基于半自动分割与放射组学的肺腺癌与鳞癌鉴别诊断研究

【编辑推荐】本研究针对非小细胞肺癌（NSCLC）中腺癌（AD）与鳞癌（SCC）的鉴别难题，通过3D Slicer软件半自动分割提取107个放射组学特征，结合LASSO回归和机器学习模型（RF/SVM）实现亚型分类。结果显示SVM模型准确率达0.87（AUC=0.87），为无创诊断提供新思路，对个性化治疗具有潜在临床价值。

　　

肺癌作为全球癌症死亡的首要原因，其两大亚型——腺癌（AD）和鳞状细胞癌（SCC）——占非小细胞肺癌（NSCLC）的70%，但传统活检存在 invasiveness 和采样偏差问题。放射组学（Radiomics）这一新兴技术通过挖掘医学影像的深层特征，为肿瘤无创分型带来希望。然而，如何从海量影像数据中筛选出具有鉴别力的特征，并建立可靠的分类模型，仍是临床面临的挑战。

针对这一难题，斯里兰卡Apeksha Hospital的研究团队在《Radiography》发表了一项创新研究。该团队收集80例NSCLC患者（50例AD/30例SCC）的CT模拟影像，采用3D Slicer软件进行半自动肿瘤分割，提取107个定量放射组学特征。通过Spearman相关性分析剔除冗余特征后，利用LASSO（Least Absolute Shrinkage and Selection Operator）逻辑回归结合10折交叉验证筛选出15个关键特征。进一步采用夏皮罗-威尔克检验评估特征分布正态性，并通过曼-惠特尼U检验比较组间差异。最终构建随机森林（RF）和支持向量机（SVM）分类模型，以ROC曲线和AUC值评估性能。

研究结果

1. 特征选择与模型构建
   LASSO回归筛选的特征中，AD组放射组学评分（Rad-Score）呈正态分布，而SCC组为非正态分布。这一发现提示两组肿瘤的影像组学特征存在本质差异。

2. 模型性能比较
   SVM展现出显著优势：验证集准确率达0.87（95% CI），AUC为0.87，显著高于RF模型的0.73准确率（AUC=0.54）。这表明基于核函数的SVM更适合处理高维放射组学数据。

3. 临床意义验证
   尽管整体AUC为0.679（训练集）和0.560（验证集）显示中等预测能力，但SVM的优异表现证实放射组学可辅助区分NSCLC亚型，尤其对避免不必要活检具有潜在价值。

结论与展望
该研究首次系统验证了放射组学在NSCLC亚型鉴别中的应用潜力。通过半自动分割结合机器学习，不仅克服了传统影像诊断的主观性局限，还为精准医疗提供了可量化的生物标志物。值得注意的是，SVM模型的优异性能可能源于其对高维非线性特征的处理能力，这与肿瘤异质性的生物学特性高度契合。

然而，当前模型的AUC值尚未达到理想临床阈值（>0.9），提示未来需扩大样本量并优化特征工程。研究者建议整合多模态影像（如PET-CT）和基因组数据，以提升模型鲁棒性。这项成果为放射组学从实验室走向临床实践迈出了关键一步，其方法论框架也可拓展至其他癌种的精准分型研究。