更準確預測肺癌淋巴結轉移？大數據來幫忙_風聞

【歡迎關注中科院之聲公眾號（ID：zkyzswx）或微博@中科院之聲，看科學界的大事兒】

腫瘤是一個令人心驚膽戰的詞，而肺癌無疑是其中更為兇險的一位。目前，我國肺癌患者發生率居癌症前列，是人民生命威脅最大的惡性腫瘤之一。而肺癌最為可怕的是，早期症狀不明顯，甚至未見明顯不適，發現往往已達晚期，而且肺癌發生、發展以及轉移的速度非常迅速。

目前隨着胸部CT篩查的逐漸普及，早期肺癌佔比越來越高，但患者術後五年生存率未見明顯改善，很大一方面原因是術前沒有對淋巴結進行準確評估。如何及時準確的評估淋巴結的狀態，是科研人員最為關心的問題。

此前，科研人員利用影像信息開展的癌症患者生存期無創評估、淋巴結轉移預測與預後預測等相關研究都是侷限於利用腫瘤區域的影像特徵來分析建模。隨着生物學研究以及臨牀的不斷實踐，科學家們發現，腫瘤周圍環境可以分泌大量生長因子和細胞因子，誘導缺氧和血管生成，在腫瘤的發生、發展和轉移中起着重要作用。

然而大量影像科醫生在診斷的過程中，雖然知道瘤周的重要作用，但是由於人眼的限制，無法獲悉瘤周的影像學表現，從而忽略了瘤周在診斷上的潛在價值。

圖1 早期肺癌患者CT影像的腫瘤（GTV）以及腫瘤周圍環境(PTV)：左上為橫斷位，左下為冠狀位，右圖為矢狀位

腫瘤區域與瘤周區域在平掃CT如圖1所示，從圖中可以看出，瘤周的邊界範圍不清楚，並且在平掃CT上呈現低信號，憑藉肉眼是觀察不到任何的差別。所以在構建模型時，大部分的研究學者更為主觀地來根據腫瘤區域進行特徵提取。而計算機則可以打破人眼的限制，同時可以發現更多的影像學特徵。

另一方面，通常臨牀上，醫生利用CT圖像提取幾個重要的影像學徵象，如毛刺、分頁、腫瘤實性成分佔比、腫瘤的大小、CEA等指標來判斷早期非小細胞肺癌患者的淋巴結轉移狀態。

國內外部分文獻報道了CT形態學特徵與淋巴結轉移的相關性，但是由於形態學特徵具有主觀性，導致每個研究的結果一致性較差。低年資影像科醫生往往對徵象認識不足，因此會出現誤診及漏診。因此急需引入一種術前無創預測淋巴結轉移的方法，彌補當前術前預測淋巴結轉移的方法的不足，為患者治療策略制定和個體化醫療提供幫助。

根據上述原因，中科院蘇州醫工所高欣團隊等以非小細胞肺癌為例，嘗試去融合瘤周的影像特徵來建立早期非小細胞肺癌患者淋巴結轉移分類模型，利用影像組學方法，實現了對早期非小細胞肺癌患者術前淋巴結轉移的精準預測，可以更加客觀地來對疾病進行評判，不再依賴醫生的臨牀經驗。

模型建立的思路是分別從腫瘤區域和瘤周區域提取高通量影像組學特徵，經過特徵篩選，利用最小絕對值收斂和選擇算子（LASSO）訓練分類器模型。然後利用邏輯迴歸算法，將影像組學特徵和醫生判斷淋巴結轉移的特徵進行融合建模，模型的分類能力相比於單獨的影像組學模型或臨牀醫生分類的精度有較大提升，體現出人機結合的優勢與魅力。

研究人員利用上述構建的人機結合預測模型繪製了一個對應的列線圖，如圖2所示，供臨牀醫生使用，可以更加直觀精準地給出早期非小細胞肺癌患者發生淋巴結轉移的風險概率。

首先將患者的平掃CT圖像輸入到計算機，計算機可以根據腫瘤和瘤周的特徵，給出影像組學模型的特徵值；然後醫生也會對患者的影像數據進行評判，給出每位患者的腫瘤徵象的特徵值；將患者的每一個特徵值對應到Points軸上，會得到一個特徵打分，然後將所有特徵打分加起來，得到一個總分，最後在Risk軸上找到總分對應的數值，得到最終的淋巴結轉移風險概率。

圖2 人機結合模型列線圖

這項成果表明，瘤周區域對淋巴結轉移預測非常重要，這是以往常常在臨牀上被忽略的問題，同時該方法具有普適性，可以推廣到其他疾病的診斷分析，有望提升其他疾病的診斷精度，為未來的醫學影像輔助診斷研究提供了新思路。

相關成果發表在European Radiology，DOI: https://doi.org/10.1007/s00330-019-06084-0。

**作者：**趙星羽、高欣、肖心通

**來源：**中國科學院蘇州生物醫學工程技術研究所