深度学习助力预测外周 I 期肺腺癌 STAS，开启精准医疗新篇章

研究人员为精准预测外周 I 期肺腺癌（LUAD）的肿瘤经气腔播散（STAS），构建深度学习（DL）模型，其诊断准确性超传统模型，意义重大。

　　### 深度学习助力预测外周 I 期肺腺癌 STAS，开启精准医疗新篇章
在肺癌的 “战场” 上，肺腺癌（LUAD）作为其中的 “主力军”，一直是医学研究的重点对象。2015 年，世界卫生组织引入了肿瘤经气腔播散（STAS）的概念，它就像是隐藏在肿瘤中的 “暗箭”，悄无声息地影响着患者的预后。研究发现，STAS 是 I 期肺腺癌患者复发的独立危险因素 ，对于 T1 期 STAS 阳性的肺腺癌患者，肺叶切除术比亚肺叶切除术能带来更大的生存获益。而且，它还与患者的无复发生存期密切相关。这意味着，准确在术前识别 STAS，对于制定手术方案和评估患者预后至关重要。

然而，目前的诊断方法却存在诸多不足。术中冰冻切片（FS）分析就像一位 “不靠谱的侦察兵”，其诊断 STAS 的敏感性仅为 50%，阴性预测值更是只有 8%，这使得医生难以依靠它来准确判断病情，进而影响手术切除范围和手术方式的选择。而术前经皮活检，由于难以获取肺泡或气腔内肿瘤细胞的活体组织标本，也无法准确诊断 STAS 。因此，寻找一种更精准的术前诊断方法迫在眉睫。

为了解决这一难题，徐州医科大学、徐州新健康老年医院、徐州医科大学附属医院等多家机构的研究人员联合开展了一项研究。他们致力于构建基于自动分割的深度学习（DL）模型，以此来术前预测外周 I 期肺腺癌的 STAS，并评估其临床适用性。该研究成果发表在《Respiratory Research》杂志上，为肺腺癌的诊疗带来了新的希望。

研究人员在开展这项研究时，运用了多种关键技术方法。首先是数据收集，他们收集了 2022 年 1 月至 2023 年 12 月在本机构接受手术治疗的肺肿瘤患者的临床和放射学数据，并补充了另一家医院的外部验证集。在图像预处理与分割方面，采用 VNet 架构自动勾勒 CT 图像中的感兴趣区域（ROI）。影像组学特征提取则利用 Pyradiomics 工具，提取了包括几何、强度和纹理等属性的 1834 个手工特征 。深度学习框架基于 ResNet 架构结合迁移学习构建，同时对模型进行了一系列优化操作。最后，通过多种评估指标，如受试者工作特征（ROC）曲线、曲线下面积（AUC）等对模型性能进行评价。

下面来看看具体的研究结果：

• 基线特征：研究共纳入 290 例符合标准的患者，其中 65 例（22.41%）STAS 检测呈阳性。患者群体中男性占 55%，女性占 45%，平均年龄 62 岁。研究涉及的两个中心的临床和病理变量无显著差异，适合进行合并分析。
• 影像组学特征与模型构建：从众多手工特征中，通过 Lasso 回归筛选出 12 个特征用于计算 Rad-score，构建的基于影像组学的 XGBoost 模型在验证队列中的 AUC 为 0.833（95% CI 0.707 - 0.960），显示出一定的判别能力，但相比 DL 模型稍低。
• 深度学习模型性能：基于 ResNet101 的深度学习模型在验证队列中表现优异，AUC 达到 0.880（95% CI 0.780 - 0.979），在区分 STAS 阳性和阴性病例方面效果显著。通过 Grad-CAM 可视化技术，能够清晰地看到模型决策过程中最具影响力的肿瘤区域，凸显了深度学习模型在自动特征提取和预测准确性方面的优势。
• 模型性能比较：综合分析不同队列的模型性能发现，DL 模型在各个队列中的表现均优于传统影像组学模型。在测试队列中，DL 模型的 AUC 为 0.880，而影像组学模型仅为 0.803；在验证队列中，DL 模型的 AUC 为 0.880，影像组学模型为 0.833，充分体现了 DL 模型的稳健性和泛化能力。
• 分割结果：用于 ROI 分割的 VNet 模型在训练和验证队列中表现稳健，训练队列的 Dice 相似系数（DSC）为 0.818，验证队列的 DSC 为 0.817；训练队列的交并比（IoU）为 0.759，验证队列的 IoU 为 0.761，分割准确性较高。
• 融合方法评估：研究采用了均值、最大值、最小值三种融合方法来进一步提高预测准确性。在训练队列中，融合方法提高了 AUC 值，均值融合方法达到最高 AUC 值 0.969 。但在验证和测试集中，融合方法的效果不太明显，均值融合方法的 AUC 值分别为 0.875 和 0.875，表明融合方法在不同数据集上的泛化能力存在一定局限。
• 模型校准与临床实用性：通过 Hosmer - Lemeshow（HL）测试评估模型校准，结果显示 DL 模型预测概率与观察结果之间具有良好的一致性，HL 测试统计量在训练、验证和测试队列中分别为 0.828、0.911 和 0.852 。决策曲线分析（DCA）表明，融合了影像组学和 DL 模型预测结果的融合模型在广泛的阈值概率范围内提供了显著的净效益，对指导临床决策具有重要价值。

在研究结论与讨论部分，研究人员开发并评估的基于自动分割的 DL 模型，在预测外周 I 期肺腺癌的 STAS 方面表现出色，其 AUC 达到 0.880（95% CI 0.780 - 0.979），超过了影像组学模型（AUC 为 0.833 ，95% CI 0.707 - 0.960）。该模型仅依靠影像数据，减少了主观标记和不完整临床变量带来的偏差，结合 VNet 自动分割框架，提高了工作流程的效率和可重复性 。不过，研究也存在一些局限性，如数据集规模较小且存在类别不平衡问题，研究为回顾性设计且训练依赖单中心数据，以及未对有无分割的 DL 模型进行直接比较等。

总体而言，这项研究为肺腺癌的术前诊断提供了新的思路和方法，基于自动分割的 DL 模型在预测外周 I 期肺腺癌 STAS 方面展现出巨大潜力，有望推动肺癌精准医疗的发展。未来，研究人员计划通过扩大研究人群、开展多中心研究、探索先进的平衡技术以及整合多模态数据等方式，进一步优化模型，使其更好地应用于临床实践，为更多肺腺癌患者带来福音。