基于多序列 MRI 的深度学习影像组学模型预测肺癌脑转移患者 EGFR 突变状态的研究成果

研究人员针对肺癌脑转移患者 EGFR 突变状态评估难题，构建多序列 MRI 深度学习影像组学模型，该模型预测效能高，有助于指导个性化治疗。

　　肺癌，这个全球范围内癌症相关死亡的 “元凶” 之一，其中肺腺癌（LADC）约占所有肺癌病例的 50%。相当一部分肺癌患者会出现脑转移（BM），在疾病进程中，约 30% 的患者会遭遇这一情况，而一旦发生脑转移，患者的预后往往很差，中位总生存期仅有 7 个月左右。

目前针对肺癌脑转移的治疗手段多样，化疗却常常因为药物难以穿过血脑屏障（BBB），无法有效作用于转移病灶；全脑放疗（WBRT）和立体定向放射外科（SRS）虽有疗效，但伴随着脑水肿、认知功能下降等副作用；手术切除在某些情况下有效，却具有侵袭性，且难以彻底清除转移灶，复发风险高。

在癌症治疗迈入精准医学时代的当下，基因层面的突变情况对指导治疗、判断临床结局至关重要。在非小细胞肺癌（NSCLC）患者中，表皮生长因子受体（EGFR）突变是一个关键因素，它不仅是脑转移发生的独立风险因素，而且携带 EGFR 突变型（MT）的患者比野生型（WT）更易发生脑转移。EGFR 酪氨酸激酶抑制剂（EGFR TKIs）这类小分子靶向药物，能够部分穿过血脑屏障，在治疗 EGFR 突变的 NSCLC 患者脑转移时展现出不错的疗效。因此，精准判断脑转移灶的 EGFR 突变状态，对制定个性化治疗策略、提升治疗效果、改善患者预后意义重大。

然而，仅仅依靠原发性肺癌的 EGFR 突变状态来推断脑转移灶的情况并不可靠，研究显示两者基因表达不一致的情况高达 30 - 53%。传统的活检和病理检查虽为确诊基因型的 “金标准”，但存在诸多弊端，不仅具有侵袭性，对于某些特殊部位的肿瘤难以实施，而且活检样本量小，无法全面反映肿瘤的异质性。循环肿瘤 DNA（ctDNA）分析虽相对无创，却受限于假阴性风险和高昂成本。所以，探索一种无创的方法来预测脑转移灶的 EGFR 突变状态迫在眉睫。

在此背景下，山东第一医科大学附属山东省立医院等机构的研究人员开展了相关研究。他们构建了一种基于多序列磁共振成像（MRI）的深度学习影像组学模型，相关成果发表在《BMC Cancer》上。

研究人员采用了多种关键技术方法。首先，精心筛选样本，从 2019 年 1 月至 2023 年 12 月，对 341 例 NSCLC 脑转移患者进行评估，依据严格的纳入和排除标准，最终 288 例患者纳入研究，其临床和基因突变信息均来自电子病历。接着，利用 3.0T MRI 扫描仪获取患者的 T2 加权（T2W）和 T1 加权增强（T1CE）序列图像，并借助 Elastix 工具 box 和 3D Slicer 软件对图像进行处理和感兴趣区域（ROI）的自动勾勒，之后由经验丰富的放射科医生手动修正。然后，运用 PyRadiomics 软件包自动提取影像组学特征，利用 ResNet34 卷积神经网络提取深度学习特征。为优化模型，研究人员还通过 Mann - Whitney U 检验和最小绝对收缩和选择算子（LASSO）进行特征选择，最终构建逻辑回归模型来预测 EGFR 突变状态，并采用多种评估方法确保模型的可靠性。

研究结果如下：

• 患者特征：研究共纳入 288 例 EGFR 阳性的 NSCLC 脑转移患者，训练集和验证集在年龄、性别、吸烟史、ECOG PS 评分、基因突变谱等方面无显著差异，这为后续研究提供了良好的基础。
• 影像组学特征构建与验证：从预处理的 MRI 图像中提取 837 个影像组学特征，经过重复性检验和 LASSO 回归分析，最终确定 4 个特征构建影像组学特征标签（RS）。该 RS 在训练集和验证集中均展现出强大的判别能力，能够有效区分 EGFR MT 和 WT。
• 深度学习特征构建与验证：LASSO 回归将深度学习衍生的特征从 1520 个筛选至 16 个，基于这些特征构建的深度学习特征标签（DLS）模型表现更为出色，在训练集和验证集中的预测效能更高，校准曲线也显示其预测结果与实际情况高度吻合。

研究结论和讨论部分表明，该研究构建的多序列 MRI 深度学习影像组学模型在预测 NSCLC 脑转移患者 EGFR 突变状态方面表现卓越。与传统预测方法相比，MRI 具有软组织对比度高、能捕捉多序列参数等优势，极大提升了预测模型的准确性和可靠性。深度学习技术的融入，使其在区分 EGFR 突变表型上更具优势。尽管该研究存在回顾性设计、样本量较小、肿瘤分割半自动化等局限性，但不可否认，这一模型为临床医生提供了一种无创、精准的 EGFR 突变状态判断方法，在活检难以实施或存在禁忌的情况下，有望成为重要的临床决策支持工具，助力肺癌脑转移患者的个性化治疗，为精准医学发展添砖加瓦。