据统计，非小细胞肺癌（NSCLC）占所有原发性肺癌的85%。尽管最近在筛查、诊断和治疗方面不断取得进展，非小细胞肺癌仍然是全球癌症相关死亡的主要原因，晚期患者的5年相对生存率只有4%。NSCLCs最常见的亚型是肺腺癌（LUAD），使其成为所有原发性肺癌中最普遍的组织学类型。

根据2015年公布的世界卫生组织（WHO）肺部肿瘤分类的规定，同一TNM分期的LUADs预后在不同的LUAD亚型之间有所不同，这是由其组织学进展特征和主要的生长模式决定的。由于只有活检或细胞学的小肿瘤样本，无法手术的组织病理学工作具有挑战性。因此，临床上非常需要一种非侵入性的方法来改善预后和肿瘤的特征。

现阶段，18F-氟脱氧葡萄糖（FDG）正电子发射断层扫描/计算机断层扫描（PET/CT）在初始分期、反应评估和随访方面已得到临床上的公认。放射组学提供了一种非侵入性的方法来捕捉肿瘤内的异质性，而有监督的机器学习（ML）能够有效地进行高维预测建模。

近日，发表在European Radiology杂志的一项研究评估了根据临床数据和基于FDG- PET/CT的放射组学训练的ML模型在预测LUAD患者4年和3年总生存率（OS）、肿瘤分级（TG）和组织学生长模式风险（GPR）方面的能力，为临床提供了一个无创、高效的影像学评估手段。

本项研究回顾性地纳入了421名经组织学证实的LUAD和使用FDG PET/CT成像的治疗无效的患者。评估了四个队列的4年OS（n = 276）、3年OS（n = 280）、TG（n = 298）和GPR（n = 265）的预测。划分了FDG-avid病变、提取了2082个放射组学特征，并与终点特定的临床参数相结合。

为预测4年OS（M4OS）、3年OS（M3OS）、肿瘤分级（MTG）和组织学生长模式风险（MGPR）建立了ML模型。所有模型都采用了100倍的蒙特卡洛交叉验证，训练和验证的比例为80:20。通过Kaplan-Meier生存分析评估了M4OS和M3OS预测与OS之间的关系。 

M4OS的接受者特征曲线下面积（AUC）最高（AUC 0.88，95%置信区间（CI）86.7-88.7），其次是M3OS（AUC 0.84，CI 82.9-84.9），而MTG和MGPR表现同样好（AUC 0.76，CI 74.4-77.9，CI 74.6-78，分别）。同时发现，对M4OS（危险比（HR）-2.4，CI-2.47至-1.64，P＜0.05）和M3OS（HR-2.36，CI-2.79至-1.93，P＜0.05）的预测与OS独立相关。

图 箱形图显示了顶层（MLL3）对（a）4年OS、（b）3年OS、（c）肿瘤等级和（d）生长模式风险的交叉验证预测性能。性能值是通过对所有MC的混淆矩阵分析确定的。SNS敏感性；SPC特异性；PPV阳性预测值；NPV阴性预测值；ACC准确性；性能值为百分比（%）

本项研究表明，机器学习模型与新型多病灶放射组学特征提取方法相结合，显示了对未接受治疗的肺腺癌患者的长期生存结果预后预测的能力，且准确率很高，为临床提供了一个更准确的、高效的评估手段。

 

原文出处：

Meixin Zhao,Kilian Kluge,Laszlo Papp.Multi-lesion radiomics of PET/CT for non-invasive survival stratification and histologic tumor risk profiling in patients with lung adenocarcinoma.DOI:10.1007/s00330-022-08999-7