随着低剂量CT的广泛应用，早期肺癌的检测显著增加。手术切除是临床I期非小细胞肺癌(NSCLC)最常见的治疗策略。然而，在手术治疗期间，3.7%-8.5%的临床I期非小细胞肺癌被意外诊断为纵隔淋巴结(N2)转移。N2期，单靠手术并不能提供足够的肿瘤疗效，而包括诱导治疗和确定的放化疗在内的多种治疗方式可以带来额外的生存益处。因此，准确的纵隔分期对于确定临床I期NSCLC患者的最佳治疗非常重要。

Yifan Zhong等为建立一种用于临床I期非小细胞肺癌N2转移预测和预后分层的深度学习特征，进行了相关研究分析，研究结果发表在Radiology杂志。

Yifan Zhong等回顾性研究临床I期NSCLC患者，采用内部队列建立深度学习签名。随后，在一个外部队列中研究了该特征的预测效果和生物学基础。一项多中心诊断试验也进行了评估其临床效用。

最后，在N2风险评分的基础上，探讨其在预后分层中的指导意义。诊断效率通过受试者工作特征曲线下面积(AUC)进行量化，生存结果采用Cox比例风险模型进行评估。

共3096例患者(平均年龄60±9岁;1703名男性)被纳入研究。在内部测试集(n = 266)、外部测试队列(n = 133)和前瞻性测试队列(n = 300)的AUS分别为0.82、0.81和0.81。

深度学习特征识别隐匿性N2转移的预测性能

此外，更高的深度学习得分与更低的EGFR突变频率(P = 0.04)、更高的ALK融合率(P = 0.02)和更多的肿瘤增殖途径激活 (P<0.001) 相关。此外，在内部测试集和外部队列中，更高的深度学习得分预测较差的总生存(调整风险比，2.9;95%可信区间:1.2,6.9;P = 0.02)和无复发生存率(调整后的危险比为3.2;95%可信区间:1.4,7.4;P =0 .007)。

该研究建立了一个预测临床I期非小细胞肺癌隐匿N2转移的深度学习特征，捕获的深度学习特征与肿瘤细胞增殖的基因改变和代谢途径有关。此外，在外部队列和多中心前瞻性队列中保持了令人满意的预测性能。

原文出处

Zhong Y, She Y, Deng J, et al. Deep Learning for Prediction of N2 Metastasis and Survival for Clinical Stage I Non-Small Cell Lung Cancer. Radiology. 2022;302(1):200-211. doi:10.1148/radiol.2021210902