Integrating Deep Learning and Radiomics in Chest CT for Risk-Adapted Management of Early-Stage Lung Adenocarcinoma: A Dual-Prediction Model
本研究开发并验证了一种基于CT的深度学习与影像组学混合模型，该模型能够准确预测早期肺腺癌的隐匿性淋巴结转移及侵袭性肿瘤特征，从而实现一种实用的三分类风险分层系统，以指导个性化手术管理。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在对抗肺癌的战斗中，早期阶段往往呈现出一个艰难的悖论。当肿瘤较小且似乎局限于肺部时，外科医生面临着一个关键的选择：应该切除多少组织，以及应该多么积极地搜寻可能已经滑入淋巴结的癌细胞。标准方法依赖于来自CT扫描的视觉线索，寻找肿瘤向邻近结构生长或扩散的迹象。然而，这些视觉迹象往往是细微或具有误导性的。一个肿瘤在影像上可能看起来很无害，但却隐藏着侵略性的生物学特征；而另一个肿瘤可能看起来很可疑，却依然保持着局限性。这种不确定性使医生陷入了困境。他们可能会为了保险起见进行广泛的、侵入性的手术，从而冒着造成患者肺功能不必要的损伤的风险；或者他们可能会进行较轻微的手术，结果却在随后发现癌症已经扩散，从而需要更多的治疗。现代医学的目标是摆脱这种猜测，利用隐藏在医学影像中的数据，在动刀之前就预测肿瘤的真实本质。
天津医科大学及其附属医院的研究人员通过开发一种旨在解读肺部扫描仪“隐藏语言”的新型计算机系统，向这一目标迈出了重要一步。他们专注于一种被称为腺癌的特定早期肺癌类型，这也是该疾病最常见的形式。他们的工作涉及创建一个结合了两种强大图像分析方式的混合模型：传统的影像组学（测量肿瘤特定的纹理和形状）以及深度学习（一种能够自主识别复杂模式的人工智能）。研究团队利用了639名接受过早期肺癌手术患者的医疗记录和CT扫描数据对该系统进行了训练。计算机被教导去预测两种肉眼难以察觉的特定危险结局：癌症是否侵犯了肺膜或血管，以及是否发生了影像学上未显示的淋巴结转移（即隐匿性淋巴结转移）。
研究人员不仅构建了一个输出单一数值的模型，还构建了一个模拟细致临床思维过程的决策工具。首先，该系统作为一个高灵敏度的筛查工具，用于识别具有隐匿性淋巴结转移高风险的患者。如果计算机将一名患者标记为高风险，其建议是明确的：进行彻底的淋巴结切除，以确保没有遗留癌细胞。对于不属于这一高风险类别的患者，系统会应用第二层分析。第二步旨在寻找肿瘤内部侵袭性增长的迹象，例如侵犯肺膜或存在气腔内扩散。基于这第二次评估，剩余的患者被分为两组：需要进行标准手术并进行部分淋巴结评估的中风险患者，以及可以通过更有限、侵入性更小的手术进行安全治疗的低风险患者。
当团队将该系统应用于一组从未见过的患者时，结果显示出惊人的准确性。该系统成功地将患者分为三个截然不同的风险组。在低风险组中，发现隐匿性淋巴结转移的比例为零；在中风险组中，该比例为8.3%；在高风险组中，该比例上升至15.8%。这种清晰的分离表明，该模型可以可靠地区分哪些患者需要积极治疗，哪些患者可以免受此类治疗。在预测侵袭性肿瘤特征方面，情况同样成立，系统正确识别了具有极低侵袭性生物学特征的低风险患者。研究发现，计算机读取肿瘤纹理的能力与它自主学习到的深度学习模式同样重要，在某些情况下甚至更为重要。这表明，扫描中肿瘤外观的具体、可测量的细节，携带了关于其行为的重要信息。
这项工作的意义在于其改变医生制定手术计划方式的潜力。目前，指南通常依赖于僵化的规则（如肿瘤大小），而这些规则可能无法反映每位患者独特的生物学特性。这个新系统提供了一种个性化的方案，利用扫描中的数据，根据个人的具体风险来定制手术计划。通过准确识别谁才是真正的风险人群，外科医生可以潜在地避免为低风险患者进行不必要的广泛淋巴结清扫，从而保护他们的肺功能和生活质量，同时确保高风险患者获得全面的护理。研究人员承认，他们的工作是基于对过去数据的回顾性审查，未来需要在实际的临床环境中进行进一步测试以确认这些发现。然而，这项研究为实现一个由精确的、数据驱动的理解来指导手术决策的未来提供了坚实的框架，使该领域更接近真正的个性化癌症护理。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。