综述：一种方法论框架，用于整合可泛化的深度学习与放射组学融合模型，以实现跨多中心影像数据集的早期肺癌检测

《BMC Medical Informatics and Decision Making》：A methodological framework for integrating generalisable deep learning and radiomics fusion model for early lung cancer detection across multi-centre imaging datasets

　　

摘要

肺癌的早期检测仍然是提高生存率的最有效策略之一；然而，诊断性能受到成像协议、扫描仪设置、病变特征以及读片者解读差异的影响。深度学习（DL）模型能够从医学图像中自动提取特征，而放射组学则提供了可解释的生物标志物，这些标志物能够捕捉肿瘤的形态、强度、纹理和异质性。当这些方法整合到临床决策支持系统（CDSS）中时，它们有潜力辅助放射科医生的决策，减少假阳性结果，并改善对不确定肺结节的分类。然而，这两种方法仍然面临可重复性、可解释性以及在多中心成像数据集中的泛化能力等方面的挑战。本系统评价遵循了PRISMA 2020指南，综合了基于CT、LDCT、光谱CT和PET/CT的放射组学、深度学习（DL）以及DL-放射组学融合模型在肺癌早期检测和分类方面的证据。通过对Scopus、PubMed/MEDLINE、IEEE Xplore和Google Scholar的重新搜索，并进行后续的筛选后，保留的核心检测和分类研究被分为三类：仅基于放射组学的模型、仅基于深度学习的模型以及DL-放射组学融合模型。通过比较各研究的性能指标、验证策略、成像方式、融合方法和中心设计，以识别方法学模式和异质性的来源。在良性与恶性结节分类、肺癌分类、浸润性腺癌预测、磨玻璃结节评估以及组织学亚型划分方面，融合模型通常优于仅基于放射组学或深度学习的模型。晚期融合策略和混合融合策略比早期特征拼接方法更为稳健，尤其是在结合了手工制作的放射组学特征、深度学习特征和临床变量（如吸烟史、结节边缘特征、肿瘤分期、PET/CT指标）时。然而，现有证据受到回顾性研究设计、样本量小、分割和标准化不一致、前瞻性验证有限以及校准、决策曲线分析和外部性能报告不完整等因素的限制。鉴于结果、成像协议、特征处理流程、模型架构和验证策略的多样性，正式的统计汇总并不合适。为了解决这些问题，本评价提出了一种方法学框架，该框架整合了多中心数据标准化、稳健的特征工程、数学定义的融合策略、领域泛化能力、可解释性、校准以及临床效用评估，以支持可重复且具有临床意义的肺癌早期检测CDSS。