尽管在过去的十年中，诊断学和治疗学取得了进展，然而肺癌仍然是全世界最常见的癌症死亡原因。肺癌患者的5年生存率低，1期为57%，IV期为3%[.为了精确的风险分层和随后的治疗优化，临床上迫切需要一个比分期系统更好的预测工具。

深度学习 (DL) 模型在分析 CT 图像中显示出了令人满意的结果，各种方法已经尝试开发基于CT的DL预测肺癌患者的预测模型，术前基于CT的预测对于早期肺癌患者选择手术方式(肺叶下切除术或肺叶切除术) 和确定新辅助治疗方案尤其有用。建立基于CT的DL模型，为肺癌的组织病理学危险因素提供了形态学危险评分和影像学替代指标，比术后生存数据更可靠、更易获得。

近日，发表在European Radiology杂志的一项研究开发并验证了一项基于CT的深度学习(DL)模型，该模型可以学习肺腺癌预后的形态学和组织病理学特征，并将其与先前开发的DL离散时间生存模型进行了比较。

研究训练了DL模型，同时预测肺腺癌切除术患者术前胸部CT扫描的五种形态学和组织病理学特征。以无复发(FFR)和总生存(OS)为结果，在时间和外部测试集中验证DL评分。使用受试者工作特征曲线下的时间依赖面积(TD-AUC)评估鉴别性，并与DL离散时间生存模型进行比较。此外，研究同时进行了多变量Cox回归分析。

在测试集中(640例);中位年龄64岁)，5年FFR的TD-AUC为0.79,5年OS的TD-AUC为0.73。外试组（846例;中位年龄65岁)，5年OS的TD-AUC为0.71，与病理分期相当(0.71 vs. 0.71 [p = 0.74])。DL评分的预后价值与临床因素无关(经校正的FFR(时间检验)的百分比风险比为1.02 [95% CI: 1.01-1.03;P < 0.001];OS(时间检验)，1.01 [95% CI: 1.002-1.02;P = 0.01];OS(外部检验)，1.01 [95% CI: 1.005-1.02;P < 0.001])。研究模型显示TD-AUC高于DL离散时间生存模型，但无统计学意义(2.5年OS: 0.73 vs 0.68;P = 0.13)。

 表  DL评分的多变量Cox回归分析

本项研究表明，基于CT的形态学和组织病理学特征的集体深度学习具有增强肺腺癌预后和优化术前/术后管理的潜力。

原文出处：

Taehee Lee,Kyung Hee Lee,Jong Hyuk Lee,et al.Prognostication of lung adenocarcinomas using CT-based deep learning of morphological and histopathological features: a retrospective dual-institutional study.DOI:10.1007/s00330-023-10306-x