学术报告：利用基于CT影像组学的机器学习模型预测非小细胞肺癌(NSCLC)联合免疫和化疗疗效

一、研究背景、作者及发表信息

这项研究题为“A novel machine learning model for efficacy prediction of immunotherapy-chemotherapy in NSCLC based on CT radiomics”，由Chengye Li、Zhifeng Zhou、Lingxian Hou等研究团队完成，主要机构包括温州医科大学第一附属医院呼吸与危重症医学科、温州大学图书馆、绍兴大学计算机科学与工程学院等。研究成果发表于《Computers in Biology and Medicine》，是一篇2024年的文章(Volume 178, Article number: 108638)，于5月21日在线发表，由Elsevier出版。

二、学术背景及研究目的

这项研究所在的主要科学领域是医学影像组学与机器学习，应用领域聚焦于肿瘤学，特别是非小细胞肺癌(NSCLC)的治疗预测。非小细胞肺癌约占所有肺癌的85%，是最常见的肺癌类型，包括鳞状细胞癌和腺癌等病理类型。对于晚期NSCLC患者，免疫检查点抑制剂（如PD-1/PD-L1抗体）联合铂类化疗是推荐的一线治疗方案。然而，大多数患者的中位无进展生存期（Progression-Free Survival, PFS）仅为6到8个月，且有一定比例患者在治疗中发生疾病进展或免疫相关不良事件（Immune-Related Adverse Events, IRAEs）。

尽管一些生物标志物（如PD-L1表达水平、肿瘤突变负荷等）已经被用于预测免疫疗法的疗效，但精确性和广泛的临床应用仍然有局限性，因此迫切需要研发新的预测方法。为实现精准医疗并筛选能从这种联合治疗中获益的患者，本研究旨在开发一种基于CT影像组学的机器学习模型，以预测治疗后PFS超过12个月的患者，从而辅助个性化治疗决策。

三、研究流程及技术方法

1. 数据收集与患者分组

研究以温州医科大学第一附属医院的60例晚期NSCLC患者为样本，回顾性收集了从2022年1月至2023年12月期间的胸部CT影像数据。患者需满足以下纳入标准： - 年龄不低于18岁； - 诊断为III-B至IV期NSCLC，且不存在EGFR或ALK基因突变； - 无显著的心肺功能障碍或免疫系统疾病。

其中，样本包括25例PFS≥12个月的患者（实验组），35例PFS＜12个月的患者（对照组）。影像数据使用肺窗CT切片进行分析。

2. 图像特征提取

研究采用了多种特征提取方法，包括： - 颜色属性：运用颜色矩（Color Moments）提取灰度、RGB、HSI颜色空间的特征； - 纹理特征：利用灰度共生矩阵（Gray-Level Co-Occurrence Matrix, GLCM）与局部二值模式（Local Binary Pattern, LBP）分析图像的纹理属性； - 形状特征：计算区域面积、边界框、周长及形状的方向等。

这些特征被标准化处理后，用于后续模型开发。

3. 模型开发

新模型名为“BSGSRIME-SVM”，其技术架构结合了一种改进的RIme优化算法和支持向量机（Support Vector Machine, SVM）。关键算法过程如下： - SGSRIME优化算法改进：RIme算法模拟霜花冰的动态凝结行为，研究团队在其基础上引入了基于高斯核的概率搜索策略，以解决原始算法在收敛精确性与陷入局部最优时的缺陷。 - Binarization & Wrapper-based特征选择：以SGSRIME算法优化特征子集，从训练数据提取最有助于分类的特征。 - SVM分类器：采用径向基核函数作为非线性分类工具，通过十折交叉验证评估模型的性能。

4. 数据分析与伪代码验证

模型使用IEEE CEC 2017和CEC 2020基准函数对算法进行了优化性能验证，包括参数敏感性分析、稳定性测试及与11种当前先进优化算法的对比实验。

四、主要结果

1. 在影像数据上的预测性能

BSGSRIME-SVM模型在预测NSCLC患者免疫联合化疗的12月PFS时表现优异，具体结果如下： - 准确率：92.38% - 灵敏度（Sensitivity）：91.00% - 特异性（Specificity）：96.67% - 精确率（Precision）：97.50% - 马修斯相关系数（MCC）：84.87% - F度量（F-Measure）：94.03%

2. 与其他算法的对比

BSGSRIME-SVM在与BPSO-SVM、BRUN-SVM等同类支持向量机模型的对比中，表现出显著优势，并针对冗余特征的优化能力更为突出。即便与当前流行的决策树、随机森林、k近邻算法相比，其预测能力依然领先。

3. 模拟数据实验验证

在基准函数测试中，这一优化算法在多种典型场景中的表现均优于现有顶级的元启发式算法（Metaheuristic Algorithms），充分证明其适用性广泛。

五、研究结论与意义

本研究的重要结论可总结为以下几方面： - 提供了一种高效且可广泛应用的非侵入式预测方法； - 基于影像组学与机器学习手段，显著提高了治疗后PFS预测的准确性； - 为个性化治疗提供了有效工具，有助于筛选出能从免疫联合化疗中获益的NSCLC患者。

在科学价值上，该研究展示了CT影像的巨大潜力，拓展了影像组学数据在临床医学中的应用场景；在实际应用上，模型简单易用，适用于多种设备条件，仅需标准CT影像即可提供性能卓越的预测支持。

六、研究亮点

• 高预测精准度和广泛适用性：涵盖常见NSCLC免疫化疗方案；
• 先进算法改进：高斯核策略优化了经典RIme算法，为特征选择提供新思路；
• 成本低、非侵入：基于CT图像，无需昂贵的基因或代谢分析。

七、进一步讨论与局限性

虽然模型表现出卓越的预测性能，未来仍需扩大样本规模以提高泛化能力。此外，当前模型仅适用于特定治疗方案的预测，如何在非典型患者中普及应用仍有待进一步探索。

这一研究为NSCLC治疗监测与个性化医学做出了重要贡献，具有极大的临床推广潜力。