European Radiology：肺腺癌的深度学习预后预测

肺腺癌是肺癌最常见的组织学亚型，可分为实性肿瘤和亚实性肿瘤。根据LUAD的第八版TNM分类，肿瘤大小根据不包括脂质成分的侵袭性大小确定，作为T分类的基础。在根据CT图像上表现为实性阴影的侵袭性大小调整T分类后，通过该亚实性结节轴位图像上的最大实性大小和肿瘤比(CTR)可以更好地预测预后。

到目前为止，已经有一些研究者来用自动方法测量LUAD病变；其中，分割是获得精确图像的前提条件，人工调整可以大大提高分割精度。SCM自动化软件方法需要额外的人工调整来分割病变，从而在一定程度上降低了测量变异性。自动化人工智能(AD)方法具有较高的重现性，可以最大限度地解决这一问题，目前只有少数几个初步的研究对自动检测方法进行了研究。

近日，发表在European Radiology杂志上的一篇研究评估了自动深度学习（DL）算法在预测肺腺癌（LUAD）预后方面的尺寸、质量和体积测量结果，并与人工测量结果进行了比较。 

本项研究共纳入542例临床分期为0-I期外周型LUAD患者，术前CT数据为1毫米层厚图像。由两名胸部放射科医生对轴位图像上的最大实性成分大小（MSSA）进行评估。MSSA、实性成分体积（SV）和实性成分质量（SM）由DL评估，并计算了合并肿瘤比率（CTR）。对于磨玻璃结节（GGN），用不同的密度水平阈值提取实性部分。比较了 DL 与人工测量的预后预测效果，并采用多变量 Cox 比例危险模型寻找独立的风险因素。 

数据显示，放射科医生测量的T分期（TS）的预后预测效果不如DL。对于GGNs，放射科医生测量的基于MSSA的CTR（^RMSSA%）不能对RFS和OS风险进行分层，而DL使用0HU测量的CTR（^2D-AIMSSA_0HU%）可以通过使用不同的截断值进行分层。用0HU的DL测量的SM和SV（^AISM_0HU%和^AISV_0HU%）可以有效地对生存风险进行分层，而无需考虑不同的临界值，并且优于^2D-AIMSSA_0HU%。^AISM_0HU%和^AISV_0HU%是独立的风险因素。 

图 显示了0 HU对混合磨玻璃结节 (mGGNs) 的分割效果。红色代表磨玻璃体积 (GGO)，绿色代表密度等级大于OHU的区域

本项研究表明，DL算法可替代人工对LUAD进行更准确的T分期。对于GGNs，^AISM_0HU%比^RMSSA%更实现患者的预后预测。^AISM_0HU%和^AISV_0HU%的预测效果比^2D-AIMSSA_0HU%更加准确，而且两者都是独立的风险预测因素。 

原文出处：

Ying Zhu,Li-Li Chen,Ying-Wei Luo,et al.Prognostic impact of deep learning-based quantification in clinical stage 0-I lung adenocarcinoma.DOI:10.1007/s00330-023-09845-0