌患者的数据，用于模型训练、调优和内部验证。 - 数据集2：包含108名2014年期间手术切除T1-2aN0M0（I期肺腺癌）患者的数据，用于外部验证。

两个数据集的排除标准包括：存在淋巴结或远处转移、亚肺叶切除术、其他类型肺癌、多原发或复发肺癌、纯地玻璃结节（ground-glass nodules, GGNs）、无法通过CT测量的病灶。

2. 数据采集

• 提取患者人口统计学参数（如年龄、性别、吸烟史）、病灶位置（上叶或其他叶区）、病灶类型（半实性节或实性节）、手术和术前CT日期等数据。
• 基于美国癌症联合委员会第八版TNM分期系统记录临床T类别。
• 影像由2名专科放射技师在胸科放射学专家监督下标注，标注过程包括使用边界框进行三维肺结节的注释（bounding boxes）。

3. CT图像及模型开发

CT影像设定：切片厚度≤1.5mm（部分固体结节患者）或≤3mm，并使用对比增强技术进行扫描。影像数据被拆分为训练集、调参集和内部验证集，比例为6:2:2。

模型架构： - 基于三维卷积神经网络（3D-CNN），包括三层稠密块和两层过渡层。 - 算法实现借助“nnet-survival”（一种连续时间生存模型），其输出层包含六个时间间隔（如0-300天，300-600天）。模型使用负对数似然作为损失函数，允许非比例风险存在。

模型分析： - 使用Harrell C指数评估模型的区分性能。 - 校准性能通过Greenwood-Nam-D’Agostino检验评估。

统计分析采用R软件，模型回归选择基于Akaike信息准则（AIC）。

四、主要研究结果

1. 模型性能

• 在内部验证集上，连续DLPM模型的C指数为0.74–0.80，且校准性能良好（p值>0.05）；分类DLPM模型的C指数为0.80。
• 在外部验证集上，连续DLPM模型的C指数为0.71–0.78；分类DLPM模型的C指数为0.78，显示了良好的泛化性能。
• 综合性能评估显示DLPM比仅基于临床T类别的预测模型更具优势。

2. 相关性分析

多变量Cox回归显示： - 在内部验证集中，DLPM输出为独立的预后因子（危险比HR = 2.5, p = 0.04）。 - 在外部验证集（I期肺腺癌患者）中，DLPM输出（HR = 3.6, p = 0.003）与吸烟状态（HR = 3.4, p = 0.007）是仅有的显著独立预后因子。

3. 热图分析

通过梯度加权激活映射（gradient-weighted activation mapping），模型关注的区域集中于肿瘤实体及其周围区域，显示该算法能准确提取重要特征。

五、研究结论

本研究开发的DLPM能够基于术前CT图像，独立预测肺腺癌患者的无病生存期，且无需手动特征工程。该模型可作为临床I期肺腺癌患者术前风险分层的一种有力工具，在精准医学时代具有重要价值。

六、研究亮点

• 创新性：本研究是首次开发出一种专注于提取CT扫描影像中与肺腺癌生存相关特征的深度学习算法。
• 广泛适用性：模型适用于多种术前患者群体，尤其是I期肺腺癌患者。
• 高性能：模型显示出较高的预测准确性和区分能力，可与传统临床T类别预测模型媲美。

七、研究意义

本研究的结果为影像学在肺癌个性化治疗中的应用提供了新的见解和工具。DLPM输出作为无病生存期的独立预后因子，为手术前的个性化决策提供了重要支持。同时，该研究为未来结合深度学习与多模态数据进一步优化预后预测方法奠定了基础。