Habitat Imaging Combined with Multiscale Peritumoral Radiomics and Pathological STAS Status for Predicting Early Postoperative Recurrence in Stage T1 Non-Small Cell Lung Cancer

肺癌仍然是全球癌症相关死亡的主要原因，对于早期患者而言，手术通常是标准治愈手段。然而，即使在成功手术后，一些患者仍面临癌症复发的显著风险。一种被称为“气腔内播散”（spread through air spaces）的特定生物学特征，是一个强力的预警信号。这种情况发生在癌细胞从主肿瘤脱离并自由漂浮到肺部微小的气囊中时，这种行为使得疾病更有可能复发。问题在于，医生只能在肿瘤被切除并在显微镜下进行检查后，才能确认这一危险特征，这导致他们在手术开始前无法预测风险。为了解决这个问题，研究人员转向了被称为“影像组学”（radiomics）的领域，该领域不仅将医学图像视为图片，更将其视为庞大的隐藏数据源。通过分析扫描图像中细微的光影和纹理模式，计算机可以检测到人类肉眼无法察觉的细节，从而为窥探肿瘤真实本质提供一个潜在的窗口。

中国山西协和医院的一个研究团队开发了一种新方法，用于预测早期肺癌在手术后是否会复发。他们将研究重点放在了 T1 期非小细胞肺癌患者身上，这类患者通常预后良好，但仍面临不可忽视的复发风险。该团队创建了一个复杂的计算机模型，该模型结合了三种不同类型的信息：患者的临床细节、气腔内播散的生物学状态，以及对肿瘤内部结构及其紧邻环境的深度分析。他们的目标是建立一个能够帮助医生更早识别高风险患者的工具，从而实现更个性化的随访计划和治疗决策。

为了构建这个模型，研究人员回顾了 2019 年至 2022 年间接受早期肺癌手术的 216 名患者的记录。他们将这些患者分为两组：一组较大的群体用于训练计算机，另一组较小的群体用于测试计算机的学习效果。团队首先检查了患者的胸部 CT 扫描图像，即肺部的详细 3D 图像。他们并没有将肿瘤视为一个单一、均匀的肿块，而是使用了一种称为“生境成像”（habitat imaging）的技术。这种方法根据像素的外观和行为，将肿瘤分解为更小的、截然不同的子区域，就像地质学家绘制单一田野中的不同土壤类型一样。通过将这些微小区域进行分组，计算机可以观察到肿瘤内部复杂且不均匀的地貌，而标准的扫描则会忽略这一点。

研究人员还将目光投向了肿瘤本身之外。他们分析了紧邻癌症的组织，在距离肿瘤边缘分别为 1、3 和 5 毫米处创建了分析环。他们知道，紧邻肿瘤的环境往往蕴含着关于其生长侵袭性的线索。他们从这些区域提取了数千个数值特征，测量包括肿瘤形状和组织纹理在内的各项指标。随后，他们将这些影像学细节与患者的病史（如年龄和性别）以及证实是否存在气腔内播散的病理检查结果相结合。

团队测试了多种不同的计算机学习算法，以观察哪一种能最好地预测复发。他们发现，一个结合了临床因素、肿瘤内部“生境”以及肿瘤周围 3 毫米环状区域特征的模型表现最佳。在他们的测试组中，这个综合模型正确识别复发风险的准确率转化为了 0.865 的评分。这明显优于仅依赖临床数据、仅依赖内部肿瘤模式或仅依赖周围组织的模型。研究表明，肿瘤周围的 3 毫米区域提供了关于周围环境最有用的信息，这表明肿瘤的直接邻里环境对于理解其行为至关重要。

研究人员还证实，某些因素是复发的独立预测因子。这些因素包括扫描中出现的特定征象——空泡征（vacuole sign）、患者性别、气腔内播散的存在、肿瘤对附近肺膜的牵拉方式以及肿瘤的最大尺寸。当计算机模型将气腔内播散状态与详细的影像数据相结合时，它创造了一个比任何单一信息都更清晰的风险图景。该模型能够以极高的可靠性区分哪些患者会保持无癌状态，哪些患者会出现疾病复发。

尽管结果令人鼓舞，但作者指出其研究存在局限性。该研究是在一家拥有中等规模患者数量的单一医院进行的，且数据来自特定人群，这意味着在广泛应用之前，该模型需要在更大规模且更多样化的人群中进行测试。此外，映射肿瘤区域的过程是手动完成的，这非常耗时，尽管未来的自动化技术进步可能会加快这一过程。尽管存在这些障碍，该研究仍证明了结合不同层级的信息——从肿瘤的微观生物学到扫描中的宏观模式——可以创造出一个强大的预测工具。

这项工作为管理早期肺癌提供了一条切实可行的路径。通过使用一种分析肿瘤内部多样性和其紧邻环境的非侵入性方法，医生可能很快就能更精准地预测复发风险。这有助于定制术后护理，确保高风险患者获得必要的关注和治疗，同时让低风险患者免受不必要的干预。研究表明，癌症护理的未来不仅在于观察肿瘤本身，还在于理解它通过其形状、周围环境及其隐藏内部结构所讲述的复杂故事。