研究背景和论文信息

这篇研究论文的题目是“3D convolutional neural network model from contrast-enhanced CT to predict spread through air spaces in non-small cell lung cancer”，由Junli Tao、Changyu Liang、Ke Yin等学者完成，主要作者隶属于重庆大学附属肿瘤医院、重庆市肿瘤研究所、重庆市肿瘤医院，以及重庆大学教育部生物流变科学与技术重点实验室。这篇文章发表在《Diagnostic and Interventional Imaging》期刊上，并于2022年在线发布，其DOI为10.1016/j.diii.2022.06.002。

研究背景与研究动机

非小细胞肺癌（NSCLC）是全球癌症相关死亡的主要原因，其独特的侵袭模式对患者预后和治疗选择产生了重要影响。根据2015年世界卫生组织的分类定义，“通过气腔传播”（spread through air spaces，简称STAS）是一种新型的肺癌侵袭模式，表现为肿瘤微乳头状簇、实体巢或单个细胞离开肿瘤边界并穿过周围肺实质的气腔。研究表明，STAS是肺癌切除术后肿瘤复发和淋巴结转移的主要危险因素。与亚肺叶切除术相比，拥有STAS的患者接受肺叶切除术的局部复发风险更低，预后更好。由于现阶段STAS只能通过手术确诊，无法通过术前影像学检查精确预测，本文旨在开发一种先进的非侵入性方法，以帮助优化手术规划。

研究方法与工作流程

实验对象与分组

本研究回顾性分析了来自2018年至2020年间共1245例NSCLC患者的数据，经过筛选后纳入了203名患者（112名男性，91名女性，平均年龄为60岁，年龄范围为22岁至80岁）。研究将203名患者分为训练组（153例）和验证组（50例）。

数据获取与处理

• CT影像采集：所有患者均接受标准的对比增强胸部CT扫描，具体扫描参数包括1mm切片厚度、120 kVp电压、80-160 mAs管电流，使用非离子碘对比剂，并按固定重建内核进行图像重建。
• 数据预处理：将原始DICOM格式的CT影像转化为等距的三维格式（分辨率为1×1×1 mm³），以减少扫描参数的差异对分类性能的影响。

图像分割与特征提取

• 手动分割：一位有资历的放射科医师在肺窗中手动勾勒肿瘤的兴趣区域（VOI），排除正常肺组织并保存分割后的数据。
• 特征提取：
  • 传统Radiomics模型：使用PyRadiomics工具从七种滤波器（如小波、对数、平方）中提取共6692个特征，通过统计学方法和Boruta算法选出11个关键特征。
  • 计算机视觉（CV）模型：提取局部与全局的CV特征，包括局部二值模式（LBP）、方向梯度直方图（HOG）等，共得到9806个特征。
  • 3D卷积神经网络（3D-CNN）：采用多尺度卷积神经网络架构，通过卷积核（如1×1×1和3×3×3）以及多分辨率输入数据，利用密集连接（Dense networks）联合提取肿瘤体积的高复杂度线性与非线性特征。

模型构建与数据分析

• 模型构建：分别构建五种模型，包括Clinicopathological/CT模型、Radiomics模型、CV模型、3D-CNN模型以及综合模型。
• 模型性能评估：通过ROC曲线和AUC值评估模型对STAS状态的预测能力，并通过DeLong检验比较各模型的预测性能。决策曲线分析则用于评估模型的临床效益。

研究结果

Clinicopathological/CT模型

通过训练组和验证组的数据分析，最大直径、淋巴结转移和气管征为STAS预测的独立变量。该模型在训练组和验证组的AUC分别为0.62和0.70，显示了中等的预测能力。

传统Radiomics模型

从肿瘤分割图像中提取的特征具有较高的重现性，训练组和验证组的AUC分别为0.79和0.79。在STAS阳性患者中，Rad-Score显著高于阴性患者。

CV模型

CV特征提取的模型在训练组和验证组的AUC分别为0.78和0.77，尽管性能略低于Radiomics模型，但不具有统计学差异。

3D-CNN模型

3D-CNN模型证明了其卓越的预测能力，训练组的AUC高达0.93，验证组的AUC也达到了0.80。决策曲线分析显示，当阈值概率大于10%时，3D-CNN模型在提供净效益方面优于其它模型。

综合模型

综合了CNN评分与Clinicopathological/CT特征的模型尽管在验证组AUC达到了0.81，但其性能在训练组中低于单独的3D-CNN模型（AUC为0.76），说明特征之间可能存在冗余。

结论与研究意义

本研究开发了一种基于对比增强CT的3D-CNN模型，该模型能够术前非侵入性地预测NSCLC患者的STAS状态，并且在性能上优于传统Radiomics模型和CV模型。此模型为制定肺癌患者的手术方案提供了可靠的决策支持，提高了临床医师的信心，有助于实现肺癌治疗的精准医学。

在STAS预测领域，本研究的创新点主要包括：首次将3D-CNN与多分辨率输入方法结合，用于肺癌影像特征的自动化提取与学习；验证了此前Radiomics和CV方法的局限性，并在STAS侵袭模式研究中提出了更高效的解决方案。此外，本研究为结合深度学习算法和影像学数据预测肿瘤行为提供了重要思路，具有广泛的临床推广价值。

然而，本研究仍存在一定局限性，例如其为单中心研究，缺乏多中心外部数据验证，可能在一般化方面受到某些限制。同时，未来研究需结合长期随访数据，探索STAS对患者预后的具体影响。