基于基础模型的双时相CT影像动态特征预测非小细胞肺癌生存预后的创新研究

《Scientific Reports》：Foundation model based prediction of lung cancer survival using temporal changes in dual time point CT scans

本研究针对传统RECIST标准在评估非小细胞肺癌（NSCLC）放疗疗效中的局限性，创新性地将医学影像基础模型（FMCIB）与双时相CT扫描相结合，通过提取治疗前后肿瘤特征向量的动态变化（欧氏距离和元素减法特征），构建梯度提升生存分析模型。结果显示，基于特征变化的模型在2年生存预测中显著优于传统临床模型（AUC=0.91, p=0.006），证实了多时相影像特征在预后预测中的重要价值，为小样本医学影像分析提供了新范式。

　　

肺癌是全球癌症相关死亡的主要原因之一，其中非小细胞肺癌（NSCLC）占所有肺癌病例的约84%，5年生存率仅为26.4%。对于局部晚期NSCLC患者，放射治疗是常用的治疗手段之一，但治疗后疗效评估主要依赖CT影像的手工测量，即实体瘤疗效评价标准（RECIST）。然而，RECIST标准在预测患者生存方面存在明显不足，尤其在放疗后常因放射性肺损伤（如纤维化）而难以准确评估。此外，手工测量不仅耗时，还容易受到人为主观因素的影响。

近年来，人工智能技术在医学影像分析中展现出巨大潜力，特别是深度学习模型能够从影像中自动提取复杂特征。然而，训练可靠的计算机视觉模型通常需要大规模标注数据集，这在医学影像领域往往难以实现。医学影像基础模型（Foundation Model）的出现为这一难题提供了解决方案，这些模型通过在大规模数据集上预训练，能够迁移到小样本的下游任务中。值得注意的是，现有研究多集中于单时点影像分析，而临床实践中CT扫描通常是治疗前后常规检查的一部分，这些多时相影像数据中蕴含的动态信息往往未被充分挖掘。

为此，来自丹娜-法伯癌症研究所等机构的研究团队在《Scientific Reports》上发表了一项创新研究，首次将基础模型与双时相CT扫描相结合，用于预测NSCLC患者的生存预后。该研究使用了一个包含102例接受根治性放疗的NSCLC患者的数据集，每位患者都有治疗前和治疗后的CT扫描。研究人员应用癌症影像生物标志物基础模型（FMCIB）——一个在11,467个标注病灶上预训练的3D ResNet50模型，从每个扫描中提取4096维的特征向量。

研究的关键创新在于关注特征向量随时间的动态变化。通过计算治疗前后特征向量的元素级差值，并分析其欧氏距离，研究人员构建了多种预测模型。统计分析和机器学习方法（包括随机森林和梯度提升生存模型）被用于评估这些特征对生存预测的价值。

主要技术方法包括：使用FMCIB基础模型提取4096维特征向量；对治疗前后特征进行元素级减法和欧氏距离计算；采用梯度提升生存分析模型评估预测性能；与传统的影像组学（PyRadiomics）特征和临床基线模型进行对比验证。数据集来自丹娜-法伯/布里格姆癌症中心2002-2014年间接受放疗的102例NSCLC患者。

临床特征分析

研究队列包含102例NSCLC患者（204次扫描），其中58.8%为女性，中位年龄60岁，91.2%诊断为III期疾病。训练集和测试集在年龄、性别、吸烟史、肿瘤分期等临床特征上无显著差异，确保了数据的可比性。治疗前CT至放疗开始的中位时间为9天，两次CT扫描间隔中位时间为70天。

特征初步探索

研究发现，同一患者治疗前后特征向量的欧氏距离较小，而异源患者间的距离较大，证明特征提取具有良好特异性。

可视化分析显示，欧氏距离小的病例对应着治疗前后肿瘤外观变化较小，而距离大的病例则表现为肿瘤形态的显著改变。主成分分析（PCA）显示，元素级差值向量的第一主成分与临床肿瘤大小显著相关（r=0.57, p<1×10^-9），表明基础模型特征能够捕获有临床意义的信息。

梯度提升生存分析

基于元素级差值的梯度提升模型在测试集上取得了最佳预测性能，C指数达0.74，1年和2年累积AUC分别为0.93和0.91，其中2年预测达到统计学显著性（p=0.006）。相比之下，仅使用临床数据的基线模型C指数仅为0.46，而加入欧氏距离特征后提升至0.53。传统影像组学特征在1年和2年预测中表现优于FMCIB治疗前特征，但差异不显著。

欧氏距离的预测价值

将欧氏距离作为附加特征加入随机森林临床模型后，2年生存预测的AUC从0.52提升至0.59。虽然在Cox比例风险模型中未显示显著改善，但在梯度提升模型中，加入欧氏距离后所有评估指标均有提升。

研究结果表明，基于基础模型的双时相CT特征分析能够有效预测NSCLC患者的生存预后，特别是在早期（1-2年）预测中表现优异。元素级差值的特征向量最具预测价值，显著优于单时点特征和单纯临床数据。这种方法克服了传统深度学习方法对大数据集的依赖，仅需肿瘤种子点定位而非完整分割，更符合临床实际工作流程。

该研究的创新性在于首次将医学影像基础模型与多时相分析相结合，证实了治疗响应动态特征在预后预测中的重要性。尽管存在样本量有限、未包含淋巴结病变、缺乏外部验证等局限性，但为小样本医学影像分析提供了新思路。未来研究方向包括扩大数据集、纳入更多时点、拓展到其他治疗方式（如免疫治疗）等，进一步推动人工智能在精准肿瘤学中的应用。