基于影像组学与病理组学双通路融合的非小细胞肺癌基因突变预测及风险分层研究

本文创新性地构建了融合影像组学（DLRadiomics）、病理组学（Pathomics）及临床特征的多模态联合模型（Nomogram），通过3D CNN和弱监督学习技术，实现了对非小细胞肺癌（NSCLC）表皮生长因子受体（EGFR）突变状态的高精度预测（AUC达0.986）和风险分层（P<0.05）。该模型突破传统活检局限，为EGFR-TKIs靶向治疗和免疫检查点抑制剂（ICIs）适用人群筛选提供无创、可重复的决策工具。

　　

引言

肺癌作为全球癌症相关死亡的首要原因，其中非小细胞肺癌（NSCLC）占比高达80%。表皮生长因子受体（EGFR）突变与患者预后及靶向治疗响应密切相关，但传统基因检测存在肿瘤异质性、成本高昂等局限。近年来，人工智能驱动的影像组学和病理组学技术为无创预测提供了新思路。本研究旨在通过多模态融合模型突破单组学局限，实现EGFR状态的精准预测。

材料与方法

研究纳入387例NSCLC患者（训练集193例，内外验证集194例），采用多中心回顾性设计。影像组学模型基于3D CNN构建，通过ResNet50-3D等网络提取病灶三维空间特征；病理组学采用弱监督学习和多示例学习（MIL）技术，从全切片图像（WSI）中自动识别EGFR相关微观特征。临床特征经多变量回归筛选后，与组学特征通过随机森林（RF）等算法融合为Nomogram模型。

结果

Nomogram在训练集、内外验证集的AUC分别达0.986、0.796和0.850，显著优于单一模型。其中：

• •

  影像组学：ShuffleNet-3D表现最优（验证集AUC=0.772），证实3D空间特征提取优势；

• •

  病理组学：DenseNet121的Grad-CAM热图显示突变相关区域激活（如图5），SVM整合的WSI级预测AUC达0.792；

• •

  临床特征：吸烟史与EGFR突变呈显著负相关（OR=0.819, P=0.017）。

模型还可区分EGFR亚型（19del/L858R）和预测风险分层（KM曲线P<0.05），校准曲线和决策曲线（DCA）验证其临床实用性。

讨论

研究首次实现影像与病理组学的跨尺度融合：

1. 1.

   技术突破：弱监督学习避免人工标注，3D CNN保留病灶空间信息；

2. 2.

   临床价值：为无法重复活检或经济受限患者提供替代方案，指导EGFR-TKIs或免疫治疗选择；

3. 3.

   局限性：回顾性设计可能引入偏倚，罕见病理类型样本不足需扩大验证。

结论

该多模态Nomogram模型通过非侵入性手段整合宏观影像与微观病理特征，为NSCLC的个体化治疗和预后管理提供新范式，未来可通过前瞻性研究进一步推广至其他癌种。