基于¹⁸F-FDG PET/CT的深度学习-影像组学-临床模型预测非小细胞肺癌脉管侵犯的价值

基于¹⁸F-FDG PET/CT的深度学习-影像组学-临床模型预测非小细胞肺癌脉管侵犯的价值

摘要

脉管侵犯（Lymphovascular Invasion, LVI）是非小细胞肺癌（NSCLC）术后复发和不良预后的独立危险因素，术前准确评估LVI状态对于手术方案制定和辅助治疗决策具有重要临床意义。¹⁸F-FDG PET/CT作为融合代谢与解剖信息的多功能影像技术，为LVI的无创预测提供了独特的影像学生物标志物平台。本文系统阐述基于PET/CT的深度学习-影像组学-临床多维度融合模型预测NSCLC脉管侵犯的技术框架与临床应用价值。现有证据表明：基于PET/CT影像组学的机器学习模型预测NSCLC侵袭性行为的AUC可达0.85-0.92，整合瘤内及瘤周影像组学特征的模型预测脏层胸膜侵犯（VPI）的AUC最高达0.879，而融合临床危险因素的综合模型可将AUC提升至0.90以上。空间代谢异质性特征------尤其是SUVmax偏心距（Edge Proximity Score, EPS）------被证实与LVI显著相关（P<0.001），并可作为独立预后因子（HR=2.667）。SHAP可解释性框架的应用进一步增强了模型的临床可信度。该多模态融合模型的建立有望实现NSCLC脉管侵犯的术前精准预测，指导个体化手术方案与辅助治疗策略。

关键词：非小细胞肺癌；脉管侵犯；¹⁸F-FDG PET/CT；深度学习；影像组学；多模态融合

一、引言

1.1 脉管侵犯的临床意义

肺癌是全球发病率与死亡率最高的恶性肿瘤，其中非小细胞肺癌（NSCLC）约占80%-85%。尽管早期NSCLC的手术切除率显著提高，但术后5年复发率仍达30%-50%。脉管侵犯（Lymphovascular Invasion, LVI），即肿瘤细胞浸润至动脉、静脉及/或淋巴管腔内，已被多项研究证实为NSCLC术后复发和不良预后的独立危险因素。

LVI的病理诊断依赖于术后标本的HE染色或弹力纤维染色，但这种"事后"诊断模式无法为术前决策提供指导。术前准确识别LVI阳性患者，有助于：

• 手术范围规划：LVI阳性者需考虑更广泛的肺叶切除而非亚肺叶切除
• 辅助治疗决策：术后辅助化疗或靶向治疗的适应证筛选
• 随访策略制定：高风险患者需更密集的术后监测
  1.2 ¹⁸F-FDG PET/CT的独特优势
  ¹⁸F-FDG PET/CT融合了肿瘤代谢信息（PET）与解剖细节（CT），在NSCLC诊疗中具有不可替代的价值。与单一CT或MRI相比，PET/CT在预测LVI方面具有以下优势：

PET/CT衍生的代谢参数------如最大标准化摄取值（SUVmax）、代谢肿瘤体积（MTV）、病灶糖酵解总量（TLG）------已被证实与肿瘤侵袭性生物学行为相关。

1.3 人工智能技术的介入

近年来，影像组学和深度学习技术的快速发展为LVI术前预测开辟了新途径。影像组学通过高通量提取肉眼无法识别的定量特征，揭示肿瘤微观异质性；深度学习则可自动学习多层次特征表征，进一步提升预测效能。多维度融合模型------整合影像组学特征、深度学习特征与临床危险因素------代表了当前精准医学的前沿方向。

二、脉管侵犯的病理学基础与影像关联

2.1 脉管侵犯的病理定义与分型

LVI在病理学上定义为：在HE染色或弹力纤维染色的组织切片中，于动脉、静脉或淋巴管腔内观察到成簇的肿瘤细胞。根据侵犯的脉管类型，可分为：

• 血管侵犯（Blood Vessel Invasion, BVI）：肿瘤细胞浸润至小动脉或小静脉
• 淋巴管侵犯（Lymphatic Invasion, LI）：肿瘤细胞存在于淋巴管内皮衬覆的腔隙中
  两种类型常共存，统称为LVI。研究表明，LVI阳性患者的术后复发风险较阴性者增加2-3倍。
  2.2 LVI的代谢-影像关联机制
  LVI与肿瘤侵袭性生物学行为密切相关，这种关联可通过PET/CT代谢特征间接反映：

1. 高代谢活性：LVI阳性肿瘤通常具有更高的SUVmax和GLCM纹理异质性，反映肿瘤细胞增殖活跃、葡萄糖转运蛋白（GLUT1）高表达
2. 代谢空间异质性：侵袭性肿瘤的代谢热点（SUVmax所在位置）往往偏离肿瘤几何中心，向边缘偏移------这一现象被量化为"SUVmax偏心距（EPS）"，并被证实与LVI显著相关（P<0.001）
3. 瘤周代谢异常：肿瘤周围的炎性反应和微浸润可导致瘤周区域代谢增高，通过瘤周影像组学可捕捉这一信号
   2.3 传统影像学评估的局限性
   常规PET/CT视觉评估LVI的敏感性有限（约40%-60%），主要原因包括：

• 空间分辨率不足：PET图像空间分辨率约4-6mm，难以识别微米级别的脉管内瘤栓
• 代谢特征重叠：炎性病变也可表现为FDG高摄取
• 依赖主观判断：放射科医师的定性评估可重复性差
  这些局限性凸显了定量影像组学方法的必要性。
  三、PET/CT影像组学特征提取与分析
  3.1 影像组学特征体系
  从PET/CT图像中可提取三类主要的影像组学特征：

一项纳入1459例cT1期NSCLC患者的多中心研究，从每个模态（PET和CT）提取了1145个影像组学特征，最终筛选出11个最优特征构建Rad-score，其预测高侵袭性NSCLC的AUC达到0.851（训练集）、0.859（内部验证）和0.829（外部验证）。

3.2 瘤内与瘤周特征的互补价值

肿瘤的侵袭性不仅体现在肿瘤内部，也反映在肿瘤与周围微环境的交互中。瘤周区域------即肿瘤边界向外扩展的"过渡带"------可能包含微浸润、炎性反应和淋巴管侵犯的早期信号。

Xue等的研究采用瘤内及瘤周扩展区域（GPTV4、GPTV8、GPTV12）的PET影像组学特征预测脏层胸膜侵犯（VPI）。结果显示，基于8mm扩展带的随机森林（RF）模型表现最佳，在训练集、内部验证集和外部验证集中的AUC分别达到0.879、0.846和0.745。SHAP分析显示，GLRLM_ShortRunLowGreyLevelEmphasis特征是预测VPI的最重要因素。

3.3 空间代谢异质性特征：SUVmax偏心距

传统的SUVmax仅反映肿瘤最高代谢值，却忽略了这一代谢"热点"在肿瘤内的空间位置信息。Jiang等创新性地提出了Edge Proximity Score（EPS）------一个量化SUVmax相对于肿瘤几何中心和边缘距离的指标。

EPS的计算原理：

• 测量SUVmax体素至肿瘤质心的归一化距离
• 测量SUVmax体素至肿瘤边界的归一化距离
• EPS = 综合上述两个距离的复合指标
  该研究发现，EPS在LVI阳性、VPI阳性和STAS阳性肿瘤中均显著升高（均P<0.001），且在SHAP特征重要性排序中持续位列前茅。更关键的是，EPS是PFS的独立预测因子（HR=2.667, P=0.015），基于EPS构建的列线图预测1年、3年和5年PFS的AUC分别为0.67、0.70和0.68。转录组分析揭示，高EPS肿瘤富集增殖和代谢相关基因特征，而低EPS肿瘤则与免疫激活和中性粒细胞浸润相关。
  四、深度学习模型的引入
  4.1 深度学习 vs. 传统影像组学

上海市质子重离子医院的研究团队基于临床特征、血清肿瘤标志物及PET/CT影像组学的整合生物-影像组学大数据，通过机器深度学习技术构建的肺癌组织学亚型预测模型，预测效能指标高达0.93。该研究为深度学习在NSCLC精准预测中的应用提供了重要范例。

4.2 多模态融合的深度学习架构

用于LVI预测的深度学习模型通常采用多分支架构：

1. 图像分支：以原始PET/CT图像为输入，使用3D-CNN或ViT提取深度学习特征
2. 影像组学分支：输入预提取的影像组学特征
3. 临床分支：输入临床危险因素（年龄、性别、吸烟史、肿瘤标志物等）
4. 融合层：拼接多分支特征后进行分类
   Yi等的多中心研究系统比较了逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）和XGBoost四种机器学习算法。结果显示，XGBoost融合模型在所有模型中表现最优，训练集、内部验证集和外部验证集的AUC分别达到0.958、0.919和0.903，同时具有良好的校准度和临床净获益。
   五、临床危险因素的整合
   5.1 LVI的独立临床危险因素
   基于大规模多中心数据的多因素Logistic回归分析，Zhu等（纳入2830例NSCLC患者，其中LVI阳性167例）鉴定出以下LVI独立危险因素：

该研究构建的临床-CT融合模型在训练集、内部验证集和外部验证集中的AUC分别为0.836、0.803和0.845，敏感度高达92.1%（训练集）。

5.2 血清肿瘤标志物的补充价值

血清肿瘤标志物如CEA、CYFRA21-1、NSE等与LVI风险相关。研究表明，CEA升高的NSCLC患者LVI阳性率显著增高。在上海市质子重离子医院的研究中，血清肿瘤标志物被纳入深度学习模型，显著提升了预测效能（AUC达0.93）。

5.3 临床-影像组学-深度学习三模态融合策略

最优的预测模型应采用三层次融合策略：

第一层（影像组学特征融合）：将PET和CT提取的影像组学特征拼接

第二层（多区域特征融合）：整合瘤内和瘤周（如8mm扩展带）影像组学特征

第三层（多模态融合）：整合影像组学评分（Rad-score）、深度学习特征和临床危险因素

XGBoost因其内置正则化和处理非线性关系的能力，被多项研究证实为最优融合算法。

六、模型验证与效能评估

6.1 多中心验证策略

可靠的预测模型需经过多层次验证：

Yi等的研究采用了两中心1459例患者（633例高侵袭性，826例非高侵袭性），并进行了严格的外部验证，确保了模型的可泛化性。

6.2 预测效能汇总

6.3 模型可解释性：SHAP框架

"黑箱"问题是深度学习临床转化的主要障碍。SHAP（SHapley Additive exPlanations）框架通过计算每个特征对个体预测的贡献值，增强了模型的可解释性。

在多篇研究中，SHAP分析揭示：

• GLRLM短行程低灰度强调特征是预测VPI的最重要因素
• EPS在预测LVI/VPI/STAS的特征重要性排序中持续位列前茅
• SHAP力图可在患者层面可视化个体预测过程，帮助临床医师理解模型决策依据
  七、临床转化价值与挑战
  7.1 临床决策支持路径
  该多模态融合模型可嵌入以下临床决策节点：

1. 术前风险评估：输出LVI预测概率（0-100%），辅助手术规划
2. 手术范围决策：
   • 高风险患者：优先选择肺叶切除+系统性淋巴结清扫
   • 低风险患者：可考虑亚肺叶切除（肺段切除/楔形切除）
3. 辅助治疗筛选：LVI阳性患者术后应考虑辅助化疗或靶向治疗
4. 随访强度调整：高风险患者采用更密集的影像学随访
   7.2 技术挑战与对策
   7.3 未来发展方向
5. 多模态深度整合：将PET/CT与CT影像组学、病理全切片图像（WSI）及基因组学数据融合，构建多组学预测模型
6. 动态影像组学：分析新辅助治疗前后PET/CT影像变化（Δ-radiomics），预测治疗反应和LVI状态演变
7. 联邦学习：在多中心数据不共享的前提下协同训练泛化性更强的模型
8. 临床试验转化：开展前瞻性临床试验，验证模型指导临床决策对患者预后的改善效果
   八、结论
   基于¹⁸F-FDG PET/CT的深度学习-影像组学-临床多维度融合模型，为NSCLC脉管侵犯的术前无创预测提供了创新性解决方案。现有证据表明：PET/CT影像组学模型预测NSCLC侵袭性行为的AUC可达0.85-0.92；整合瘤内及瘤周影像组学特征的模型进一步提升了预测准确性，AUC最高达0.879；而融合临床危险因素与影像组学评分的XGBoost模型可将AUC提升至0.90以上，在多中心外部验证中表现稳健。
   空间代谢异质性特征------SUVmax偏心距（EPS）------被证实与LVI显著相关，并可作为独立预后因子，为该技术提供了坚实的生物学基础。SHAP可解释性框架的应用增强了模型的临床可信度。

尽管当前研究仍面临多中心泛化性、样本不平衡和前瞻性验证缺乏等挑战，但随着深度学习技术的成熟、多中心大样本队列的建立以及可解释性方法的完善，该多模态融合模型有望成为NSCLC精准诊疗的重要辅助工具，最终实现"术前知晓、术中精准、术后优化"的个体化治疗目标。