方法文章

术前CT放射组学用于T3–T4期非小细胞肺癌复发模式分类

4 次观看

⸱

DOI：

10.3791/70929

⸱

2026年9月22日

 ,  ,  ,  ,  ,  ,  ,  , 
1School of Medical Imaging, Nanjing Medical University, 2Department of Radiology, Southeast University, 3Department of Radiology, Jinling Hospital, 4Stanford Center for Biomedical Informatics Research (BMIR), Department of Medicine

通讯作者： Guangming Lu <cjr.luguangming@vip.163.com>

本文内容

摘要

一种基于术前CT的放射组学模型，结合肿瘤及瘤周特征，可有效预测T3–4期非小细胞肺癌完全切除术后局部复发与远处转移进展。

摘要

T3 和 T4 期非小细胞肺癌（NSCLC）患者术后局部复发仍是临床上的重大挑战。为解决目前缺乏基于术前影像学的标准化策略来鉴别局部复发的问题，本文提出了一种基于计算机断层扫描（CT）的放射组学框架，用于捕捉肿瘤内部及周围区域的异质性特征，并在 R0 切除术后区分局部复发与远处转移。该方案整合了从术前增强 CT 图像中提取的肿瘤区域及瘤周区域的放射组学特征。应用队列包括 2013 年 1 月至 2020 年 12 月期间接受手术并完成 R0 切除的 103 例经病理确诊为 T3–T4、N0–2、M0 期 NSCLC 的患者，其中 33 例出现局部复发，70 例出现远处转移。所有预处理、特征选择、归一化、超参数调优、模型拟合及阈值确定均仅在训练队列中进行。肿瘤区域、瘤周区域以及联合模型的放射组学模型在独立验证队列中进行了评估。同时收集了患者的临床特征、肿瘤位置、术前实验室参数及治疗信息。构建并评估了仅基于肿瘤及联合肿瘤-瘤周区域的放射组学表征，以表征所提出框架的行为特性。在验证队列中，与仅基于肿瘤区域的特征相比，瘤周放射组学表征显示出更优的区分能力，而联合肿瘤–瘤周框架则表现出最稳定且一致的性能（AUC = 0.80）。本方案初步展示了用于区分 R0 切除术后复发模式的标准化 CT 放射组学工作流程；在临床应用前尚需多中心外部验证。

引言

对于可切除的非小细胞肺癌（NSCLC）患者，包括局部晚期非小细胞肺癌（LA-NSCLC）患者，完整的外科切除仍是标准治疗方法。病理切缘状态具有直接的预后和治疗意义：R0表示无残余肿瘤，R1表示显微镜下可见残余肿瘤，R2表示肉眼可见残余肿瘤。不完全切除与不良预后相关，并可能影响术后治疗1,2,3,4。因此，准确评估局部复发风险是局部晚期非小细胞肺癌治疗规划中的关键环节。

在当前的临床实践中，病理学检查被视为确定病理切缘的参考标准方法。然而，由于肿瘤具有异质性，该方法存在取样偏差。因此，该方法被广泛认为并不完善，因其存在虽小但具有重要意义的假阴性率5。此外，无法保证切除切缘周围的肺组织完全不含恶性细胞，因为组织学检查无法全面评估切除肿瘤手术切缘的所有区域。这些局限性凸显了对能够捕捉超出显微取样范围的宏观和空间残留风险模式的互补性、非侵入性策略的需求。

影像组学能够从常规医学影像中高通量提取定量特征，并为在全病灶及病灶周围层面系统性表征肿瘤异质性提供方法6。既往在肺癌中的影像组学研究已证明其在多种治疗背景下进行预后分层的价值，包括早期非小细胞肺癌（NSCLC）的手术治疗7、立体定向放射治疗8、新辅助治疗9、EGFR-TKI治疗10、PD-(L)1免疫治疗11以及全身治疗。病灶周围影像组学还被用于量化肿瘤与肺组织交界区域，包括基于3 mm、6 mm和9 mm扩展范围的分析12。然而，目前仍缺乏标准化的工作流程，用于比较R0切除术后局部复发与远处转移的情况。

本方案适用于包含术前增强薄层胸部CT及完整病理切缘记录的研究数据集。当研究目标是比较R0切除术后局部复发与远处转移进展时，该方案尤为适用。因此，在T3–T4期非小细胞肺癌中建立了整合瘤内及瘤周3 mm范围放射组学的标准化工作流程。

方案

本研究提出的基于CT的放射组学方案旨在术前区分T3-T4期非小细胞肺癌患者的局部复发与远处转移。该工作流程包括患者筛选、CT图像采集与预处理、感兴趣区域分割、放射组学特征提取与降维、模型构建及性能评估（图1A–C）。金陵医院伦理委员会批准了本项回顾性研究（批准号：2023DZKY-089-01），并豁免了书面知情同意要求。本研究中使用的所有软件和工具均列于材料表中。

1. 患者选择与临床数据收集

  1. 确定经病理证实为 T3–T4 期非小细胞肺癌（NSCLC）的连续患者。
    注意：本研究中，作者选取了 2013 年 1 月至 2020 年 12 月期间在中国南京金陵医院接受手术切除的患者（补充图 1）。
  2. 纳入符合以下所有标准的患者：经病理确诊为非小细胞肺癌（NSCLC）；根据美国癌症联合委员会（AJCC）第 8 版标准，肿瘤分期为 T3 或 T4；术前 2 周内完成增强胸部 CT 扫描，且图像资料完整；术后随访资料齐全，明确记录复发部位及时间。
  3. 排除以下患者：R1 或 R2 切除者；因运动伪影或扫描范围不完整导致 CT 图像质量不佳者；随访信息缺失或关于复发模式的记录不完整者。

2. 标签定义与临床终点

  1. 术后前2年内每3–6个月进行一次血清肿瘤标志物检测和胸部CT检查，之后每6个月进行一次随访监测。
  2. 将复发模式定义为主要终点。由两名经认证的胸部放射科医师在不知晓放射组学评分的情况下，独立审阅随访影像资料；若存在分歧，通过协商达成一致。
  3. 在条件允许时，采用病理学证实或正电子发射断层扫描/计算机断层扫描（PET/CT）进行判断。
  4. 使用Martini–Melamed标准区分第二原发性肺癌病例，并将其从局部复发事件中排除。
  5. 按以下方式对患者进行分组：
    1. 局部复发组：接受R0切除术并在随访期间于预设的局部部位出现复发的患者。
      注：局部复发指支气管残端或肺实质切除边缘、同侧肺门或纵隔淋巴结（与原发肿瘤或切除区域相邻）的复发。
    2. 同步发生局部和远处复发的病例归入局部复发组。
    3. 远处转移组（对照组）：接受R0切除术并出现远处转移但无局部复发的患者。
  6. 将仅局限于远处器官或对侧胸腔且无任何局部成分的复发归类为远处转移。

3. 临床与语义特征采集

  1. 从电子病历系统中提取临床变量，包括术前实验室参数、病理学发现和治疗信息。
  2. 收集每位患者的以下变量：年龄、性别、吸烟状况、血清肿瘤标志物、病理分期、组织学亚型和手术方式。
  3. 利用术前CT图像，独立评估反映肿瘤位置及邻近解剖结构侵犯的语义影像特征。
  4. 指派两名经认证的胸部放射科医师独立审阅所有病例。通过共识讨论解决语义特征评估中的分歧。

4. CT图像采集

  1. 使用多排探测器CT扫描仪，以横断面采集胸部CT图像，包括平扫、动脉期和门静脉期图像。
    注：增强胸部CT检查使用西门子医疗的四款多排探测器CT扫描仪完成：SOMATOM Definition、SOMATOM Definition Flash、SOMATOM Emotion 和 SOMATOM Perspective。根据扫描仪型号和机构协议，探测器配置包括 16 × 0.6 mm、64 × 0.6 mm 或 2 × 64 × 0.6 mm。扫描参数设置为 120–130 kVp，采用自动管电流调制技术（约 62–663 mA），螺距为 0.5–0.8，旋转时间为 0.5 s，视野约为 300–400 mm，矩阵为 512 × 512。采集层厚为 1.0–1.5 mm。用于放射组学分析的图像采用中等平滑核（B30f 或 B31f），重建层厚为 1.0–1.5 mm，重建间隔为 1.0–1.5 mm。经静脉注射非离子型碘对比剂（300–370 mg I/mL），剂量约为 1.0–1.5 mL/kg，注射速率为 2.5–3.5 mL/s，随后以 30–40 mL生理盐水冲管。
  2. 设定采集参数与重建参数。在动脉期开始时进行触发式自动扫描。
  3. 选择主动脉弓作为感兴趣区域，并将触发阈值设为 60 HU。
    对所有图像序列采用薄层重建。
  4. 将以医学数字成像和通信（DICOM）格式导出的动脉期CT图像用于后续预处理与分析。详细的采集参数汇总于补充表1中。

5. 图像预处理与匿名化

  1. 根据《健康保险可携性和责任法案》安全港指南对所有CT图像进行匿名化处理。
  2. 将匿名化的动脉期CT图像上传至Deepwise多模态研究平台（版本3.1.3），该平台集成了Pyradiomics（版本3.0.1）和Scikit-learn（版本0.22）13,14。
  3. 在影像组学平台上，选择“样本”，选择DICOM序列作为输入，并加载相应的分割掩膜。

6. 肿瘤及瘤周组织分割

  1. 在动脉期CT图像上对原发性肺肿瘤进行半自动分割13。
    由一位具有9年胸部影像经验的放射科医师手动审核并调整分割结果，以确保解剖学准确性。
  2. 在轴位、冠状位和矢状位上审查掩膜。手动校正边界，以包含存活肿瘤组织，并排除邻近的肺不张、血管、气道、胸腔积液和胸壁，除非这些结构被肿瘤直接侵犯。使用研究标识符保存最终掩膜。
  3. 通过将肿瘤边界在所有方向上向外扩展1 mm、3 mm和5 mm，自动生成瘤周区域，必要时排除非肺部结构。
  4. 在特征提取前，将CT图像重采样至各向同性的体素间距1 × 1 × 1 mm3。图像强度采用B样条算法进行插值，而分割掩膜则采用最近邻插值法重采样，以保持其二值标签。

7. 放射组学特征提取

  1. 根据影像生物标志物标准化倡议指南，从肿瘤区域提取放射组学特征，包括形状、一阶强度和纹理特征等。
  2. 从瘤周区域提取相同类别的放射组学特征。

8. 数据集划分与放射组学特征降维

  1. 在进行任何预处理、特征降维或模型构建之前，根据复发模式采用分层抽样方法，以固定的随机种子1将完整数据集按7:3的比例随机划分为训练队列和独立验证队列。
  2. 锁定验证队列，不得将其用于特征选择、超参数调优或阈值确定。
    ​注意：在训练队列中检查了缺失值和无穷值，未发现缺失或无穷值，因此未进行插补。评估分割的可重复性。
    1. 通过局部复发模式进行分层随机抽样，使用训练集的随机种子1，选取20%的队列。确认所选子集保持局部复发/远处转移的分布。
    2. 让第一位阅片者在间隔2周后重复进行分割，另由第二位阅片者（一名在胸部影像领域具有6年经验的放射科医师）独立对相同病例进行分割。
    3. 对读者设盲，使其不知晓临床信息、病理学发现、复发模式及模型输出结果。
    4. 计算读者间和读者内单次测量的绝对一致性组内相关系数（ICCs）。仅当读者间和读者内 ICC 均至少达到 > 0.8.
  3. 进行两两相关性分析，当相关系数超过0.90时，从每一对高度相关的特征中移除其中一个特征。
  4. 应用L1正则化线性模型以选择具有信息量的特征，其中正则化参数用于控制特征的稀疏性。

9. 模型构建与评估

  1. 基于最终确定的特征集，在训练队列中构建肿瘤内部、肿瘤周围3 mm以及联合的线性支持向量分类（Linear SVC）模型。
  2. 仅在训练队列内使用分层10折交叉验证对模型超参数进行调优。
    注意：线性支持向量分类（Linear SVC）模型使用 scikit-learn 0.22 版本实现，采用 L1 正则化惩罚项、平方合页损失函数（squared-hinge loss）、dual = False、收敛容差为 1 × 10⁻4、最大迭代次数为 1,000，并启用截距拟合。正则化参数 C 在训练队列中通过设置随机种子为 1 的分层10折交叉验证进行优化。在完成超参数选择后，每个模型均使用完整的训练队列重新拟合，并直接应用于独立保留的验证队列。未使用任何重采样或类别权重调整方法。
  3. 将每个锁定后的模型直接应用于独立保留的验证队列，不进行重新拟合、特征重选、重新校准或阈值优化。
  4. 采用受试者工作特征曲线下面积（AUC）、敏感性、特异性和准确率评估模型性能。

10. 统计分析

  1. 根据数据分布，采用适当的参数检验或非参数检验比较连续变量。
  2. 采用卡方检验或Fisher精确检验比较分类变量。
  3. 仅在训练队列中通过最大化约登指数确定分类阈值，并将锁定后的阈值直接应用于独立的验证队列。计算自举法置信区间。
  4. 使用SPSS（版本25）进行所有统计分析，以双侧p值<0.05为差异具有统计学意义。

结果

应用队列特征
在最初符合条件的患者中，有12例R1切除患者被排除，未发现R2切除病例。因此，最终队列包括103例接受R0切除的患者。所提出的放射组学方案应用于一组103例经手术治疗的T3–T4期非小细胞肺癌患者（年龄60.6 ± 8.6岁；男性占82.5%），其中包括33例术后局部复发患者和70例发生远处转移的患者。在33例局部复发患者中，17例（51.5%）经病理证实，其余16例（48.5%）根据连续随访CT表现及临床共识诊断。所有局部复发病例均未仅通过PET/CT确诊。61例患者（59.2%）为病理T3期疾病，42例（40.8%）为T4期疾病。表1中的临床或病理变量在局部复发组与远处转移组之间均无显著差异（所有p ≥ 0.064）。

语义成像与治疗相关变量的评估
肿瘤叶、中央与外周位置、主支气管受累以及大血管受累在局部复发组与远处转移组之间均无显著差异（均 p ≥ 0.272; 表 2). 新辅助治疗、免疫治疗和放疗分布在这两组R0进展模式之间相似（均 p ≥ 0.742; 表3）。局部复发组的靶向治疗使用频率低于远处转移组（2/33 [6.1%] 对比 15/70 [21.4%]；原始 p = 0.0499）。由于术后治疗可能影响复发模式，这种不平衡应被视为潜在的混杂因素，而非因果效应的证据。

随访模式与终点事件分布
在103例切缘阴性患者中，33例出现局部复发（平均无进展生存期（PFS）为16.36 ± 14.741个月），70例出现远处转移（平均PFS为11.39 ± 11.388个月）。局部复发组与远处转移组之间无统计学差异（p = 0.131）。尽管两种复发模式之间的无进展生存期无显著差异，但本研究方法的预期用途是探讨术前影像学是否能够区分R0切除术后首次疾病进展的解剖学模式。此类术前风险分层可能有助于对局部复发高风险患者合理应用局部治疗，并可能改善其预后；然而，这一临床价值尚需在前瞻性研究中进一步验证。

肿瘤及瘤周放射组学特征行为
在25例患者的亚组中评估了可重复性。基于组内相关系数（ICC）筛选后，2,207个瘤内放射组学特征中保留了1,820个，2,211个3 mm瘤周放射组学特征中保留了1,856个用于后续分析。方差筛选去除了124个瘤内特征和120个3 mm瘤周特征。随后，采用0.90阈值进行两两相关性筛选，进一步去除了1,357个剩余的瘤内特征和1,395个剩余的瘤周特征，分别留下339个和341个特征用于L1正则化特征选择。L1方法最终为模型构建选出了9个瘤内特征和12个瘤周特征。从肿瘤区域、瘤周区域及联合区域提取的放射组学特征表现出不同的预测性能。在验证队列中，肿瘤模型、3 mm瘤周模型和联合模型的AUC分别为0.71（95% CI，0.61–0.81）、0.75（95% CI，0.65–0.85）和0.80（95% CI，0.71–0.89）（表4 和 图2A）。在瘤周距离敏感性分析中，1 mm、3 mm和5 mm模型的表观AUC分别为0.62、0.75和0.59。与3 mm模型相比，1 mm模型的AUC差异无统计学意义（ΔAUC = −0.13，p = 0.078），而5 mm模型的差异具有统计学意义（ΔAUC = −0.16，p = 0.040）（补充表1）。

在排除了首次疾病进展前接受过靶向治疗的17例患者后，剩余86例患者，其中包括31例局部复发和55例仅远处转移的患者。融合模型的AUC为0.80（95% CI，0.70–0.89），与主要分析结果一致（AUC，0.80；ΔAUC，−0.001；95% CI，−0.034至0.033；p = 0.948）。这些结果表明，疾病进展前给予的靶向治疗对融合模型的性能未产生实质性影响。

方案的比较评估与临床应用价值
DeLong 成对检验未发现肿瘤模型与3-mm瘤周模型之间存在统计学上的显著差异（p = 0.533），肿瘤模型与联合模型（p = 0.168），或 3-mm 周瘤区及联合模型（p = 0.439）。在决策曲线分析中，肿瘤模型、3 mm瘤周模型及联合模型在阈值概率分别为0.19–0.51、0.18–0.56和0.17–0.59的范围内，均比“全部治疗”和“全部不治疗”两种参考策略提供了更高的净获益。图2B)。在预测概率阈值为0.20时，联合模型的敏感性达到66.7%，特异性达到77.1%。这些数值范围描述了在所选进展队列中的表观效用，尚未验证为治疗阈值。如图所示， 图3A–DA和B中的两个实性病灶被模型正确分类，而C和D中的病灶则被误分类。这两个被误分类的病灶均包含瘤内坏死区域，这可能改变了放射组学特征所捕获的衰减分布和纹理异质性，从而导致预测结果不一致。

figure-results-1
图1： 肿瘤分割、放射组学特征选择及模型构建的工作流程。 （A）原发肿瘤通过半自动方式分割。瘤内感兴趣区域定义为肿瘤组织，瘤周区域则通过将肿瘤边界向外扩展3 mm并排除肿瘤本身生成。（B）提取瘤内和瘤周放射组学特征，评估其阅片者内和阅片者间可重复性，并通过相关性分析和基于L1正则化的特征选择进行降维。（C）符合条件的患者被随机分为训练队列（70%）和内部验证队列（30%）。分别构建肿瘤内和瘤周放射组学模型，并整合为联合模型。缩写：CT = 计算机断层扫描；L1 = 基于最小绝对收缩与选择算子的正则化。图1由作者使用Microsoft PowerPoint绘制，无需版权许可。请点击此处查看该图的放大版本。

figure-results-2
图2：影像组学模型的受试者工作特征曲线与决策曲线分析。（A）在验证队列中，肿瘤、肿瘤周围3 mm及联合模型用于区分局部复发与远处转移的受试者工作特征曲线。相应的AUC分别为0.71（95% CI，0.61–0.81）、0.75（95% CI，0.65–0.85）和0.80（95% CI，0.71–0.89）；95% CI通过1,000次自助重采样法估计。（B）三种模型在阈值概率0.01–0.80范围内的决策曲线分析。图中同时显示了“全部治疗”和“全部不治疗”策略作为参考。缩写：AUC = 受试者工作特征曲线下面积；CI = 置信区间；DCA = 决策曲线分析；ROC = 受试者工作特征。 请点击此处查看该图的高清版本。

figure-results-3
图3：联合放射组学模型中正确与错误分类病例的代表性图像。（A）一名50岁男性左肺鳞状细胞癌患者在4个月时出现局部复发，被正确分类。（B）一名44岁女性左下叶腺癌患者在31个月时出现骨转移而无局部复发，远处转移被正确分类。（C）一例假阴性，其中局部复发被错误分类为仅远处进展。（D）一例假阳性，其中仅远处进展被错误分类为局部复发。请点击此处查看该图的高清版本。

表1：局部复发和远处转移患者的临床及病理特征。 分析纳入了103例患者：33例为局部复发，70例为远处转移。数据以均值表示 ± 标准差或 n（列百分比）。年龄比较采用独立样本 Student t 检验。分类变量比较采用 Pearson 卡方检验，当任一预期频数小于设定值时则使用 Fisher 精确检验。 <5. *Raw p < 0.05。缩写：ADC = 腺癌；SCC = 鳞状细胞癌；SD = 标准差；TNM = 肿瘤-淋巴结-转移。 请点击此处下载此表格。

表2：局部复发和远处转移患者的病灶位置及累及特征。 本分析共纳入103例患者：33例为局部复发，70例为远处转移。数据以n（列百分比）形式表示。分类变量采用Pearson卡方检验进行比较，当任一预期单元格计数<5时采用Fisher精确检验。无缺失数据。*原始p值<0.05。缩写：CT = 计算机断层扫描。请点击此处下载该表格。

表3：局部复发和远处转移患者围手术期及术后治疗策略。 分析共纳入103例患者：33例为局部复发，70例为远处转移。数据以n（列百分比）形式呈现。分类变量采用Pearson卡方检验进行比较，当任一预期单元格频数小于5时使用Fisher精确检验。 <5. 无缺失数据。*Raw p < 0.05. 请点击此处下载此表格。

表4：放射组学模型、瘤周模型及联合模型在区分局部复发与远处转移中的性能。 分析共纳入103例患者：33例为局部复发，70例为远处转移。95% 置信区间（CI）通过1,000次自助法重采样估计。缩写：AUC = 受试者工作特征曲线下面积；CI = 置信区间。请点击此处下载该表格。

补充图1：患者筛选流程图。 筛选了2013年至2020年间至少接受过一次胸部CT检查且病理报告中包含“肺”和“癌症”术语的患者。根据病理报告和医院信息系统（HIS）记录排除部分患者后，剩余238例患者。另有45例患者因缺乏治疗前CT图像（n = 39）、炎性癌（n = 4）或CT伪影影响图像分析（n = 2）而被排除。最后，排除R1切除（n = 12）、失访（n = 43）或随访结束时无疾病进展（n = 35）的患者，最终纳入103例患者用于训练集和验证集。CT，计算机断层扫描；HIS，医院信息系统；R1，显微镜下切缘阳性切除。 请点击此处下载该文件。

补充表 1：不同瘤周扩展距离下模型性能的敏感性分析。 在验证队列中，使用 1 mm、3 mm 和 5 mm 的瘤周区域评估模型的区分能力。以 3 mm 瘤周模型作为参考。ΔAUC 表示相对于 3 mm 模型的 AUC 差值，p 值采用双侧 DeLong 检验计算。AUC，受试者工作特征曲线下面积；CI，置信区间。 请点击此处下载该文件。

讨论

本研究提出了一种基于CT的放射组学方案，用于在T3–T4期非小细胞肺癌（NSCLC）患者接受R0切除术后，术前区分局部复发与远处转移。该框架不仅关注预后预测，更通过整合来自常规增强CT图像的瘤内及瘤周放射组学特征，实现对局部复发风险的可操作化评估。在代表性外科队列中，该方案表现出稳定的性能，其中联合肿瘤–瘤周模型达到了最高的AUC值。已有多种术前方法被用于评估NSCLC术后的复发风险，包括临床放射学模型、基于¹⁸F-FDG PET/CT的代谢参数、手工设计的CT放射组学以及深度学习模型。由PET/CT导出的代谢肿瘤体积和总病变糖酵解可为术后预后提供信息，但需要额外的分子影像检查，且受图像采集与重建方案的影响15。基于CT的放射组学与深度学习模型可无创地估计复发风险或无病生存期16，先前研究已证实纳入瘤周信息或将影像特征与临床变量结合具有临床价值17,18。然而，既往方法主要聚焦于复发是否发生或发生时间，尤其集中于早期肺腺癌，而非首次疾病进展的解剖学模式。本框架的潜在优势在于，利用常规获取的术前增强CT图像，整合瘤内及紧邻的瘤周信息，以区分T3–T4期NSCLC患者R0切除术后局部复发与远处转移的进展模式。

从方法学角度来看，本方案的临床动因源于病理学切缘评估的内在局限性。尽管组织病理学仍是金标准，但其本质上受限于取样偏差以及对手术切缘空间覆盖不全。研究表明，对于 IA 期非小细胞肺癌（NSCLC），楔形切除术后的局部复发率显著高于肺叶切除术19。这主要归因于手术切缘中残留肿瘤细胞的漏诊，以及因切除不彻底导致的高局部复发率。此外，通过对局部复发的非小细胞肺癌患者病理切片的回顾，可观察到手术切缘中存在肿瘤细胞20。既往外科系列研究显示，切除不完全和隐匿性残留病灶会显著增加局部复发风险，并对长期生存产生不利影响；而影像学可在术前评估肿瘤的大体形态和空间特征。因此，本方案应被视为一种用于表征复发模式的补充性研究方法，而非替代病理切缘检查的手段。这一区别可避免将 R0 切除后的局部复发回溯性地归因于阳性切缘或本质上高风险的手术切缘。

所提出框架的一个核心设计要素是明确纳入肿瘤周围放射组学特征。预设的3-mm环状区域采样于肿瘤-肺组织交界处，该区域的影像学特征可能反映肿瘤侵袭、促结缔组织增生反应、水肿、血管改变或肿瘤-宿主相互作用。在敏感性分析中，1-mm、3-mm和5-mm模型的表观AUC值分别为0.62、0.75和0.59。1-mm模型的数值低于3-mm模型，但两者之间无统计学显著差异，而5-mm模型的表现则显著更差。这些结果支持在本队列研究中采用预设的3-mm定义，但并未确立3 mm为普遍最优的距离。较宽的环状区域可能包含T3–T4期肿瘤中的非肺实质组织或邻近解剖结构。

术后治疗可能改变复发的部位和时间，因此仍是潜在的混杂因素。与远处转移组相比，局部复发组接受靶向治疗的频率较低（6.1% 对 21.4%；原始 p = 0.0499），而其他治疗方式的分布差异无统计学意义。在一项敏感性分析中，排除了17例在疾病进展前接受靶向治疗的患者后，融合模型的AUC仍为0.80（95% CI，0.70–0.89），与主要分析结果几乎相同（ΔAUC = −0.001；95% CI，−0.034 至 0.033；p = 0.948）。这些结果表明，融合模型的区分性能并未受到进展前靶向治疗的实质性影响。

影像组学方法学中的特征稳定性和可重复性是关键考量因素。在本方案中，特征提取遵循影像生物标志物标准化倡议指南21。通过读者间和读者内可重复性测试，系统评估了方法的稳健性。联合模型中最具影响力的功能特征主要来源于瘤周区域，这进一步强调了标准化瘤周区域勾画的方法学重要性。这些步骤共同提高了所提出方案的可靠性和可转移性。

该方案存在若干局限性，需予以说明。首先，该框架的建立与验证所用数据来自单一机构，患者选择可能反映了该机构的外科手术实践。其次，随访间隔不一致，失访可能影响对复发情况的准确描述。第三，尽管该方案可识别与切缘相关复发风险相关的放射组学特征，但并未直接阐明其潜在的病理学机制。未来的研究应着重于多中心验证、不同影像平台间的标准化，以及与病理学和分子特征的整合，以进一步提升放射组学特征的生物学可解释性。总之，本研究提出了一种基于CT的标准化放射组学方案，用于术前对T3-T4期非小细胞肺癌（NSCLC）复发模式的表征。通过明确整合肿瘤周围放射组学信息，该框架旨在作为一项可重复的研究方案；在用于临床实践或治疗决策之前，尚需在多中心外部验证及未经筛选的术后队列中进行评估。

披露

作者无利益冲突。本手稿中未使用任何生成式人工智能工具来创建或修改图表。

致谢

感谢 LetPub (www.letpub.com.cn) 在本论文撰写过程中提供的语言协助。本工作得到科技创新2030—重大项目（2020AAA0109500）的资助。

材料

本文使用的材料清单
姓名公司目录编号评论
深度wise多模态研究平台Deepwiseversion 3.1.3用于分割、放射组学特征提取及模型构建
PythonPython Software Foundationhttps://www.python.orgversion 3.9.13
RR Foundationhttps://www.r-project.orgversion 4.3.2
Somatom DefinitionSiemensnone用于CT图像采集
Somatom Definition FlashSiemensnone用于CT图像采集
Somatom EmotionSiemensnone用于CT图像采集
Somatom PerspectiveSiemensnone用于CT图像采集

参考文献

  1. Ohguri T, Yahara K, Moon SD, Yamaguchi S, Imada H, et al. Postoperative radiotherapy for incompletely resected non-small cell lung cancer: clinical outcomes and prognostic value of the histological subtype. J Radiat Res. 2012;53(2):319-325.
  2. Hancock JG, Rosen JE, Antonicelli A, Moreno A, Kim AW, et al. Impact of adjuvant treatment for microscopic residual disease after non-small cell lung cancer surgery. Ann Thorac Surg. 2015;99(2):406-413.
  3. Sawabata N, Maeda H, Matsumura A, Ohta M, Okumura M; Thoracic Surgery Study Group of Osaka University. Clinical implications of the margin cytology findings and margin/tumor size ratio in patients who underwent pulmonary excision for peripheral non-small cell lung cancer. Surg Today. 2012;42(3):238-244.
  4. Wang EH, Corso CD, Rutter CE, Park HS, Chen AB, et al. Postoperative radiation therapy is associated with improved overall survival in incompletely resected stage II and III non-small-cell lung cancer. J Clin Oncol. 2015;33(25):2727-2734.
  5. Sawabata N, Funaki S, Nakagiri T, Shintani Y, Inoue M, et al. Clinical implications of the margin cytology findings and margin/tumor size ratio in patients who underwent pulmonary wedge resection for peripheral non-small cell lung cancer. J Thorac Oncol. 2012;7(11):S473.
  6. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563-577.
  7. Huang Y, Liu Z, He L, Chen X, Pan D, et al. Radiomics signature: a potential biomarker for the prediction of disease-free survival in early-stage (I or II) non-small cell lung cancer. Radiology. 2016;281(3):947-957.
  8. Yang H, Wang L, Shao G, Dong B, Wang F, et al. A combined predictive model based on radiomics features and clinical factors for disease progression in early-stage non-small cell lung cancer treated with stereotactic ablative radiotherapy. Front Oncol. 2022;12:967360.
  9. She Y, He B, Wang F, Zhong Y, Wang T, et al. Deep learning for predicting major pathological response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer: a multicentre study. EBioMedicine. 2022;86:104364.
  10. Wang S, Yu H, Gan Y, Wu Z, Li E, et al. Mining whole-lung information by artificial intelligence for predicting EGFR genotype and targeted therapy response in lung cancer: a multicohort study. Lancet Digit Health. 2022;4(5):e309-e319.
  11. Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, et al. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018;19(9):1180-1191.
  12. Chen Q, Shao J, Xue T, Peng H, Li M, et al. Intratumoral and peritumoral radiomics nomograms for the preoperative prediction of lymphovascular invasion and overall survival in non-small cell lung cancer. Eur Radiol. 2023;33(2):947-958.
  13. Qi LL, Wang JW, Yang L, Huang Y, Zhao SJ, et al. Natural history of pathologically confirmed pulmonary subsolid nodules with deep learning-assisted nodule segmentation. Eur Radiol. 2021;31(6):3884-3897.
  14. Qi LL, Wu BT, Tang W, Zhou LN, Huang Y, et al. Long-term follow-up of persistent pulmonary pure ground-glass nodules with deep learning-assisted nodule segmentation. Eur Radiol. 2020;30(2):744-755.
  15. Kim K, Kim SJ, Kim IJ, Kim YS, Pak K, et al. Prognostic value of volumetric parameters measured by F-18 FDG PET/CT in surgically resected non-small-cell lung cancer. Nucl Med Commun. 2012;33(6):613-620.
  16. Kim H, Goo JM, Lee KH, Kim YT, Park CM. Preoperative CT-based deep learning model for predicting disease-free survival in patients with lung adenocarcinomas. Radiology. 2020;296(1):216-224.
  17. Christie JR, Daher O, Abdelrazek M, Romine PE, Malthaner RA, et al. Predicting recurrence risks in lung cancer patients using multimodal radiomics and random survival forests. J Med Imaging (Bellingham). 2022;9(6):066001.
  18. Lan H, Wei C, Xu F, Yang E, Lu D, et al. 2.5D peritumoural radiomics predicts postoperative recurrence in stage I lung adenocarcinoma. Front Oncol. 2024;14:1382815.
  19. Koike T, Koike T, Yoshiya K, Tsuchida M, Toyabe S. Risk factor analysis of locoregional recurrence after sublobar resection in patients with clinical stage IA non-small cell lung cancer. J Thorac Cardiovasc Surg. 2013;146(2):372-378.
  20. Sawabata N, Matsumura A, Ohota M, Maeda H, Hirano H, et al. Cytologically malignant margins of wedge resected stage I non-small cell lung cancer. Ann Thorac Surg. 2002;74(6):1953-1957.
  21. Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, et al. The Image Biomarker Standardization Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328-338.

重印与许可

标签

CT放射组学复发分类肿瘤异质性瘤周放射组学R0切除放射组学特征提取局部复发远处转移
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。