基于多视角肿瘤异质性度量的临床IA期肺腺癌IASLC分级术前预测多中心研究

《Computer Methods and Programs in Biomedicine》：Multiperspective tumor heterogeneity metrics for preoperative prediction of IASLC grading in clinical stage IA lung adenocarcinomas: A multicenter study

本刊推荐：为提升国际肺癌研究协会(IASLC)分级术前预测精度，研究者开展了整合临床影像特征与多视角肿瘤异质性指标的混合机器学习框架(ICMH-HF)研究。该模型在测试集与外部验证集的AUC分别达0.835和0.786，SHAP可解释性分析识别出4个关键预测因子，为肺腺癌个体化治疗策略制定提供了重要工具。

　　

随着低剂量螺旋CT筛查的普及，临床IA期肺腺癌的检出率显著提升。然而，肺腺癌具有高度异质性，即使在同一分期也存在不同的病理学特征。国际肺癌研究协会(IASLC)推出的新版分级系统通过整合主要组织学亚型和高危特征（如微乳头状、实体型或复杂腺体模式），为预后评估提供了更精确的标准。该系统中，1级为鳞屑样为主型且高危成分<20%，2级为乳头状或腺泡为主型且高危成分<20%，3级为高危成分≥20%的肿瘤。研究表明，这一分级系统比WHO 2015分类具有更好的预后预测能力。

尽管CT成像能够可视化肿瘤的形态和纹理特征，但传统方法主要依赖二维切片分析，未能充分利用三维影像信息，且常规放射组学方法假设肿瘤组织均匀，忽略了内部异质性子区域可能蕴含的关键生物学信息。此外，深度学习模型虽在图像分析中表现优异，但其"黑箱"特性限制了临床可解释性。这些局限性凸显了开发既能全面量化肿瘤异质性又具备临床可解释性的新方法的迫切需求。

为解决这些问题，左志超等人开展了一项多中心研究，开发了一种整合临床影像学特征和多视角肿瘤异质性指标的混合机器学习框架（ICMH-HF），用于术前预测IA期肺腺癌的IASLC分级。该研究论文发表在《Computer Methods and Programs in Biomedicine》上，为肺腺癌的个体化治疗决策提供了新思路。

研究团队收集了来自三家三级医院的1,226例临床IA期肺腺癌患者的CT影像数据，并额外使用包含266例患者的独立外部验证集。他们提出了一套多视角肿瘤异质性度量方法，整合了CT图像的局部特征和全局像素分布模式。通过对11种机器学习模型的综合评估，最终选择LightGBM作为核心分类器构建ICMH-HF框架。

关键技术方法

研究基于多中心回顾性队列，纳入三家医院2018年1月至2022年1月接受手术的临床IA期肺腺癌患者。使用薄层CT扫描协议获取图像，由经验丰富的放射科医生手动勾画肿瘤三维感兴趣区域。提出多视角肿瘤异质性度量方法，结合局部纹理特征和全局像素分布分析。采用11种机器学习算法进行模型比较，最终选择LightGBM构建ICMH-HF框架，并使用SHAP进行可解释性分析。

多中心CT数据集采集

本研究采用多中心回顾性队列，纳入三家三级医院接受根治性手术的临床IA期肺腺癌患者。所有患者术前均接受非增强胸部CT扫描，采用薄层采集协议。由两名具有5年以上经验的胸放射科医生独立进行肿瘤三维分割，不一致处通过协商达成一致。

患者特征

该多中心研究共纳入1,226例经病理证实的IA期肺腺癌患者，来自三个机构数据集。队列按病理分级分布平衡随机分为训练集和内部测试集。在开发集中，315例（36.7%）为1级，543例（63.3%）为2-3级。测试集中，130例（35.3%）为1级，238例（64.7%）为2-3级。外部验证集包含266例患者，其中1级96例（36.1%），2-3级170例（63.9%）。各组间临床病理特征基本平衡。

讨论

本研究首次提出并验证了ICMH-HF框架，该框架综合多视角肿瘤异质性度量和临床影像学特征，用于术前区分IASLC分级系统中的1级与2-3级肺腺癌。模型在不同CT扫描仪和成像协议获得的外部验证集上均表现出稳健性能，证明了其普适性和临床应用潜力。与传统方法相比，该研究的创新点在于全面量化三维CT图像中的肿瘤异质性，而非仅依赖二维切片分析。

结论

ICMH-HF有效结合定量临床影像学特征和多视角肿瘤异质性度量，为根据IASLC分级系统术前区分1级与2-3级肺腺癌提供了强大且临床适用的工具，有望改善临床决策并实现个体化治疗策略。

作者贡献声明

左志超：撰写初稿、方法论、调查、数据整理；范晓红：可视化、软件；曾颖：调查、数据整理；齐万银：调查、数据整理；刘文：调查、数据整理；张建平：审阅编辑、可视化、项目管理、概念化。

伦理声明

本研究获得当地研究伦理委员会批准。

资助信息

本研究得到湖南省科技厅科研基金项目（2024RC9008）和湘潭大学研究生科研创新项目（CX20240599）支持。

利益冲突声明

作者声明无已知可能影响本研究的竞争性财务利益或个人关系。

致谢

作者感谢柳州市人民医院张伟博士提供外部验证CT数据集，显著提升了本研究的普适性和临床相关性。

该研究的创新之处在于突破了传统二维切片分析的局限，实现了对肺腺癌异质性的三维全面评估。通过结合机器学习的预测能力和SHAP的可解释性分析，不仅提供了高精度的分级预测工具，还识别出了影响预测结果的关键因素，为临床医生提供了直观的决策支持。这一研究成果有望在肺腺癌的精准医疗领域发挥重要作用，帮助医生制定更合理的个体化治疗方案。