多模态深度学习整合肿瘤影像组学与纵隔脂肪量提升非小细胞肺癌生存预测：一项预后模型研究

本研究创新性地将深度学习（DL）衍生的CT影像组学特征与纵隔脂肪面积（MFA）相结合，构建了非小细胞肺癌（NSCLC）术后生存预测的多模态模型。通过DenseNet121卷积神经网络提取肿瘤三维特征，并量化MFA的代谢活性，模型在702例手术患者中展现出卓越的预测性能（C-index：OS 0.823，DFS 0.803），显著优于单一模态。研究揭示了脂肪组织微环境与肿瘤异质性的协同作用，为个体化治疗决策提供了影像学生物标志物新范式。

　　

背景与目的

非小细胞肺癌（NSCLC）的预后评估长期受限于肿瘤异质性和传统生物标志物的局限性。近年研究发现，纵隔脂肪作为代谢活跃组织，可能通过分泌促炎因子（如IL-6、TNF-α）和调节免疫微环境影响肿瘤进展。本研究首次提出将深度学习（DL）提取的肿瘤影像组学特征与纵隔脂肪面积（MFA）量化指标融合，构建多模态预后模型。

研究方法

回顾性纳入702例手术切除的NSCLC患者，随机分为训练集（n=358）、验证集（n=119）和内部测试集（n=119），另设独立外部测试集（n=106）。采用DenseNet121架构提取肿瘤150³体素的深度特征，通过Cox损失函数优化生成深度学习风险评分（DLRS）。MFA在主动脉弓上层面通过ImageJ半自动分割（HU阈值-200至-40），由两名放射科医师手动校正血管交界区。多模态风险评分（MRS）整合DLRS、MFA及临床变量，通过Harrell's C-index和ROC曲线评估性能。

关键发现

1. 模型比较：DenseNet121在六种网络架构中表现最优，内部测试集C-index达0.810（OS）和0.787（DFS），参数数量仅为ResNet50的68%。

2. 脂肪代谢影响：MFA每增加1 cm²，OS风险比（HR）上升2.417（95% CI:1.922-3.446），独立于T/N分期等传统因素。

3. 多模态优势：融合模型C-index显著提升（OS 0.823 vs DLRS 0.810，p=0.003），外部验证中5年OS预测AUC达0.840。

4. 风险分层：MRS阈值9.81将患者分为高低风险组，高风险组5年生存率降低42%（log-rank p<0.001）。

机制探讨

纵隔脂肪的预后价值可能源于其独特的棕色脂肪样特性：

• 促肿瘤作用：通过Leptin-JAK/STAT通路激活肿瘤细胞PI3K/AKT信号，促进化疗抵抗。

• 免疫抑制：脂肪细胞外泌体miR-21抑制CD8⁺ T细胞功能，CCL5招募肿瘤相关巨噬细胞。

• 代谢耗竭：脂肪产热加剧癌症恶病质，与患者BMI呈现非线性关联。

临床转化

• 手术规划：Grad-CAM热图可定位肿瘤浸润前沿，指导扩大切除范围。

• 辅助治疗：MRS高分患者或需强化辅助治疗（如PD-1抑制剂联合化疗）。

• 动态监测：术后每3个月MFA变化可预测复发风险，较CEA灵敏度提高31%。

局限与展望

当前模型需解决：

1. 脂肪测量者间差异（Dice系数0.85）对结果的影响

2. 缺乏PD-L1和现代靶向治疗数据的验证

3. 需前瞻性研究明确MFA干预（如GLP-1激动剂）能否改善预后

这项研究为NSCLC精准医疗提供了可解释的生物标志物系统，未来可通过液态活检（ctDNA）与影像组学的跨模态融合进一步优化模型。