新研究構建精準列線圖，助力非小細胞肺癌EGFR突變無創(chuàng)篩查與診療。

隨著表皮生長因子受體酪氨酸激酶抑制劑（EGFR-TKI）在EGFR突變型晚期非小細胞肺癌（NSCLC）治療中的地位日益鞏固，快速、準確地識別EGFR突變狀態(tài)成為臨床實踐的關鍵。盡管組織基因檢測仍是金標準，但其侵入性、取樣局限性和時空異質性限制了廣泛應用。發(fā)表于Frontiers in Oncology上一項研究[1]，提出一種基于1?F-FDG PET與薄層CT影像組學特征，結合多種機器學習算法構建的預測模型，并進一步整合臨床與影像學特征形成可視化列線圖，為EGFR突變狀態(tài)的無創(chuàng)預測提供了新工具。

研究背景與臨床問題

肺癌是全球癌癥相關死亡的首要原因，其中NSCLC占絕大多數(shù)。EGFR突變作為NSCLC中最常見的驅動基因變異之一，尤其在亞洲人群和非吸煙患者中高頻出現(xiàn)。EGFR-TKI的應用顯著改善了突變患者的生存結局，然而，耐藥問題仍是制約療效的瓶頸。目前，EGFR突變檢測主要依賴組織樣本，存在侵入性高、樣本不足、無法反映腫瘤整體異質性等問題。液體活檢雖具便利性，但其敏感性與穩(wěn)定性仍有待提高。

影像學作為一種非侵入性、可重復的檢測手段，展現(xiàn)出預測基因突變的潛力。傳統(tǒng)CT征象如毛刺征、胸膜牽拉等與EGFR突變存在一定關聯(lián)，但依賴主觀判斷，缺乏量化標準。1?F-FDG PET/CT作為腫瘤代謝顯像的重要工具，其代謝參數(shù)如SUVmax、TLG等與EGFR突變的關系尚存爭議。影像組學通過高通量提取圖像特征，將圖像轉化為可挖掘的數(shù)據，已在腫瘤診斷、療效評估與預后預測中展現(xiàn)出廣闊前景。

盡管已有多個研究嘗試構建基于影像組學的EGFR預測模型，但多數(shù)研究僅采用單一建模方法，可能影響模型的穩(wěn)健性與泛化能力。本研究在此基礎上推進了一步，不僅比較了四種機器學習算法的效能，還進一步將最優(yōu)影像組學模型與臨床、影像學特征整合，構建出具有較高臨床實用性的聯(lián)合預測模型與可視化列線圖。

研究設計與方法

本研究回顧性納入了313例經病理證實且完成EGFR基因檢測的NSCLC患者，按8:2比例隨機分為訓練集（n=250）與驗證集（n=63）。所有患者均在治療前一個月內接受1?F-FDG PET/CT及薄層CT掃描。

圖像處理與特征提取

由兩名經驗豐富的核醫(yī)學醫(yī)師盲法勾畫腫瘤感興趣體積。影像組學特征使用Python的PyRadiomics包進行提取，共獲得來自PET和CT圖像的1888個初始特征。研究團隊遵循嚴格的特征篩選流程：首先通過Pearson相關性分析（|r| ≥ 0.90）去除冗余特征，隨后通過方差分析篩選出前60個最具區(qū)分度的特征。為保證特征的可重復性，僅保留組內與組間相關系數(shù)均大于0.9的特征。最后，采用LASSO回歸結合10折交叉驗證，進一步篩選出6個最優(yōu)影像組學特征用于模型構建。

模型構建與驗證

研究采用邏輯回歸、隨機森林、支持向量機與XGBoost四種機器學習算法構建基于影像組學特征的預測模型。通過5折交叉驗證評估模型穩(wěn)健性，并以曲線下面積作為主要性能指標。此外，研究還分別構建了基于臨床變量（如吸煙史、性別、病理類型）和影像學特征（如毛刺征、胸膜牽拉、空氣支氣管征）的預測模型。最終，將最優(yōu)影像組學模型的Rad-score與篩選出的臨床、影像學特征整合，構建聯(lián)合預測模型，并進一步可視化為列線圖。模型性能通過ROC曲線、校準曲線、Hosmer-Lemeshow檢驗及決策曲線分析進行全面評估。

研究結果：從單一模型到整合工具的效能演進

• 影像組學模型的比較與優(yōu)選

在四種機器學習算法中，基于隨機森林的影像組學模型表現(xiàn)出最優(yōu)且穩(wěn)健的預測性能，其在訓練集與驗證集中的AUC分別為0.785和0.776。該模型的性能顯著優(yōu)于邏輯回歸與支持向量機模型，并與XGBoost模型相當。因此，研究選擇RF模型作為最優(yōu)影像組學模型，并從中衍生出Rad-score用于后續(xù)分析。

• 臨床與影像學模型的貢獻

單獨建立的臨床模型（整合了吸煙史、性別、腺癌/鱗癌等變量）在訓練集與驗證集中的AUC分別為0.711和0.758。而基于CT形態(tài)學特征（如毛刺征、胸膜牽拉、空氣支氣管征）的影像學模型預測效能相對有限，AUC分別為0.632和0.677。這表明，盡管這些特征與EGFR突變存在已知關聯(lián)，但單獨使用時預測能力中等。

• 聯(lián)合模型的卓越性能與列線圖構建

本研究最核心的發(fā)現(xiàn)在于，將Rad-score與臨床、影像學特征整合的聯(lián)合預測模型，取得了最佳的預測效能。該模型在訓練集與驗證集中的AUC分別高達0.872和0.831。DeLong檢驗證實，聯(lián)合模型的AUC顯著優(yōu)于單獨的臨床模型、影像學模型及RF影像組學模型?；诖寺?lián)合模型構建的列線圖，為臨床醫(yī)生提供了直觀、個性化的預測工具。在列線圖各預測因子中，Rad-score的貢獻權重最高。校準曲線顯示預測概率與實際觀察結果高度一致，決策曲線分析則進一步證明了該列線圖在較大閾值概率范圍內具有顯著的臨床凈獲益。

討論與臨床啟示

• 超越傳統(tǒng)影像：影像組學與機器學習的協(xié)同價值

本研究證實，從1?F-FDG PET與薄層CT中提取的影像組學特征，能夠有效捕捉與EGFR突變狀態(tài)相關的腫瘤異質性信息。值得注意的是，最終篩選出的6個關鍵特征中，有5個來源于小波變換后的圖像。小波變換能有效分解圖像信息，揭示隱藏在原始數(shù)據中的紋理與高頻模式，這可能更深刻地反映了腫瘤內部的生物學特性，如細胞排列、代謝異質性等，這些信息是傳統(tǒng)視覺評估或單一代謝參數(shù)無法提供的。隨機森林算法因其能處理高維特征、對異常值不敏感、且能評估變量重要性，在本研究中展現(xiàn)出其作為影像組學建模工具的獨特優(yōu)勢。

• 整合策略：實現(xiàn)“1+1+1>3”的預測效能

本研究的另一重要啟示在于“整合”的價值。單純的臨床風險因素、CT形態(tài)學征象或影像組學模型均存在預測能力的上限。然而，當將這些不同維度的信息有機結合時，聯(lián)合模型實現(xiàn)了預測性能的顯著提升。這提示我們，EGFR突變的狀態(tài)受到來自宏觀（臨床表型）、形態(tài)（影像征象）與微觀（影像組學所反映的異質性）多個層面的共同影響。這種多維度整合的思路，與現(xiàn)代精準醫(yī)學所倡導的“全景式”個體化評估理念高度契合。

• 臨床轉化與未來展望

該研究所開發(fā)的列線圖工具，將復雜的機器學習模型轉化為可視化的評分系統(tǒng)，極大提升了其在臨床實踐中的易用性。醫(yī)生可通過患者的臨床信息、CT報告中的關鍵征象以及自動計算出的Rad-score，快速估算其存在EGFR突變的概率，從而為是否優(yōu)先進行侵入性組織活檢或選擇何種基因檢測策略提供決策支持。這對于醫(yī)療資源受限或患者無法耐受反復活檢的情況尤為重要。

結論

該研究表明，基于1?F-FDG PET與薄層CT的影像組學，結合機器學習算法，能夠有效預測NSCLC患者的EGFR突變狀態(tài)。通過整合影像組學、臨床及影像學特征所構建的聯(lián)合模型與列線圖，不僅展現(xiàn)了優(yōu)越的預測準確性，更具備良好的校準度與臨床實用性。這一非侵入性、可視化的預測工具，有望成為現(xiàn)有基因檢測方法的有力補充，助力臨床醫(yī)生更早、更準地識別EGFR突變人群，優(yōu)化治療決策，推動NSCLC的精準診療進程。

參考文獻：

[1]Li J, et al. Prediction of EGFR mutations in non-small cell lung cancer: a nomogram based on 18F-FDG PET and thin-section CT radiomics with machine learning. Front Oncol. 2025 Apr 2;15:1510386.

審批編號：CN-173111 有效期至：2026-02-27

本材料由阿斯利康提供，僅供醫(yī)療衛(wèi)生專業(yè)人士參考

*“醫(yī)學界”力求所發(fā)表內容專業(yè)、可靠，但不對內容的準確性做出承諾；請相關各方在采用或以此作為決策依據時另行核查。