利用微乳头型和实性型特征预测早期肺腺癌患者5年内的复发情况

《International Journal of Medical Informatics》：Predicting recurrence within 5 years in Early-Stage lung adenocarcinoma with micropapillary and solid patterns

　　

王中杰|陈杰|徐圆圆|林腾哲|陈超|沈彦明|黄进|徐少军|陈书晨

中国福建省福州市福建医科大学联合医院胸外科

摘要

背景

微乳头状（MP）和实性（S）病理类型被认为是高风险病理类型。即使是早期浸润性腺癌（IAC），如果具有MP/S病理类型，术后复发风险也较高。本研究旨在构建并验证机器学习（ML）模型，以预测具有MP/S病理成分且肿瘤直径≤3厘米、无淋巴结转移和远处转移的IAC患者的5年复发风险

方法

我们回顾性分析了来自两个中心的974名患者的数据。使用单变量和多变量逻辑回归分析来选择独立的预测变量。基于接收者操作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）评估了八个ML模型。使用SHapley Additive exPlanations（SHAP）方法解释了各变量的贡献。

结果

单变量和多变量分析确定了五个独立预测因子：手术方式、肿瘤与胸膜粘连比率（CTR）、脏层胸膜侵犯、表皮生长因子受体突变状态和吸烟史。神经网络模型表现最佳，在训练集中的AUC为0.794，在测试集中的AUC为0.764，在验证集中的AUC为0.775。校准曲线显示了良好的预测准确性，DCA表明在大多数风险阈值下具有显著的临床实用性。SHAP分析确定CTR和手术方式为最重要的预测因子，突显了它们在术后复发中的重要作用。

结论

我们开发并验证了一个机器学习模型，该模型整合了多维临床病理特征和影像学特征，用于评估具有MP/S病理成分的pN0M0浸润性腺癌（≤3厘米）患者的5年复发风险。

引言

肺癌是全球癌症相关死亡的主要原因[1]，而肺腺癌是最常见的组织学类型，占所有病例的一半以上[2]。根据其主要病理类型，浸润性腺癌（IAC）可以进一步分类[2]。微乳头状（MP）和实性（S）病理成分由于其侵袭性生物学行为和较差的临床结果而被认为是高风险病理类型[3]、[4]。即使在早期肿瘤（pN0M0，肿瘤大小≤3厘米）患者中，存在微乳头状或实性成分也会显著增加术后复发风险[5]。

这种高复发风险给临床决策带来了挑战，特别是在确定手术切除范围和术后治疗策略（如辅助化疗）方面。目前，基于常规临床病理参数的传统预后模型在预测这一特定人群的复发方面准确性有限。由于多种风险因素之间的复杂相互作用，需要更复杂的分析方法。机器学习技术有潜力整合多维临床、影像学和病理数据，有望构建更准确的复发预测模型[6]、[7]、[8]。

人工智能的最新进展促进了各种肺癌预后预测模型的发展。例如，张等人使用CT-病理相关性开发了高性能的深度学习模型，而兰等人则利用低剂量CT放射组学数据进行了研究[9]、[10]。同样，曾等人和郑等人整合了放射学、分子和PET数据来预测I期和浸润性腺癌的复发[11]、[12]。其他研究则探索了更广泛的人群，如李等人（Ia1-IIIA期）和林等人（非小细胞肺癌NSCLC），或采用了环境放射组学和多组学方法[13]、[14]、[15]、[16]、[17]。

然而，这些研究主要集中在一般早期人群或混合阶段队列上。专门针对具有MP/S病理成分的早期肺腺癌患者的研究仍然非常有限。MP/S病理成分的独特生物学行为需要一种不同于通用模型的专用预测工具。因此，本研究旨在基于两个中心的多维数据，开发并验证一个用于预测这一特定高风险人群5年复发风险的机器学习模型。

章节片段

患者选择

本研究的数据来自两家医院，已获得各自机构伦理审查委员会的批准。鉴于研究的回顾性质，两个机构伦理审查委员会均免除了知情同意的要求。研究过程严格遵循《赫尔辛基宣言》的原则，所有可识别个人信息均通过编码进行匿名处理以保护患者隐私。

本研究为回顾性研究

患者特征

内部数据集包括812名具有pN0M0 IAC（肿瘤大小≤3厘米）和MP/S病理成分的患者，其中148名（18.2%）在5年内复发。如表1所示，复发患者年龄较大（中位年龄64.0岁 vs 61.0岁，p<0.001），淋巴结转移（ELN）较少（中位数6.0 vs 8.0，p<0.001），包括ELN2（中位数3.0 vs 4.0，p=0.02）和ELN1（中位数2.0 vs 3.0，p<0.001）。手术方式与复发有显著关联

讨论

通过开发并验证一个整合临床病理、影像学和分子特征的机器学习模型，我们建立了一个工具，用于预测具有高风险MP/S病理成分的pN0M0 IAC患者（肿瘤大小≤3厘米）的5年术后复发风险。选择神经网络模型是因为其卓越的性能（训练集AUC为0.794，测试集AUC为0.764，验证集AUC为0.775），它不仅量化了复发风险，还阐明了其中的复杂机制

CRediT作者贡献声明

王中杰：撰写 – 审稿与编辑，撰写 – 原稿，验证，资源准备，调查，数据管理，概念构思。陈杰：撰写 – 审稿与编辑，撰写 – 原稿，验证，资源准备，方法学，调查，数据管理，概念构思。徐圆圆：撰写 – 审稿与编辑，撰写 – 原稿，验证，资源准备，方法学，调查，数据管理，概念构思。林腾哲：撰写 – 审稿与编辑，验证，资源准备

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

我们感谢所有参与者的慷慨支持。

资金来源的作用

本研究得到了福建省心血管胸外科重点实验室（福建医科大学）、福建省高校联合科技创新基金（编号：0713304）、福建省财政专项补贴（编号：2024Y9248）以及吴杰平医学基金会临床研究专项补贴的支持