基于CT影像组学与深度学习融合模型预测肺腺癌Ki-67增殖指数的可解释性研究

《BMC Pulmonary Medicine》：Prediction of the Ki-67 proliferation index in lung adenocarcinoma using an interpretable CT-based deep learning radiomics model: a two-center study

本研究针对肺腺癌Ki-67增殖指数术前无创预测的临床需求，开发了一种融合CT影像组学与深度学习特征的可解释性预测模型。研究人员通过整合794个影像组学特征和120个深度学习特征，采用逻辑回归（LR）分类器构建的DLR模型在训练集和外部测试集分别达到0.904和0.865的AUC值，显著优于单一模态模型。SHAP和Grad-CAM技术增强了模型的可解释性，为肺腺癌个性化治疗提供了可靠的影像学生物标志物。

　　

在肺癌精准医疗时代，术前准确评估肿瘤生物学行为对治疗决策至关重要。Ki-67作为细胞增殖活性的金标准标志物，其表达水平与肺腺癌的侵袭性和预后密切相关。然而，传统通过活检或手术标本获取Ki-67指数的方法存在侵入性、采样误差和肿瘤异质性等局限，亟需开发无创、可靠的预测手段。

计算机断层扫描（CT）是肺癌诊断的主要影像学方法，但视觉评估难以量化肿瘤内部的微观特征。影像组学（Radiomics）通过从医学图像中提取高通量定量特征，为无创评估肿瘤特性提供了新途径。而深度学习（Deep Learning, DL）能够自动学习图像中的复杂模式，超越人类视觉感知能力。将两种技术融合的深度学习影像组学（Deep Learning Radiomics, DLR）策略，有望突破单一技术的局限性。

在这项发表于《BMC Pulmonary Medicine》的研究中，朱翠玲团队开展了一项双中心研究，旨在开发基于CT的DLR模型，用于术前预测肺腺癌Ki-67增殖指数。研究纳入了136例经手术切除的肺腺癌患者，以5%为临界值将Ki-67表达分为阴性和阳性。研究人员从术前CT图像中提取了794个影像组学特征，同时通过预训练的ResNet50模型获得了120个深度学习特征。

关键技术方法包括：手动勾画肿瘤三维感兴趣区域（ROI）；使用PyRadiomics提取影像组学特征；采用ResNet50进行迁移学习获取深度学习特征；使用LASSO（Least Absolute Shrinkage and Selection Operator）进行特征选择；比较10种机器学习分类器性能；应用SHAP（Shapley Additive Explanations）和Grad-CAM（Gradient-weighted Class Activation Mapping）进行模型可解释性分析。训练集来自第一家医院的91例患者，外部测试集来自第二家医院的45例患者。

特征选择与模型构建

通过LASSO算法从794个影像组学特征中筛选出9个最具预测价值的特征，同时从120个深度学习特征中筛选出3个关键特征。

模型性能比较

在10种机器学习分类器中，基于DLR特征的逻辑回归（Logistic Regression, LR）模型表现最佳，训练集AUC为0.904，外部测试集AUC为0.865，显著优于单一影像组学模型（AUC 0.847/0.821）和单一深度学习模型（AUC 0.802/0.733）。

模型可解释性分析

Grad-CAM可视化显示，Ki-67高表达肺腺癌患者的肿瘤内部激活区域更广泛、更密集，主要集中于肿瘤中央区域。

SHAP分析确定了wavelet_LHL_glszm_SmallAreaHighGrayLevelEmphasis和wavelet_HLH_glszm_LargeAreaHighGrayLevelEmphasis为对模型预测贡献最大的两个影像组学特征。

研究结论表明，基于DLR的预测模型在区分肺腺癌Ki-67表达水平方面表现出卓越性能。模型的成功构建验证了融合影像组学与深度学习特征的战略优势，两种技术互为补充，共同提升了预测准确性。更重要的是，通过Grad-CAM和SHAP等可解释性技术，研究人员能够直观展示模型决策依据，增强了临床应用的可信度。

该研究的创新之处在于首次系统比较了多种机器学习算法在肺腺癌Ki-67预测中的性能，并证实LR分类器在DLR框架下的优越性。研究中发现的小波变换特征与Ki-67表达的相关性，为理解肿瘤异质性提供了新的影像学生物标志物。尽管存在回顾性设计和样本量有限等局限，这项研究为肺腺癌术前无创评估开辟了新途径，有望在未来辅助临床医生制定个性化治疗方案。

随着人工智能在医学影像领域的深入应用，这种可解释的DLR模型不仅有助于Ki-67指数预测，更为其他肿瘤生物学行为的无创评估提供了范式。未来通过扩大样本量、优化自动化分割算法、整合多组学数据，有望进一步推动精准影像学在肺癌诊疗中的转化应用。