基于T1增强MRI脑转移瘤影像组学机器学习模型鉴别肺鳞癌与腺癌的研究

本研究创新性地利用T1加权增强磁共振成像（MRI）结合机器学习技术，开发了能准确区分肺鳞状细胞癌（SCC）与腺癌（AC）脑转移瘤（BMs）的影像组学模型。通过提取833个定量特征并采用LASSO回归筛选，LightGBM算法在训练集和测试集分别达到0.858和0.857的AUC值，为 NSCLC 亚型无创诊断提供了新思路。

　　

引言
肺癌作为全球癌症死亡的首要原因，其中非小细胞肺癌（NSCLC）占比达85%，而腺癌（AC）与鳞状细胞癌（SCC）的生物学行为和治疗策略存在显著差异。脑转移（BMs）作为晚期肺癌常见并发症，其亚型鉴别对个体化治疗至关重要。传统活检存在创伤大、采样偏差等问题，本研究首次聚焦BMs的T1增强MRI影像组学特征，为无创鉴别提供新方案。

材料与方法
回顾性纳入173例BMs患者（AC 88例/SCC 85例），采用3.0T MRI获取标准化T1增强图像。通过PyRadiomics提取833个特征，经三步筛选（单变量分析、Spearman相关性分析、LASSO回归）最终保留8个关键特征，包括小波变换特征wavelet_LLL_firstorder_10Percentile和纹理特征wavelet_HLL_glcm_Imc2。采用10种机器学习算法构建模型，以7:3比例划分训练集与测试集。

结果
LightGBM模型表现最优：训练集准确率81.4%（敏感度72.6%/特异度89.6%），测试集准确率77.9%（敏感度72.5%/特异度85.7%），AUC值稳定在0.85以上。决策曲线分析（DCA）显示该模型在0.2-0.8阈值概率区间具有显著临床净获益。相比其他算法，XGBoost虽训练集AUC达0.972，但测试集降至0.732，存在明显过拟合。

讨论
研究揭示了BMs与原发性肺癌的影像组学差异：AC转移瘤多表现更早的弥漫性病灶，其纹理特征反映更高异质性；SCC则呈现局灶性生长模式，与吸烟史相关的微环境特征相关。值得注意的是，本研究未纳入瘤周水肿区特征，未来拟结合T2WI/FLAIR序列进一步优化。与既往研究对比，Deng等采用Xgboost模型AUC为0.80-0.85，而本研究LightGBM展现出更稳定的跨数据集性能。

结论
该影像组学模型通过捕捉BMs的细微纹理差异，首次实现基于单模态MRI的NSCLC亚型无创分类。未来需通过多中心前瞻性研究验证，并探索与基因组学数据的融合，为精准医疗提供新工具。