现阶段，肺癌仍然是全球癌症相关死亡的主要原因，对人类健康和经济造成了巨大的负担。解剖性肺叶切除术和系统性淋巴结（LN）清扫术是可切除的非小细胞肺癌（NSCLC）的标准手术方法。亚肺切除术可以保留更多的肺组织、减少手术创伤，并提高术后生活质量。多项研究表明，亚肺切除术对早期NSCLC患者的治疗效果与肺叶切除术相当。准确的术前预测LN状态有利于为淋巴结阴性的早期患者选择分段切除或楔形切除术。此外，对于计划进行放疗的患者来说，准确的纵隔分期可以帮助肿瘤可医生确定照射区域，减少因隐性LN转移而导致的治疗失败风险。因此，准确预测LN转移是为NSCLC患者的治疗决策提供了重要的分期信息。

支气管内超声引导下的经支气管针吸术或纵隔镜检查通常用于病理确认LN转移。然而，由于气道出血、气胸或神经损伤等并发症，这些侵入性方法不能在所有人群中常规应用。最近，一些学者开发了基于CT的LN转移的放射组学预测指标，但需要对肿瘤进行手工分割，十分耗时且误差较大。

令人鼓舞的是，新兴的深度学习（DL）分析在区分组织学亚型、评估治疗反应和预测肺癌的结果方面取得了极高的效果。DL方法可以自动提取有代表性的信息且无需人工分割。少数学者曾将DL方法用于预测NSCLC的LN转移。然而，他们的研究样本量相对较小，并且一些重要的临床变量如吸烟史和癌胚抗原（CEA）水平没有涉及。

近日，发表在European Radiology杂志的一项研究使用了一种名为Swin Transformer的新型DL架构开发并验证了预测肺腺癌患者纵隔LN侵犯的DL特征，并比较了DL与传统放射组学特征和基于临床特征、CT语义特征的临床语义（CS）模型在预测LN转移风险方面的诊断性能，为临床对该类患者的准确风险分层提供了技术支持。

本项研究共招募了612名经病理证实的肺腺癌患者，并随机分为训练队列（n = 489）和内部验证队列（n = 123）。此外，由108名患者构成了独立的测试队列（n = 108）。收集了患者的临床特征和CT语义特征，放射性组学特征来自增强CT图像。建立临床语义模型和放射组学特征来预测LN转移。此外，使用Swin Transformer来开发预测LN转移的DL特征。通过接收者操作特征曲线下的面积（AUC）、敏感性、特异性、校准曲线和决策曲线分析来评估模型性能。

DL特征在所有三个队列中产生的AUC为0.948-0.961，明显优于临床语义模型和放射组学特征（所有P < 0.05）。校准曲线显示，DL特征预测的概率与实际观察到的LN转移的概率十分符合。DL特征比临床语义学模型和放射组学特征都获得了更高的净收益。然而，纳入放射组学特征或临床语义学风险预测因子未能显示出比DL特征更多的价值。

图 CS模型、放射组学特征和DL特征在训练队列（A）、内部验证队列（B）和独立测试队列（C）的决策曲线分析

本项研究提出了一种新的深度学习模型预测肺腺癌LN转移的DL特征，所衍生的DL特征预测效率超过了传统的CS模型和放射组学特征，可以作为无创纵隔LN分期的有效工具，并促进个体化治疗策略的制定。

原文出处：

Xiaoling Ma,Liming Xia,Jun Chen.Development and validation of a deep learning signature for predicting lymph node metastasis in lung adenocarcinoma: comparison with radiomics signature and clinical-semantic model.DOI:10.1007/s00330-022-09153-z