基于CT影像组学与放射学特征融合预测I期肺腺癌病理分级的创新模型研究

来自国内的研究人员针对早期浸润性肺腺癌病理分级难题，创新性整合CT影像组学(Radiomics)与放射学特征，采用mRMR-LASSO特征筛选和随机森林回归构建联合预测模型。该模型在训练集和验证集的AUC分别达0.902和0.880，显著优于单一特征模型，特异性提升至90.5%-93.3%，为IASLC新分级体系下的精准诊疗提供了非侵入性决策工具。

　　这项开创性研究巧妙地将CT影像组学(Radiomics)纹理特征与传统放射学特征相结合，构建出针对I期浸润性肺腺癌的智能分级系统。研究团队通过回顾性分析240例患者数据，采用最小冗余最大相关(mRMR)和LASSO算法筛选关键特征，并运用随机森林回归构建多模态预测模型。令人振奋的是，联合模型展现出卓越的判别效能：训练组曲线下面积(AUC)高达0.902，验证组达0.880，显著超越单一特征模型（放射学特征AUC 0.848/0.832；纹理特征AUC 0.850/0.845）。更值得注意的是，该模型特异性突破性提升至93.3%，为国际肺癌研究协会(IASLC)新分级标准下的精准诊疗提供了强有力的非侵入性工具，有望革新肺癌个性化治疗决策范式。