深度学习与影像组学融合模型预测临床IA期肺腺癌脏层胸膜侵犯的多中心研究

为解决临床IA期肺腺癌(LAC)患者脏层胸膜侵犯(VPI)术前精准评估难题，复旦大学附属中山医院等团队通过多中心研究构建了基于决策层融合的深度学习与影像组学模型。该模型在外部验证中AUC达0.812，显著优于传统临床和单模态模型(p<0.001)，可独立预测患者无病生存期(DFS)(p=0.044)，并有效提升低年资医师诊断水平(AUC提升0.133)。研究为LAC个体化治疗决策提供了可靠影像学工具。

　　

在肺癌诊疗领域，脏层胸膜侵犯(VPI)的术前评估犹如一道亟待破解的临床谜题。随着低剂量CT筛查的普及，越来越多的早期肺腺癌(LAC)被发现，但如何无创判断这些微小病灶是否突破脏层胸膜，直接关系到手术方案选择和预后评估。根据第8版TNM分期，即便肿瘤直径≤3cm，一旦存在VPI即需从T1升级为T2，这意味着患者可能需要接受更广泛的肺叶切除而非亚肺叶切除。然而传统CT诊断VPI的准确率仅约60%，且不同年资医师判读差异显著，这种"盲人摸象"般的现状亟需人工智能技术破局。

复旦大学附属中山医院联合上海市肺科医院的研究团队开展了一项开创性多中心研究，通过融合深度学习和影像组学技术，构建了可精准预测VPI的决策层融合模型。研究纳入了两家医疗中心449例临床IA期LAC患者，按6:4比例分为训练集和外部验证集。技术路线独具匠心：首先分别建立基于SVM的影像组学模型和基于ResNet50的深度学习模型，随后创新性地比较了特征层融合与决策层融合策略。通过5折交叉验证、LASSO特征筛选等严谨方法，最终开发的模型在《Journal of Cardiothoracic Surgery》发表了突破性成果。

预测模型的性能比较
研究结果显示，决策层融合模型在外部验证中展现出卓越的稳健性，AUC达0.812，显著优于临床模型(0.650)、单一影像组学模型(0.710)和深度学习模型(0.770)。尤为关键的是，特征层融合模型虽在训练集表现惊艳(AUC=0.988)，但外部验证AUC骤降至0.586，揭示其存在严重过拟合。而决策层融合模型的校准曲线几乎与理想对角线重合，决策曲线分析显示其临床净获益最高。

生存预测价值
对139例随访≥5年的患者分析发现，模型预测的VPI状态与病理VPI同样具有独立预后价值。多因素Cox回归显示，模型预测结果(HR=2.542)与肿瘤密度(HR=10.162)均为DFS的独立预测因子(p均<0.05)。生存曲线清晰呈现：模型判读的VPI阳性组5年生存率仅71.1%，显著低于阴性组的97.1%(p<0.001)，这种"数字先知"般的能力为术前预后评估提供了新维度。

临床辅助诊断价值
当引入决策层融合模型辅助诊断后，低年资医师诊断AUC从0.612跃升至0.745(p<0.001)，Kappa值从0.224提升至0.386，达到与高年资医师无辅助时相当的水平(0.745 vs 0.730)。而高年资医师在模型辅助下更创下AUC 0.885的佳绩，这种"老少咸宜"的提升效果彰显了AI赋能的普惠价值。

这项研究开创性地证实，基于决策层融合的多模态模型能有效克服传统特征融合的过拟合缺陷，在 multicenter 验证中展现出卓越的泛化能力。其临床意义有三重：首先为VPI术前评估提供了客观量化工具，弥补了传统CT诊断的主观局限性；其次通过预后预测功能辅助制定个体化手术方案；最重要的是搭建了人机协同诊断范式，使不同年资医师都能获得"专家级"判读能力。未来若能整合PET-CT等多模态数据，或有望进一步突破诊断天花板。这项来自中国学者的研究，为AI在胸外科领域的转化应用树立了新标杆。