现阶段，临床上尝试使用各种方式预测肺癌患者的预后，而影像学在这些尝试中发挥了关键作用。肿瘤的大小和磨玻璃样病灶的存在已被反复报道为预测肺腺癌的影像学预后因素。此外，各种关于放射组学或纹理特征的研究表明，胸部CT扫描出了能够提供解剖学信息之外，还有可提供潜在的预后信息。最近，有学者提出了一个基于CT的术前深度学习（DL）预测模型来估计肺腺癌患者的无病生存期。DL模型表现出与临床T类相当的辨别性能，并且在对年龄、性别、肺叶位置和临床T类进行调整后，作为独立的生存预测手段而发挥作用。

然而，生存预测模型的一个主要挑战是使临床医生缺乏相应的诊断信心。特别是DL模型，推理过程很难解释且缺乏逻辑基础。DL的这种黑箱性质使临床医生不愿意在临床工作中使用这些模型。

近日，发表Radiology杂志的一项研究通过使用无监督聚类研究，评估了从DL生存预测模型中提取的特征与组织病理学风险因素之间的关联，并通过一系列的回归分析来分析这些相关性的价值，为临床准确评估肺癌患者的预后提供了参考依据。

本项回顾性研究从一个三级护理中心收集了2016年1月至2020年9月期间接受根治性切除的肺腺癌患者的数据，每位患者均未进行新辅助治疗。记录了切除性腺癌的七个组织病理学风险因素：侵袭性腺癌亚型；纵隔结节转移（pN2）；是否存在淋巴、静脉侵犯；内脏胸膜侵犯（VPI）；以及EGFR突变状态。使用80个DL模型驱动的CT特征进行了无监督聚类，并分析了患者聚类和组织病理学特征之间的关联。进行多变量回归分析，研究DL模型输出对语义CT特征（临床T类和放射学结节类型[即实性或亚实性]）在组织病理学上的附加价值。

共评估了1667名患者（中位年龄，64岁[IQR，57-71岁]；975名女性）。除了EGFR突变状态（群组3的P=0.30），无监督的患者群组3和4与所有组织病理学风险因素相关（P<0.01）。经过多变量调整，模型输出与侵袭性腺癌亚型（几率[OR]，1.03；95% CI：1.002，1.05；P = .03）、静脉浸润（OR，1.03；95% CI：1.004，1.06；P = .02）和VPI（OR，1.08；95% CI：1.06，1.10；P < .001）相关，与语义CT特征无关。

图 箱形图显示深度学习（DL）模型输出根据（A）腺癌亚型、（B）纵膈结节转移、（C）淋巴侵犯和（D）静脉侵犯的存在。DL模型的输出与所有七个组织病理学风险因素都有明显相关性，支持了DL模型的生物学原理及其预测病人生存率的结果的可靠性

本研究表明，基于CT的术前深度学习预测模型可提取肺腺癌的组织病理学和代谢特征的CT特征，这有利于实现临床对肺癌患者术后的生存预测。

原文出处：

Ju G Nam,Samina Park,Chang Min Park,et al.Histopathologic Basis for a Chest CT Deep Learning Survival Prediction Model in Patients with Lung Adenocarcinoma.DOI:10.1148/radiol.213262