基于多模态AI的CT影像无创预测NSCLC患者EGFR/TP53共突变：助力TKI耐药早期识别

本研究针对非小细胞肺癌(NSCLC)患者EGFR-TKI治疗耐药难题，开发了整合CT影像组学与临床数据的多维度AI预测模型。通过分析2171例患者数据，团队构建的随机森林模型对EGFR/TP53共突变的预测AUC达0.843，显著优于单维度模型，为临床无创识别TKI耐药高风险患者提供了新工具。

　　

在精准医疗时代，非小细胞肺癌(NSCLC)的治疗面临着一个关键瓶颈：约30-72%的EGFR突变患者会同时出现TP53基因突变，这种共突变状态与酪氨酸激酶抑制剂(TKI)耐药显著相关。传统组织活检和基因检测不仅具有侵入性，还会延误治疗决策。如何通过无创手段早期识别这些高风险患者，成为临床亟待解决的难题。

四川大学华西医院的研究团队在《BMC Pulmonary Medicine》发表了一项突破性研究。他们创新性地将深度学习与机器学习相结合，开发出基于术前CT扫描的多模态AI预测系统。这项研究纳入了2171例经病理确诊的NSCLC患者，通过分析低剂量CT(LDCT)影像特征与临床参数的关联，成功构建了EGFR/TP53共突变的预测模型。

研究采用三大关键技术：1)基于VB-Net框架的病灶自动分割技术，通过贝塞尔曲线优化边缘识别；2)从1084个影像组学特征中筛选出与基因突变相关的关键指标；3)采用随机森林(RF)等11种机器学习算法构建预测模型，并通过SMOTE技术解决数据不平衡问题。

研究结果方面：
General population characteristics
队列分析显示EGFR+/TP53+患者接受TKI治疗的中位无进展生存期(PFS)仅17.13个月，显著短于EGFR+/TP53-组的11.4个月(P=0.00224)，证实TP53突变对预后的负面影响。

Image segmentation
优化的VB-Net模型通过非线性变换使病灶分割准确率提升，假阳性率降低，特别是对肺外病变的识别能力显著增强。

Feature selection
形状特征与基因突变状态的相关性最强(Spearman检验p<0.05)，其中"球形度"等参数与TP53突变呈特异性关联。

Performance of models
四类模型对比显示：

• 单一临床模型AUC为0.771
• 影像组学模型AUC为0.755
• 肿瘤标志物模型AUC为0.683
• 三模态联合模型AUC达0.843，显著优于其他模型(DeLong检验P<0.05)

Biologic mechanisms
对546例56基因panel测序患者的分析发现，EGFR与TP53在影像特征聚类中呈现共表达模式，揭示了两者在肿瘤异质性中的协同作用。

这项研究开创了无创预测NSCLC关键共突变的新范式。其重要意义在于：1)首次证实CT影像特征能可靠反映EGFR/TP53共突变状态；2)多模态融合策略使预测准确率达到临床实用水平；3)为TKI耐药患者的早期识别提供了经济高效的解决方案。研究人员特别指出，该模型对亚洲人群更具价值，因为该人群EGFR突变率显著高于欧美。未来通过多中心验证和动态学习算法优化，这一技术有望成为肺癌精准诊疗的标准工具。