编辑推荐：
为解决肺磨玻璃结节（GGNs）浸润状态术前评估困难及手术决策不精准问题，研究人员开展了基于 CT 影像组学联合神经网络预测 GGNs 浸润状态的研究。结果显示该模型预测性能良好，能降低手术决策错配率，有助于制定更精准个性化治疗策略。
在肺癌防治领域，肺磨玻璃结节（GGNs）的诊疗一直是临床关注的重点。肺癌作为全球癌症相关死亡的主要原因之一，在中国的发病率和死亡率也呈上升趋势。低剂量计算机断层扫描（LDCT）虽广泛用于肺癌筛查，但在鉴别不确定肺结节以及避免惰性肿瘤过度诊断方面存在挑战。GGNs 依据成分和影像学特征分为纯磨玻璃结节（pGGNs）、混合磨玻璃结节（mGGNs）和实性结节，其中实性结节不属于 GGNs 范畴 。当前评估 GGNs 浸润状态的方法有限，传统影像组学依赖手工特征，深度学习模型则需要大量数据且可解释性差，也很少有研究将影像组学与神经网络结合用于术前预测。
为攻克这些难题，苏州大学附属第三医院胸心外科联合南京工业大学计算机科学与技术学院的研究人员开展了一项多中心回顾性研究。该研究成果发表在《BMC Cancer》杂志上。研究人员旨在利用 CT 影像结合神经网络，提高术前评估 GGNs 浸润状态的准确性，为手术规划和治疗干预提供更精确的临床决策依据。
研究人员开展此项研究时运用了多种关键技术方法。首先，收集了来自常州第一人民医院、复旦大学附属中山医院和常州第二人民医院的患者临床数据和 CT 影像资料作为样本队列。然后，利用 ITK-SNAP 软件手动勾勒感兴趣区域（ROIs），提取多种影像组学特征，包括形状描述符、一阶统计指标等。接着，使用 3D 卷积神经网络（CNN）结合随机旋转进行深度学习特征提取，并对数据进行归一化处理。之后，运用 Lasso 算法进行特征筛选，结合合成少数过采样技术（SMOTE）平衡样本分布，采用非线性支持向量机（SVM）进行分类器训练。
研究结果如下：
- 基本临床数据：研究共纳入 354 例 GGNs 患者作为验证集，包括不同病理类型的病例。根据手术治疗方法将测试集分为两组，发现两组实际手术与推荐手术存在差异，即错配率。其中，浸润性手术（肺叶切除术）错配率达 57.05%，非浸润性手术（亚肺叶切除术）错配率为 24.39%12。
- 特征提取与模型构建：从 CT 数据中提取了 624 个特征，经 Lasso 算法筛选后确定了具有最高分类性能的特征，并确定了 Lasso 模型的最优正则化参数。对比基于影像组学、深度学习卷积网络及其融合的三种预测模型，发现融合模型准确率最高34。
- 模型应用与有效性评估：影像组学与神经网络融合的模型在评估肿瘤浸润方面表现出卓越的预测性能，训练队列中受试者工作特征曲线下面积（AUC）达到 0.85，两个验证队列 AUC 分别为 0.71 和 0.66。该模型还降低了手术错配率，肺叶切除术错配率降至 21.48%，亚肺叶切除术错配率降至 10.73%56。
在研究结论和讨论部分，该模型展现出重要意义。一方面，它能精准评估 GGNs 浸润状态，减少不必要的肺叶切除术，保留患者肺功能，提高术后生活质量，降低长期呼吸并发症风险。另一方面，降低手术错配率可节省医疗资源，提高肺癌治疗的成本效益。同时，与其他机器学习和深度学习模型相比，该模型优势明显，其融合了影像组学、深度学习和临床特征，优化了模型架构，提升了预测准确性和泛化能力。然而，研究也存在局限性，如验证集患者数量有限，模型临床适用性还需进一步通过多中心前瞻性研究验证。未来研究可聚焦于完善模型架构、扩大数据集，并探索将基因组信息整合到模型中，以进一步提升预测准确性，为肺 GGNs 的临床诊疗提供更有力的支持。
