基于深度学习和影像组学融合模型预测肺磨玻璃结节中浸润性腺癌的临床价值

本研究针对肺磨玻璃结节(GGN)中微浸润腺癌(MIA)与浸润性腺癌(IAC)鉴别诊断的临床难题，创新性地构建了融合影像组学(Rad)特征与2D/3D深度学习(DL)特征的多模态预测模型。通过对比早期融合与晚期融合策略，证实晚期融合模型AUC达0.898，为临床制定个体化治疗方案提供了重要参考依据。

　　

肺腺癌的早期诊断一直是胸外科临床实践中的重大挑战。随着低剂量CT筛查的普及，越来越多的肺磨玻璃结节(Ground-Glass Nodules, GGN)被检出，这些结节可能是从非典型腺瘤样增生(AAH)到浸润性腺癌(IAC)的连续病变谱。其中，微浸润腺癌(MIA)与IAC虽然仅一步之遥，却存在显著差异的预后：MIA术后10年生存率可达100%，而IAC可能需要更广泛切除且预后较差。然而，传统CT诊断依赖胸膜凹陷、分叶征等主观征象，诊断准确率仅约70%，难以满足精准医疗需求。

盐城市第一人民医院的研究团队在《Scientific Reports》发表了一项突破性研究，通过整合影像组学与深度学习技术，建立了可准确区分MIA与IAC的智能诊断系统。该研究回顾性分析了252例经病理证实的GGN病例，创新性地比较了三种单模态模型（传统影像组学、2D ResNet50和3D ResNet50）与两种融合策略（早期特征融合与晚期概率融合）的诊断效能。

研究采用多中心验证的技术路线，关键技术包括：1) 使用Pyradiomics提取1834个定量影像特征并通过LASSO回归筛选关键指标；2) 基于ImageNet预训练的2D ResNet50和Med3D预训练的3D ResNet50架构分别提取深度特征；3) 采用SVM分类器比较七种机器学习算法性能；4) 通过Grad-CAM实现模型可解释性可视化。所有CT图像均经两位资深放射科医师双盲标注，确保ROI分割的可靠性。

研究结果部分显示：

1. 模型比较：3D深度学习模型表现最优（测试集AUC=0.847），显著优于2D模型(0.754)和传统影像组学模型(0.794)。这得益于3D卷积核能更好地捕捉肿瘤空间异质性。

   

2. 特征分析：关键影像组学特征包括logarithm_glcm_Correlation（反映肿瘤纹理规律性）和original_firstorder_90Percentile（表征密度分布），而深度学习特征通过PCA降维后显示出更低的相关性，说明多模态特征的互补价值。

   

3. 融合策略：晚期融合模型以0.898的AUC值显著优于早期融合(0.857)，其特异性达86.2%，能有效避免过度治疗。雷达图显示该模型在F1值、准确率等五项指标上均保持最佳平衡。

   
   

4. 可视化验证：Grad-CAM热图显示3D模型能准确聚焦于肿瘤浸润前沿的微结构变化，为病理基础提供影像学证据。

   

讨论部分指出，该研究的创新点在于首次系统比较了不同维度深度学习与影像组学在GGN分级诊断中的价值，并证实晚期融合策略的优越性。其临床意义体现在：1) 为亚实性结节提供客观量化标准，减少经验依赖；2) 晚期融合架构可灵活整合不同医疗机构的多模态数据；3) 模型关注的影像特征与已知病理机制高度吻合。但研究存在单中心回顾性设计的局限性，未来需通过前瞻性多中心研究验证泛化能力。

这项由Qian Sun、Lei Yu等学者完成的研究，获得中国红十字基金会医学赋能专项基金支持，为肺癌早诊早治提供了重要的方法学突破。其建立的智能化诊断框架不仅适用于肺结节管理，其多模态融合思路也可拓展至乳腺癌、前列腺癌等实体肿瘤的影像组学研究领域，展现出广阔的转化应用前景。