基于治疗前CT影像组学特征驱动的肺癌分型：一项单中心回顾性队列研究

摘要

目的：晚期肺癌化疗面临铂类耐药性问题，目前缺乏有效的早期识别手段。尽管既往研究证实了影像学特征和临床检验数据在肺癌铂类耐药识别中的重要作用，但不同CT影像亚型间铂类耐药差异及其预测价值仍有待深入研究。本研究基于CT影像组学特征建立肺癌亚型分类模型，探讨不同影像组学亚型中铂类耐药、基线资料及临床检验数据的差异，并进一步评估临床检验数据、影像组学特征、亚型信息等因素对铂类耐药的预测价值。方法：采用回顾性队列研究设计，纳入2011年1月至2025年6月期间中南大学湘雅医院收治的684例经组织病理学确诊的肺癌患者，年龄为21～80(56±9)岁。所有患者均接受标准铂类药物化疗，采集基线资料(性别、年龄、吸烟史、病理分型、铂类耐药状态)及临床检验数据(生化全套、凝血功能、肿瘤标志物、血常规指标)。收集治疗前CT影像数据，沿肿瘤边缘逐层手动勾画三维感兴趣区，并提取1 228个高通量影像组学特征。运用轮廓系数法确定最佳聚类数，结合层次聚类算法实现影像表型聚类。筛选亚型间差异显著的变量，并通过二元Logistic回归量化各变量对铂类耐药的贡献度。构建4种临床检验模型[单因素分析、多因素分析、最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)回归及所有因子模型]，并运用受试者操作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)评估其诊断效能，同时通过决策曲线分析(decision curve analysis,DCA)评估其临床净获益。进一步构建包括影像学特征、临床检验、影像学特征+临床检验、影像学特征+亚型类别、临床检验+亚型类别及临床检验+影像学特征+亚型类别在内的多种预测模型，比较不同模型对铂类耐药的预测效果。结果：基于影像组学特征的聚类分析将肺癌患者分为“影像-生理稳态亚型”和“影像-生理失衡亚型”。铂类耐药状态、部分生化指标(二氧化碳、血清肌酐、肌酸激酶、肌红蛋白)及肿瘤标志物(癌胚抗原)水平在2个亚型间的差异有统计学意义(均P<0.05)。在特定阈值概率范围内，基于基线资料和临床检验数据构建的4种临床检验模型均具有临床效益，且优于传统的“铂类敏感”和“铂类耐药”分类方法。在4种临床检验模型中，所有因子模型表现出最优的预测性能。临床检验模型在预测铂类耐药方面展现出优于影像组学模型的性能；且临床检验数据与影像学特征结合的联合模型对铂类耐药的预测效果得到明显提升。整合影像组学亚型信息能够提高多种模型(临床检验模型、影像组学模型、临床检验+影像组学模型)的预测能力。结论：CT影像组学可有效解析肺癌异质性，整合临床检验数据、影像学特征及亚型信息具有最佳的铂耐药预测性能。

关键词

肺癌分型 / 影像组学 / 聚类分析 / 铂类耐药 / 净获益