MRomicsNet：一种基于形态组学和放射组学的自适应拓扑模型，用于在临床常规T1加权图像上诊断阿尔茨海默病（AD）

《Computer Methods and Programs in Biomedicine》：MRomicsNet: A morphomics-radiomics-driven adaptive topological model for AD diagnosis on clinically routine T1-weighted images

小细胞肺癌（SCLC）预后预测研究开发3D自动分割模型和深度学习组学评分系统（DLRN），基于动脉期和静脉期CT影像提取特征，多中心验证显示DLRN对总生存期预测效能优于单模型及临床评分系统，C-index达0.892，具有良好校准和临床实用性。

　　小细胞肺癌（SCLC）是一种具有高度侵袭性和早期转移倾向的恶性肿瘤，其预后通常较差。根据现有研究，SCLC约占所有肺癌病例的13%至15%，且其3年生存率仅为13%，5年生存率更是低于7%。这种疾病的快速生长、高血管生成以及细胞凋亡失衡等特性，使其在诊断和治疗过程中面临巨大挑战。在临床实践中，SCLC的分期主要依赖于Veterans Administration Lung Cancer Study Group的系统，将疾病分为局限期和广泛期，以指导不同的治疗策略。然而，由于其高度转移性，大约三分之二的患者在确诊时肿瘤细胞已经扩散至胸腔以外，这使得仅有少数患者能够接受可能治愈的多模式治疗。

鉴于SCLC的临床特征和治疗难度，开发一种能够准确预测患者总体生存率（Overall Survival, OS）的工具显得尤为重要。这种工具不仅可以帮助医生更好地制定个体化治疗方案，还能够为患者提供更精准的预后评估。近年来，随着医学影像技术和人工智能的快速发展，基于影像的预测模型逐渐成为研究热点。其中，放射组学（Radiomics）作为一种从医学影像中提取大量特征并用于疾病诊断和预后评估的方法，受到了广泛关注。然而，传统放射组学方法在特征提取过程中依赖于人工干预，不仅耗时费力，而且容易受到主观因素的影响。此外，部分研究中所使用的样本量较小，缺乏独立验证，导致模型的临床适用性受到限制。

为了克服上述问题，本研究提出了一种基于深度学习和放射组学的综合预测模型——深度学习放射组学列线图（Deep Learning Radiomics Nomogram, DLRN）。该模型通过结合3D自动分割技术和深度学习特征提取，旨在提高SCLC患者总体生存率预测的准确性和稳定性。研究团队利用来自中国四个医院的1061例SCLC患者的CT影像数据，构建了一个3D自动分割模型，以精确识别肿瘤病灶。随后，基于动脉期（Arterial Phase, AP）和静脉期（Venous Phase, VP）的CT图像，提取了放射组学和深度学习特征，并构建了相应的放射组学评分（Rad-score）和深度学习评分（DL-score）。最后，将这两种评分整合为一个综合模型，即DLRN，并对其预测性能进行了评估。

研究结果显示，3D自动分割模型在AP和VP图像测试集上的Dice相似系数分别达到了0.878和0.872，表明该模型在病灶分割方面具有高度准确性。同时，DLRN在内部验证队列、外部验证队列1和外部验证队列2中的预测一致性指数（Concordance Index, C-index）分别为0.892、0.873和0.872，显示出良好的预测能力。此外，该模型在所有验证队列中均表现出良好的校准能力，即预测结果与实际观察结果之间的吻合度较高。值得注意的是，与单一模型相比，DLRN在预测性能上具有显著优势，并且在与传统临床列线图的比较中也表现出更优的表现。然而，研究还发现，加入临床因素并未显著改善DLRN的预测效果，这可能意味着该模型已经能够有效地捕捉到影响患者预后的关键信息。

本研究的创新点在于，首次将3D自动分割技术与深度学习和放射组学相结合，用于预测SCLC患者的总体生存率。传统放射组学方法在病灶分割过程中往往依赖于人工勾画，不仅增加了工作量，还可能因操作者主观判断而影响结果的一致性。而3D自动分割模型能够以更高效、更客观的方式识别病灶区域，为后续特征提取提供了更加精确的基础。此外，深度学习技术的应用使得模型能够自动提取复杂的影像特征，而无需依赖人工设计的特征，从而提高了模型的泛化能力和预测性能。

深度学习和放射组学的结合不仅提升了影像分析的自动化程度，还为疾病预测提供了新的视角。放射组学通过提取大量影像特征，能够反映肿瘤内部的异质性，而深度学习则能够挖掘这些特征之间的潜在关系，从而构建出更具临床意义的预测模型。这种综合方法在多个癌症类型中已显示出良好的应用前景，例如鼻咽癌、胃癌和肾癌等。然而，针对SCLC的此类研究仍较为有限，尤其是在大规模、多中心的临床数据中进行验证的研究更是凤毛麟角。

本研究的结果表明，基于CT影像的DLRN在预测SCLC患者总体生存率方面具有显著优势。这不仅为临床决策提供了新的工具，也为个性化治疗策略的制定奠定了基础。在实际应用中，该模型可以帮助医生更早地识别高风险患者，从而采取更为积极的治疗措施。同时，该模型的非侵入性特点也使其在临床实践中更具可行性，避免了对患者进行侵入性检查的需要。

此外，本研究还强调了模型在多中心数据中的验证能力。通过将数据分为内部验证队列和两个外部验证队列，研究团队确保了模型的泛化能力，即其在不同医院和不同患者群体中的适用性。这种多中心验证策略有助于提高模型的临床推广价值，使其能够广泛应用于各类医疗机构。然而，研究团队也指出，尽管模型在预测性能上表现优异，但其在临床应用中仍需进一步优化，以确保其在实际诊疗过程中的稳定性和可靠性。

本研究的另一重要发现是，尽管深度学习和放射组学的结合能够显著提高预测性能，但加入临床因素并未带来进一步的改善。这可能意味着，影像特征已经能够充分反映影响患者预后的关键信息，而临床因素在某些情况下可能并未提供额外的预测价值。这一结果对于临床实践具有重要意义，表明基于影像的预测模型可能在某些情况下能够取代传统的临床列线图，从而简化诊疗流程，提高预测效率。

总之，本研究通过开发一种基于深度学习和放射组学的综合预测模型，为SCLC患者的总体生存率预测提供了一种新的方法。该模型不仅在病灶分割方面表现出高度准确性，而且在预测性能上也优于现有的单一模型和传统临床模型。尽管在某些情况下，临床因素未能显著提升模型的预测能力，但这一发现为未来的研究方向提供了参考。未来的研究可以进一步探索如何优化模型，使其在更广泛的临床场景中发挥更大的作用。同时，也可以考虑将该模型与其他类型的医学影像数据相结合，以提高其预测的全面性和准确性。