基于CT的诺模图，用于预测肺腺癌磨玻璃结节中的EGFR突变状态

《Frontiers in Immunology》：CT-based nomogram for predicting EGFR mutation status in ground-glass nodules of lung adenocarcinoma

建立基于CT影像特征的EGFR突变预测分值模型，通过回顾性分析935例肺腺癌患者，筛选出最大直径、CT值、CTR及支气管/血管汇聚征象作为独立预测因子，模型AUC达0.87（95%CI:0.85-0.90），为精准用药提供非侵入性评估工具。

　　这项研究旨在通过基于计算机断层扫描（CT）影像特征的模型，预测患有磨玻璃结节（GGNs）患者的表皮生长因子受体（EGFR）突变状态，从而为药物选择提供依据。EGFR突变在肺癌治疗中具有重要意义，因为它影响着靶向治疗药物如EGFR酪氨酸激酶抑制剂（EGFR-TKIs）的疗效。然而，传统方法如组织活检存在诸多局限，包括经济成本高、技术要求高、样本量小以及对患者身体条件的要求等。因此，开发一种非侵入性、高效且快速的预测方法显得尤为迫切。

研究团队收集了935名被诊断为GGNs的患者数据，并将其分为训练组和验证组。训练组由2019年8月至2023年12月期间接受手术的709名患者组成，而验证组则由2024年1月至2025年3月期间接受手术的226名患者组成。研究人员对所有患者的临床参数和影像学特征进行了详细记录，并在训练组中使用单变量和多变量逻辑回归分析来筛选具有预测价值的变量，最终构建了一个预测模型。该模型在两个患者群体中均进行了验证，包括模型的区分度、校准度以及临床适用性。

研究结果显示，最大结节直径、实性成分与结节直径的比值（CTR）、平均CT值、气支影像征以及血管汇聚征是EGFR突变的独立预测因子。这些影像学特征在训练组和验证组中均表现出良好的预测能力。模型的区分度评估显示，其在训练组中的曲线下面积（AUC）达到0.87（95%置信区间：0.85–0.90），在验证组中也达到了0.87（95%置信区间：0.82–0.92）。通过Bootstrap内部验证，模型的AUC为0.89（95%置信区间：0.86–0.92），进一步确认了模型的稳健性。校准曲线和决策曲线分析进一步证明了该模型在两个群体中均具有良好的校准度和临床实用性。

EGFR突变在肺腺癌中非常常见，尤其是在多原发肺癌（MPLC）患者中。由于EGFR突变的异质性，患者的治疗效果存在显著差异。准确预测EGFR突变状态对于指导靶向治疗至关重要。然而，现有的预测方法多依赖于组织活检，这种方法不仅成本高昂，而且在某些情况下可能难以实施。因此，开发一种基于影像学特征的非侵入性预测工具对于提高临床决策效率和患者管理质量具有重要意义。

在影像学特征方面，研究团队分析了多个与EGFR突变相关的参数。其中，最大结节直径、CTR、平均CT值、气支影像征和血管汇聚征被证实为重要的预测指标。这些参数在训练组和验证组中均显示出统计学上的显著性。值得注意的是，虽然某些研究曾指出性别、吸烟史和血清癌胚抗原（CEA）水平可能与EGFR突变相关，但在本研究中，这些因素并未表现出显著的预测价值。这可能是因为本研究主要针对的是表现为GGNs的肺腺癌患者，而这类患者通常具有不同的临床特征，例如更多为年轻、非吸烟女性，且CEA水平普遍正常。

模型的构建和验证表明，通过整合多个影像学特征，可以有效预测EGFR突变状态。这种预测方法不仅提高了准确性，还简化了临床流程。此外，研究团队还对模型的临床适用性进行了评估，结果显示该模型在不同阈值下的净收益较高，表明其在实际临床决策中的价值。然而，当前研究仍存在一定的局限性，例如研究设计为回顾性，可能引入选择偏差，且数据仅来自单一中心，限制了模型的普遍适用性。因此，未来需要通过多中心和前瞻性研究进一步验证和推广这一模型。

EGFR突变的预测对于肺癌治疗具有重要意义。靶向治疗已成为肺癌治疗的重要手段之一，而EGFR突变的存在与否直接决定了患者是否适合接受此类治疗。然而，由于EGFR突变的异质性，不同患者的治疗效果存在差异。因此，准确预测EGFR突变状态对于优化治疗方案、提高患者生存率和生活质量至关重要。

在实际应用中，该模型可以帮助医生在手术前快速评估患者的EGFR突变风险，从而制定更加个性化的治疗计划。例如，如果模型预测某个GGN存在EGFR突变，医生可以考虑为患者选择EGFR靶向药物，以提高治疗效果。同时，该模型还可以用于监测治疗过程中可能产生的耐药性，从而及时调整治疗方案。

此外，该研究还指出，随着技术的发展，影像学模型与基因组或转录组数据的整合已成为一种新兴趋势。例如，某些研究已经成功开发了结合影像和基因组数据的预测模型，这些模型在提高预测准确性和临床适用性方面表现出色。未来，研究团队计划进一步开展转录组测序，以识别与EGFR突变相关的关键基因，并结合影像学特征构建多模态诊断模型，从而更全面地评估患者的治疗反应和耐药风险。

尽管该模型在当前研究中表现出良好的预测能力，但仍有进一步优化的空间。例如，可以考虑引入更多的临床和影像学参数，以提高模型的准确性。同时，结合患者的基因组数据，可以更深入地理解EGFR突变的机制，并探索其他潜在的耐药性相关因素。此外，随着人工智能和机器学习技术的发展，未来的预测模型可能会更加智能化，从而更好地适应不同患者的个体差异。

总之，这项研究为预测GGNs患者的EGFR突变状态提供了一种新的非侵入性方法。通过整合多个影像学特征，该模型在区分度和校准度方面均表现出色，具有较高的临床实用价值。然而，为了进一步提高模型的适用性和准确性，未来的研究需要克服当前的局限性，例如选择偏差、数据来源单一以及测量方法的主观性等问题。通过多中心、前瞻性研究以及引入更先进的技术手段，可以推动这一模型在更广泛的临床环境中应用，从而更好地服务于肺癌患者的精准治疗。