编辑推荐：
小细胞肺癌（SCLC）预后差，现有成像技术虽提高诊断率但生存结局未改善。研究人员开发基于 CT 的临床 - 影像组学融合列线图预测 SCLC 患者无进展生存期（PFS）。结果显示该模型预测性能良好，有助于临床决策，改善患者预后。
肺癌一直是全球癌症相关死亡的首要原因，发病率也居于恶性肿瘤之首。小细胞肺癌（SCLC）作为肺癌的一种特殊类型，是高度恶性的神经内分泌癌，具有低分化、增殖快、易早期转移的特点。尽管它在肺癌病例中约占 15%，但由于地域和种族差异，全球 SCLC 的精确负担难以估计。而且，约 70% 的患者初诊时就已处于广泛期（ES - SCLC），预后极差，5 年生存率极低，局限期（LS - SCLC）患者的 5 年生存率仅为 20 - 25%，广泛期患者更是低至 2%。
在诊断方面，虽然像薄层 CT 这样的成像技术进步提高了 SCLC 的检测率，但患者的生存结局却没有得到明显改善。目前，SCLC 的标准治疗方案有限，手术治疗的适用人群少且存在争议，化疗和放疗虽有一定效果，但多数患者会在治疗后 6 个月内复发。近年来，免疫疗法虽带来了新希望，但总体预后仍然不佳。这一系列困境促使研究人员积极寻找新的方法来改善 SCLC 患者的预后，于是基于 CT 的临床 - 影像组学融合列线图的研究应运而生。
复旦大学附属华东医院的研究人员开展了此项研究，旨在开发并验证一种结合临床风险因素和影像组学评分（Rad - score）的临床 - 影像组学列线图，用于估计 SCLC 患者的无进展生存期（PFS）。该研究成果发表在《BMC Medical Imaging》上，为 SCLC 的预后评估和临床决策提供了重要参考。
研究人员开展此项研究时，用到了以下几个主要关键技术方法：
- 数据收集与分组：从 2013 年 1 月 1 日至 2023 年 12 月 31 日，收集了 538 例在华东医院接受 CT 检查的 SCLC 患者资料，最终根据纳入和排除标准筛选出 95 例患者，并将其随机分为训练队列和验证队列，比例为 7:312。
- 特征提取与选择：由两位经验丰富的放射科医生使用 3D - SLICER 软件对肿瘤进行三维（3D）分割，再利用 Pyradiomics 提取 1218 个影像组学特征。通过最小绝对收缩和选择算子（LASSO）、单因素和多因素 Cox 分析筛选出与 PFS 相关的特征34。
- 模型构建与评估：对 12 个临床风险因素进行单因素和多因素 Cox 分析，构建临床列线图；结合筛选出的影像组学特征构建临床 - 影像组学融合列线图。使用一致性指数（C - index）、校准曲线和决策曲线分析（DCA）等方法评估模型性能56。
下面介绍研究结果：
- 患者临床特征：95 例患者的中位年龄为 68 岁，男性占 88%。训练队列和验证队列在临床特征分布上无显著差异7。
- 临床风险因素与 PFS 的关系：单因素 Cox 回归分析显示，手术、神经元特异性烯醇化酶（NSE）和糖类抗原 125（CA125）水平与 PFS 显著相关，这些因素被用于构建临床列线图8。
- 影像组学特征筛选与 Rad - score 计算：通过 LASSO、单因素和多因素 Cox 分析，最终确定 5 个影像组学特征用于计算 Rad - score，并构建临床 - 影像组学列线图49。
- 模型性能评估：在训练队列和验证队列中，临床 - 影像组学列线图模型的 C - index 分别为 0.744 和 0.717，均高于临床列线图模型（0.718 和 0.715）。校准曲线显示模型校准良好，DCA 表明临床 - 影像组学列线图在临床实用性上更优1011。
研究结论和讨论部分指出，该研究构建的临床 - 影像组学融合列线图在预测 SCLC 患者 PFS 方面表现出色，优于仅基于临床因素的模型。它能为临床医生提供更准确的预后评估，帮助制定个性化的随访策略和治疗方案，具有重要的临床价值。例如，通过设定风险阈值，医生可判断患者是否需要更密切的随访或更积极的治疗干预。同时，该模型还能深入揭示肿瘤的生物学特征，为进一步研究 SCLC 的发病机制提供线索。
然而，研究也存在一定局限性。影像组学模型的准确性依赖于成像数据的质量和一致性，特征选择不当可能导致过拟合，样本量较小也会影响模型的泛化能力。此外，回顾性研究设计和手动病灶标注可能存在偏差。未来研究计划通过收集多中心的大规模异质性数据集进行外部验证，探索深度学习与传统影像组学特征提取、多模态数据和优化算法的结合，以进一步提高模型性能，使其更适用于临床实践。总体而言，这项研究为 SCLC 的预后预测和临床管理开辟了新方向，具有重要的理论和实践意义，有望为改善 SCLC 患者的生存状况带来新的突破。
