影像组学通过深度学习技术可以从原始图像数据中自动学习特征信息来解码肿瘤的放射学表型，在疾病诊断、预后评估和治疗敏感性预测中显示出巨大的前景。肿瘤的生物学异质性决定了临床诊断和治疗的复杂性，科研中细分化的研究对象有利于推动临床患者的个体化诊疗，今天这篇Rdiology上的文章就通过影像组学探索了临床I期非小细胞肺癌的精细化诊疗。
一、研究背景
对于临床Ⅰ期非小细胞肺癌(NSCLC)，直接手术是最常见的治疗策略。然而，其中3.7%-8.5%的患者在手术治疗过程中被意外确定为纵隔淋巴结(N2)转移。N2转移的非小细胞肺癌具有高度异质性，在临床诊疗方案的选择方面具有复杂性。对于这类病例，病理活检一直是诊断的金标准，但侵袭性检查总存在一定风险，而PET扫描可以降低这种风险，避免阴性患者过度检查，可美中不足的是PET也存在一定的假阴性概率，并且昂贵的费用也使其在无法在临床早筛中被大力推广。所以，作者希望通过影像组学提取N2转移的影像学特征，来评估NSCLC的纵隔淋巴结转移可能，明确转移风险高的患者，避免其余患者采取不必要的侵袭性检查，而且CT检查费用相对低廉，可以减轻患者的经济负担，适于临床推广。
二、样本队列
内部队列（即建模队列）和外部队列主要按以下条件筛选（1-4为纳入标准）：
CT平扫上肺部病灶<4cm
CT增强上纵隔淋巴结<1cm
有病理诊断结果
经纵隔淋巴结清扫术
剔除多发病灶和经过新辅助治疗的样本
内部队列按8：1：1的比例划分为训练集（N=2131）、验证集（N=266）、测试集（N=266），外部队列（N=266）均作为测试集。其中外部队列来自于网络数据库，包含转录组和基因组信息。
前瞻性队列（N=300）在上述纳入标准的基础上加入：
PET扫描提示肺门、纵隔淋巴结最大标准摄取值小于2.5（SUVmax < 2.5）
年龄位于20-75岁之间
三、流程图
四、结果讨论
一、基于影像特征的模型构建
内部队列的肺CT成像数据重建后导入3D slicer进行勾勒感兴趣区（ROI）；
标注上与之对应的淋巴结病理结果；
提取并叠加三个穿过感兴趣区域中心的正交平面，输入到基于ResNet 152算法的神经网络模型中进行训练；
该模型包括特征提取器和特征分类器，前者能够提取图像中的特征，后者将前者输出的特征进行分类，并最终输出N2转移概率。
二、模型效能的评估
作者在内部队列中的测试集、外部队列以及前瞻性队列中通过ROC曲线来评估深度学习模型的效能，同时纳入了三种先前已发表的临床中的预测模型，前瞻性队列中还纳入了PET扫描得到的SUVmax，与这些临床模型比较后可以明显发现，作者所构建的深度学习模型在预测N2转移上具有优异的效能（如下图）。
此外，作者根据训练集中的结果定义了三个分类阈值：中位评分阈值（0.5）、高灵敏度阈值（95%灵敏度）和高特异性阈值（95%特异度），又计算得到的最大约登指数，之后通过五个诊断实验评估指标来反应这四个分类阈值的诊断效能：灵敏度、特异度、阳性预测率、阴性预测率、准确度。其中中位阈值在各项指标中均表现均较好（如下图）。
三、生物学基础
基于中位阈值，作者将外部队列中的样本划分为模型高评分组和低评分组，探究不同组之间基因组学特征和生物学功能。结果所示，模型评分≥0.5的肿瘤样本与EGFR突变频率较低和ALK融合率较高相关（如下图）。
评分为0.5或更高的肿瘤组中（如下图所示）：mRNA剪接、细胞核和细胞质中的重组RNA加工、RNA的代谢、DNA复制等相关通路显著上调；胶原降解、细胞外基质蛋白聚糖、磷脂代谢、胶原生物合成和修饰酶等途径显著下调。
（这里作者仅简单展示，并未对生物学特征和相关功能展开详细论述）
四、个性化的预后分层
作者根据训练集中定义的三种分类阈值，将内部与外部队列的样本划分为：低风险组(score < 0.11)，低到中风险组(0.11 ≤ score < 0.50)，中到高风险组 (0.50 ≤ score < 0.68)，高风险组(0.68 ≤ score <1)。并做总体生存和无复发生存的预后分析，如下图所示。结果提示模型评分越高的组别，其中患者的预后越差。
进一步探索与药物的相关性，作者又根据患者有无进行化疗将四种风险组别中的样本分为化疗亚组和未化疗亚组，比较两组间总体生存的差异，其中只有中到高风险组和高风险组中的亚组间有显著的生存差异，而低风险组和低到中风险中的亚组间生存差异不显著（如下图所示）。
五、总结
文章总体并不复杂，主要核心在于以下几方面：1、以临床Ⅰ期的非小细胞肺癌作为研究对象 ，以是否发生纵隔淋巴结转移作为结局事件，细化研究且更迎合临床需要；2、拥有内部、外部和多中心队列的庞大样本数据支撑，结果更具有可靠性；3、利用深度学习从影像组学出发，结合基因组学进行功能分析和预测预后，展开模型背后的潜在生物学基础和评估预后的潜在价值。虽然这文章篇幅不长，但对影像组学有兴趣的小伙伴也可以多挖掘类似文章，欢迎通过以下方式加入我们，一起探讨学习。
