早期非小细胞肺癌患者的主要治疗方法是手术切除。尽管内镜技术在术前淋巴结评估和微创手术方面取得了较大进展，但复发率仍然很高。现阶段，TNM分期系统仍然是肺癌风险分层的基础。越来越多的证据表明，CT扫描不仅仅显示肿瘤大小和临床T分类的解剖学信息，还可提供更多有关原发肿瘤预后的相关细节。最近的研究表明，放射组学这一新兴的技术可通过特征提取以充分利用影像信息，对肿瘤的术前临床分期意义重大。然而，放射组学方法严重依赖人工，因此技术上的繁琐以及人工的主观性差异都限制了放射组学的进一步发展。

深度学习模型能够以一种增量的方式自动提取影像学特征而无需人工干预，因此在各种成像模式方面均有极大的优势。先前已有研究表明，深度学习模型具有预测肺癌预后的潜力。但是模型输出作为一个独立的预后因素必须通过临床危险因素进行验证，而据我们所知，有关这方案的研究及数据仍不完善。

近日，发表在Radiology杂志的一项研究开发并验证了一种术前基于CT的深度学习生存期预测模型(DLPM)以预测肺腺癌患者的无病生存期，为肺癌患者早期、准确且无创的制定治疗方案及预测预后提供了新的思路。

本项回顾性研究训练了一个从术前CT检查中提取预后信息的深度学习模型。用于训练、调整和内部验证的数据集1包括2009年至2015年间行手术切除的临床分期为T1-4N0M0肺腺癌患者。外部验证的数据集2包括2014年行手术切除的临床分期为T1-2aN0M0 (I期)的肺腺癌患者。使用Harrell C指数进行鉴别，并以临床T分类为基准。模型校准采用Greenwood-Nam-D'Agostino试验。采用Cox回归分析多变量校正危险比(HRs)与临床预后因素的关系。

本研究共评估了数据集1的800例患者(中位年龄64岁;四分位数范围，56-70岁）和数据集2的108例患者(中位数年龄63岁;四分位数范围，57-71岁）。内部验证的C指数为0.74-0.80，外部验证的C指数为0.71-0.78，两者均与临床T分类具有可比性(内部验证为0.78，外部验证为0.74;所有P > .05)。模型在所有数据集上均表现出良好的校准效果(P >.05)。多变量Cox回归显示模型输出是独立的预后因素(内部验证中分类输出的危险比为2.5[95%置信区间{CI}: 1.03, 5.9; P = .04]，外部验证为3.6[95%CI:1.6,8.5;P = .003])。除深度学习模型外，只有吸烟状态(HR, 3.4;95% CI: 1.4, 8.5; P = .007)进一步预测了临床I期肺腺癌切除术后患者的无病生存期。

图1 基于CT的深度学习生存预测模型输出分类进行分层的Kaplan-Meier无病生存曲线：(a)内部验证集(b)外部验证集。

表 深度学习生存预测模型的鉴别性能和校准。

本研究表明，基于CT的术前深度学习模型可在无需任何人工手动获取信息的情况下，提取并获得了预测肺腺癌患者无病生存的独立预后因素。该模型的输出可作为临床I期肺腺癌手术候选患者的术前风险分层工具，在精准医疗时代可促进临床治疗方案的制定及患者预后的预测。

原文出处：

Hyungjin Kim,Jin Mo Goo,Kyung Hee Lee,et al.Preoperative CT-based Deep Learning Model for Predicting Disease-Free Survival in Patients with Lung Adenocarcinomas.DOI:10.1148/radiol.2020192764