《Computerized Medical Imaging and Graphics》：PET/CT-based deep learning model predicts distant metastasis after SBRT for early-stage NSCLC: A multicenter study
编辑推荐：
本研究基于18F-FDG PET/CT影像，利用变分自编码器提取深度特征，构建并验证了预测早期非小细胞肺癌患者立体定向体放射治疗后远处转移风险的融合模型。结果显示，该模型在训练集、内测集和外部测试集的C-index分别为0.864、0.819和0.782，有效区分高风险与低风险患者，为个体化治疗决策提供客观依据。
卢宇|陈申伦|李俊毅|易和清|王进|倪建交|郑晓丽|葛宏|朱正飞|邢立刚|Petros Kalendralis|Leonard Wee|Andre Dekker|张震|叶昭祥|袁志勇
天津医科大学肿瘤医院放射科，天津市癌症临床研究中心，国家癌症临床研究中心，中国天津
摘要
远处转移（DM）是早期非小细胞肺癌（NSCLC）接受立体定向体放射治疗（SBRT）后最常见的复发模式。在治疗开始前评估DM风险至关重要。本研究旨在开发并验证一个基于18F-FDG PET/CT图像的深度学习融合模型，以预测DM风险。共有566名患者来自5家医院，分为训练集（n=347）、内部测试集（n=139）和外部测试集（n=80）。使用变分自编码器从CT、PET和融合图像中提取深度学习特征。通过全连接网络开发了无转移生存预后模型。与单独的CT或PET模型相比，融合模型表现出更强的预测能力，C指数分别为0.864（训练集）、0.819（内部测试集）和0.782（外部测试集）。该模型成功将患者分为高风险和低风险组，并显著区分了两组的MFS（例如，训练集：HR=8.425，p<0.001；内部测试集：HR=6.828，p<0.001；外部测试集：HR=4.376，p=0.011）。它被确定为MFS的独立预后因素（HR=14.387，p<0.001）。总之，基于18F-FDG PET/CT的深度学习融合模型能够准确预测接受SBRT的早期NSCLC患者的远处转移风险和MFS。这一工具可以为个性化治疗决策提供客观数据。
引言
肺癌占全球所有癌症相关死亡的18%（Sung等人，2021年）。尽管治疗方法有所进步，5年生存率仍然较低，介于10%到20%之间（Allemani等人，2018年）。非小细胞肺癌（NSCLC）约占所有肺癌病例的85%。由于广泛的癌症筛查，大约20%的NSCLC患者在早期被诊断出来，这一阶段的特征是没有淋巴结转移和远处转移（DM）（Lalonde等人，2022年；Senti等人，2012年；Siegel等人，2022年）。然而，由于严重的基础疾病（如心肺功能不全）或患者拒绝手术，相当一部分早期NSCLC（ES-NSCLC）患者不适合手术治疗（Henschke等人，2024年；Syed等人，2022年）。随着全球人口老龄化，近年来无法手术的ES-NSCLC患者数量逐渐增加（Adams等人，2023年）。立体定向体放射治疗（SBRT）是针对无法手术的ES-NSCLC患者的主要治疗选择（Daly，2022年）。尽管SBRT具有良好的局部控制效果（Lee等人，2021年），但仍有一部分患者会出现复发（Bradley等人，2010年；Wang等人，2024年），其中DM是治疗失败的主要原因（Hughes等人，2021年）。值得注意的是，发生DM的患者5年总生存率（OS）仅为7%（Brahmer等人，2023年）。对于高风险患者，应考虑使用化疗和免疫疗法等系统疗法（Chang等人，2023年；Ernani等人，2019年）。因此，在治疗开始前预测DM风险至关重要。准确预测DM可以促使辅助疗法的实施，从而可能降低DM的发生率并改善患者的预后。
18F-FDG PET/CT结合了功能性和解剖性成像，提供了良好的空间分辨率，并能在分子水平上揭示组织代谢情况。这种成像技术对于ES-NSCLC的诊断和预后评估至关重要（Heiden等人，2022年；Sujit等人，2024年）。基于多模态成像数据的放射组学在肿瘤学研究中显示出潜力（Bera等人，2022年；Guiot等人，2022年；Lohmann等人，2022年），并且放射组学特征与多种癌症的预后之间存在明显的相关性（Chen等人，2023年；Wang等人，2022a）。然而，放射组学也存在一些局限性。对于小肿瘤体积，手工特征可能不稳定，之前的研究建议将这些病例排除在分析之外（Hatt等人，2021年）。此外，虽然手工特征通过预定义的公式提供了可解释性，但它们缺乏任务特异性，这限制了其实用性。为了解决这些局限性，我们提出了一种适用于ES-NSCLC的新方法。
简而言之，我们的研究目的是通过变分自编码器（VAE）从图像中提取深度特征，从而开发并验证一个全连接网络（FCN）模型，用于预测接受SBRT治疗的ES-NSCLC患者的DM。
临床和影像数据收集
早期NSCLC患者的临床和影像数据回顾性地收集自5个中心：天津医科大学肿瘤医院（中心1，n=347），时间范围为2011年9月至2021年3月；郑州大学附属肿瘤医院（中心1，n=139），时间范围为2007年8月至2011年8月；浙江肿瘤医院（中心3，n=19），时间范围为2017年4月至2018年9月；复旦大学上海癌症中心（中心4），
人口统计学、临床信息和治疗结果
共有566名患者被纳入研究，分为训练集（中心1，n=347）、内部测试集（中心1，n=139）和外部测试集（中心2-5，n=80）（表1）。大约90.3%（n=511）的患者患有周围性肺癌。大多数患者处于I期（93.3%，n=528），其中T1期占74.7%（n=423）。肿瘤中位大小为2.2厘米，SUVmax中位值为8.0。中位随访时间分别为36.2个月、49.5个月和32.5个月。
讨论
据我们所知，我们开发并验证了第一个基于VAE的深度学习模型，该模型整合了PET和CT图像数据，用于预测接受SBRT治疗的ES-NSCLC患者的DM。该PET/CT融合模型的预测性能优于基于PET或CT的模型。融合模型得出的风险评分有效地区分了患者的MFS，表明其在识别SBRT后可能从辅助疗法中受益的高风险患者方面具有潜在的临床应用价值。
结论
基于深度学习的PET/CT融合模型对接受SBRT治疗的ES-NSCLC患者的远处转移具有很好的预测能力。它可以为这些患者的个性化治疗提供信息。
符合伦理标准
本研究遵循《赫尔辛基宣言》的原则进行。获得了天津医科大学肿瘤医院研究伦理委员会的批准。由于本研究的回顾性质，无需获得知情同意。
CRediT作者贡献声明
王进：撰写 – 审稿与编辑、验证、资源提供。
张震：撰写 – 审稿与编辑、监督、项目管理、方法论、数据管理、概念构思。
李俊毅：撰写 – 初稿撰写、可视化、调查、正式分析。
叶昭祥：撰写 – 审稿与编辑、监督、资源提供、项目管理、资金获取、概念构思。
易和清：撰写 – 审稿与编辑、验证、资源提供。
卢宇：撰写 – 初稿撰写。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本研究得到了天津市重点医学学科建设项目（TJYXZDXK-3-004B）、国家自然科学基金（82172674、82473240、82171932和82302180）的支持。
