機器學習聯(lián)合CT影像組學賦能胃癌HER2狀態(tài)評估，構(gòu)建穩(wěn)健的無創(chuàng)輔助診斷新模型。

胃癌（GC）是全球主要的癌癥負擔之一，其發(fā)病率和死亡率長期位居惡性腫瘤前列，嚴重威脅人類健康[1]。人表皮生長因子受體2（HER2）作為胃癌關(guān)鍵的驅(qū)動基因，其過表達狀態(tài)直接決定了患者能否從抗HER2靶向藥物（如曲妥珠單抗）中獲益[2]。近年來，基于ToGA研究的確立，曲妥珠單抗聯(lián)合化療已成為HER2陽性晚期胃癌的一線標準治療方案，顯著延長了患者的總生存期。目前臨床金標準依賴于有創(chuàng)操作，不僅受限于取材部位的局限性，難以反映腫瘤整體的時空異質(zhì)性，且耗時費力，導(dǎo)致部分患者因無法耐受或檢測結(jié)果假陰性而錯失治療窗口[3]。因此，如何利用無創(chuàng)的影像學手段，通過挖掘肉眼無法識別的深層特征來全面表征腫瘤的生物學行為，并構(gòu)建高精度的HER2狀態(tài)預(yù)測模型，已成為實現(xiàn)胃癌精準診療分層亟待突破的關(guān)鍵問題。

一項發(fā)表在

Academic Radiology

研究設(shè)計

該研究將納入來自三個不同醫(yī)療中心的1059例胃癌患者樣本，依據(jù)免疫組化和FISH檢測結(jié)果劃分為HER2陽性組和HER2陰性組。該研究的核心方法是采用高通量影像組學技術(shù)（FAE）對患者靜脈期CT圖像中的直方圖特征和紋理特征進行提取、標準化及降維分析。研究的核心在于通過對比遞歸特征消除（RFE）等多種特征篩選策略與SVM、Lasso回歸等機器學習分類器的組合，構(gòu)建穩(wěn)健的影像組學標簽以闡明影像表型與基因表達之間的潛在關(guān)聯(lián)。研究的核心發(fā)現(xiàn)是基于RFE特征篩選和LR-Lasso分類器構(gòu)建的模型展現(xiàn)出最佳的預(yù)測效能和臨床凈獲益，提示其作為一種有效的無創(chuàng)輔助工具，能幫助臨床排除非HER2陽性患者，從而有力地指導(dǎo)胃癌患者的精準分層和減少不必要的有創(chuàng)活檢。

研究結(jié)果

該研究首先評估了不同特征篩選方法與機器學習分類器組合對胃癌HER2表達狀態(tài)的預(yù)測有效性。通過對提取的影像組學特征進行降維與篩選分析，結(jié)果顯示，在特征選擇階段，RFE和方差分析（ANOVA）的表現(xiàn)顯著優(yōu)于Kruskal-Wallis檢驗（KW）和Relief算法。結(jié)合分類器進一步分析發(fā)現(xiàn)，LR-Lasso構(gòu)建的模型，在訓(xùn)練集中展現(xiàn)了最高的預(yù)測效能，顯著優(yōu)于SVM模型。這表明RFE特征篩選策略結(jié)合LR-Lasso算法是構(gòu)建HER2影像組學預(yù)測標簽的最佳潛在策略。

圖1 不同特征選擇方法建立模型的比較

在模型驗證和泛化能力方面，研究利用獨立外部測試集（中心C）顯示，RFE+LR-Lasso模型保持了高度的穩(wěn)健性。該模型在外部測試集中的曲線下面積（AUC）達到了0.8033，且優(yōu)于ANOVA構(gòu)建的模型以及所有的SVM模型。統(tǒng)計分析進一步證實，該模型在訓(xùn)練集和測試集之間未表現(xiàn)出顯著的過擬合現(xiàn)象，且能夠有效捕捉靜脈期CT圖像中與HER2表達相關(guān)的微觀紋理差異。這證實了利用單時相CT影像特征進行跨中心HER2狀態(tài)預(yù)測的可行性。

圖2 訓(xùn)練集、交叉驗證訓(xùn)練集（cv_training）及測試集中的ROC曲線

臨床決策與診斷效能分析揭示了該影像組學模型的關(guān)鍵應(yīng)用價值：決策曲線分析（DCA）顯示，當高風險閾值超過0.4時，RFE+LR-Lasso模型相比其他模型能為患者帶來顯著更高的臨床凈獲益。此外，診斷效能評估發(fā)現(xiàn)，該模型雖然陽性預(yù)測值（PPV）有限，但具有極高的陰性預(yù)測值（NPV=0.9834）和較高的敏感性。這提示該影像組學標簽可能作為一個高效的“排除性”生物標志物，通過高可信度地識別HER2陰性患者，從而減少不必要的有創(chuàng)活檢和檢測成本，優(yōu)化胃癌患者的臨床診療路徑。

圖3 訓(xùn)練集和驗證集的決策曲線比較

總結(jié)

本研究通過對胃癌患者隊列進行基于CT影像組學的多中心回顧性分析，有效評估了靜脈期影像紋理特征在無創(chuàng)預(yù)測HER2表達狀態(tài)中的重大價值。研究清晰地揭示了基于RFE篩選并結(jié)合Lasso邏輯回歸構(gòu)建的影像組學標簽，可以作為評估胃癌HER2狀態(tài)的潛在無創(chuàng)生物標志物。更重要的是，該研究通過多中心獨立驗證和決策曲線分析，證實了該影像組學模型在不同中心數(shù)據(jù)間具有高度的穩(wěn)健性以及優(yōu)于傳統(tǒng)臨床模型的臨床凈獲益。這一無創(chuàng)評估能超越傳統(tǒng)的局部活檢限制，以極高的NPV協(xié)助排除非HER2陽性患者，從而識別出可能因腫瘤異質(zhì)性而被病理檢測漏診的潛在特殊人群。這為開展針對胃癌的精準分層和減少不必要的有創(chuàng)檢查提供了強有力的影像學依據(jù)，并允許在病理結(jié)果存疑時對HER2狀態(tài)進行潛在的補充評估。盡管本研究存在僅基于2D圖像分析且陽性樣本比例較低的局限性，但其采用的大樣本多中心驗證設(shè)計具有重要價值。隨著對CT影像組學特征理解的加深，這種基于計算醫(yī)學的輔助診斷模型有望被納入未來的胃癌臨床實踐，以更精準地指導(dǎo)患者的個體化靶向治療。

參考文獻：

1. Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin. 2024;74:229–63.

2. Bang Y-J, Van Cutsem E, Feyereislova A, et al. Trastuzumab in combination with chemotherapy versus chemotherapy alone for treatment of HER2-positive advanced gastric or gastro-oesophageal junction cancer (ToGA): a phase 3, open-label, randomised controlled trial[J]. Lancet. 2010;376:687–97.

3. Eric Van Cutsem, Bang Y-J, Feng-Yi F, et al. HER2 screening data from ToGA: targeting HER2 in gastric and gastroesophageal junction cancer[J]. Gastric Cancer. 2015;18:476–84.

4. Wu ZH, Ren XR, Meng YQ, et al. Non-invasive Assessment of Human Epidermal Growth Factor Receptor 2 Expression in Gastric Cancer Based on Deep Learning: A Computed Tomography-based Multicenter Study[J]. Acad Radiol. 2025;32(5):2596-2603.

審批編號：CN-173732 有效期至：2026-12-09
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(nèi)容專業(yè)、可靠，但不對內(nèi)容的準確性做出承諾；請相關(guān)各方在采用或以此作為決策依據(jù)時另行核查。