基于CT影像组学的随机森林模型预测非小细胞肺癌4区纵隔淋巴结转移的临床价值

本研究针对非小细胞肺癌(NSCLC)患者术前4区纵隔淋巴结转移(MLNM)的精准评估难题，山东第一医科大学附属医院团队通过整合CT影像组学特征与临床风险因素，开发了基于随机森林(RF)的联合预测模型。研究纳入356例pN0-pN2期患者，从1721个影像特征中筛选出8个关键指标，构建的RF联合模型在训练集和独立测试集中AUC分别达0.934和0.883，显著优于单一模型。该非侵入性工具为优化手术决策提供了新依据，成果发表于《BMC Medical Imaging》。

　　

肺癌作为全球发病率和死亡率最高的恶性肿瘤之一，其中非小细胞肺癌(NSCLC)占比高达85%，5年生存率仅约19%。纵隔淋巴结转移状态是决定患者预后的关键因素，而位于气管旁下区的4区淋巴结（含右侧4R和左侧4L）因其解剖复杂、清扫难度大，成为临床决策的难点。传统CT仅依赖淋巴结短径≥1 cm的判断标准，存在26.9%的假阴性率；PET-CT虽有一定价值，但存在放射性且成本高昂。如何通过常规影像实现精准术前评估，成为胸外科和影像科亟待解决的临床痛点。

山东第一医科大学附属齐鲁医院放射科团队联合肿瘤内科，在《BMC Medical Imaging》发表了一项突破性研究。该团队创新性地将静脉期CT影像组学特征与临床指标结合，构建了可预测pN0-pN2期NSCLC患者4区淋巴结转移的机器学习模型。研究通过多中心回顾性设计，纳入356例患者（含独立测试集59例），从2221个初始特征中筛选出8个关键影像组学特征，包括灰度游程矩阵(GLRM)的游程方差、灰度依赖矩阵(GLDM)的非均匀性等。结合肿瘤位置、毛刺征等临床指标，最终建立的随机森林(RF)联合模型展现出卓越性能，其AUC在训练集和独立验证集分别达到0.934和0.883，显著优于传统临床模型（AUC 0.797）。

研究主要采用三大关键技术：1）基于uAI Research Portal系统的半自动淋巴结ROI分割与特征提取，通过Z-score标准化和1×1×1 mm³
体素重采样确保数据一致性；2）LASSO回归（最小绝对收缩和选择算子）进行特征降维，从1721个ICC>0.75的特征中筛选非零系数特征；3）四类机器学习算法（决策树DT、逻辑回归LR、随机森林RF和支持向量机SVM）的并行构建与比较，通过受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)多维度评估。

临床特征与模型构建
研究发现肿瘤位置（右上叶转移风险最高，p<0.05）、毛刺征（OR=2.33）和淋巴结短径（≥1 cm组转移率41.0% vs <1 cm组26.9%）是独立预测因子。基于这三个指标构建的临床模型在RF算法下表现最佳，训练集AUC为0.814。

影像组学特征筛选
通过LASSO回归确定的8个核心特征中，wavelet-HHH-Run Variance（小波变换高阶游程方差）和original_shape_Surface Volume Ratio（原始图像表面体积比）贡献度最高。SHAP分析显示，表面体积比较低（趋向球形）的淋巴结转移风险显著升高，这与转移性淋巴结的膨胀性生长病理特征吻合。

模型性能验证
RF联合模型在内部测试集展现出82.4%的敏感性和82.1%的特异性，且校准曲线显示预测概率与实际发生率高度一致（Hosmer-Lemeshow检验p=0.779）。DCA曲线证实，在10%-90%的阈值概率范围内，该模型的临床净收益显著高于"全清扫"或"不清扫"策略。

独立测试集验证
来自不同院区的59例独立数据进一步验证了模型稳健性，AUC保持在0.883，其中表面体积比的SHAP值达0.142，成为最具判别力的单项指标。

这项研究首次建立了针对NSCLC特定淋巴结分站的预测体系，其创新性体现在三方面：1）突破传统影像仅依赖形态学的局限，通过GLRLM和GLDM等多维度纹理特征捕捉微观结构改变；2）解决4L淋巴结因解剖复杂导致的清扫不足问题，为个体化淋巴结清扫提供量化依据；3）开发的开源模型可通过常规CT实现精准预测，适合医疗资源不均地区推广。

研究也存在一定局限性：样本量限制了对pN2亚组的细化分析；静脉期单时相扫描可能遗漏血流动力学信息；未来需结合PET代谢参数和深度学习进一步提升性能。总体而言，该成果为肺癌精准外科实践提供了重要工具，其方法论框架也可拓展至其他实体瘤的淋巴结评估领域。