新探求构建精确列线图，助力EGFR突变无创筛查与诊疗。
跟着酪氨酸激酶阻止剂（EGFR-TKI）在EGFR突变型晚期非小细胞肺癌（NSCLC）诊治中的地位日益自由，快速、准确地识别EGFR突变现象成为临床引申的要津。尽管组织基因检测如故金圭臬，但其侵入性、取样局限性和时空异质性甩掉了平素愚弄。发表于Frontiers in Oncology上一项探求[1]，提议一种基于¹⁸F-FDG PET与薄层CT影像组学特征，结合多种机器学习算法构建的预测模子，并进一步整合临床与影像学特征酿成可视化列线图，为EGFR突变现象的无创预测提供了新器具。
探求配景与临床问题
肺癌是世界联系物化的紧要原因，其中NSCLC占绝大无数。EGFR突变动作NSCLC中最常见的驱动基因变异之一，尤其在亚洲东说念主群和非抽烟患者中高频出现。EGFR-TKI的愚弄显赫改善了突变患者的活命结局，然则，耐药问题如故制约疗效的瓶颈。当前，EGFR突变检测主要依赖组织样本，存在侵入性高、样本不及、无法反应肿瘤合座异质性等问题。液体活检虽具便利性，但其明锐性与雄厚性仍有待提高。
影像学动作一种非侵入性、可重叠的检测期间，展现出预测基因突变的后劲。传统CT所在如毛刺征、胸膜牵拉等与EGFR突变存在一定关联，但依赖主不雅判断，穷乏量化圭臬。¹⁸F-FDG PET/CT动作代谢显像的伏击器具，其代谢参数如SUVmax、TLG等与EGFR突变的关系尚存争议。影像组学通过高通量索要图像特征，将图像漂流为可挖掘的数据，已在肿瘤会诊、疗效评估与预后预测中展现出深广出息。
尽管已有多个探求尝试构建基于影像组学的EGFR预测模子，但无数探求仅遴选单一建模步地，可能影响模子的沉静性与泛化才能。本探求在此基础上鞭策了一步，不仅比拟了四种机器学习算法的遵循，还进一步将最优影像组学模子与临床、影像学特征整合，构建出具有较高临床实用性的长入预测模子与可视化列线图。
探求联想与步地
本探求回首性纳入了313例经病理阐述且完成EGFR基因检测的NSCLC患者，按8:2比例随即分为素质集（n=250）与考证集（n=63）。所有患者均在诊治前一个月内收受¹⁸F-FDG PET/CT及薄层CT扫描。
图像处置与特征索要
由两名教会丰富的核医学医师盲法勾勒肿瘤感好奇体积。影像组学特征使用Python的PyRadiomics包进行索要，共赢得来自PET和CT图像的1888个开动特征。探求团队谨守严格的特征筛选历程：率先通过Pearson联系性分析（|r| ≥ 0.90）去除冗余特征，随后通过方差分析筛选出前60个最具差别度的特征。为保证特征的可重叠性，仅保留组内与组间联系所有均大于0.9的特征。临了，遴选LASSO总结结合10折交叉考证，进一步筛选出6个最优影像组学特征用于模子构建。
模子构建与考证
探求遴选逻辑总结、随即丛林、扶助向量机与XGBoost四种机器学习算法构建基于影像组学特征的预测模子。通过5折交叉考证评估模子沉静性，并以弧线底下积动作主要性能经营。此外，探求还分别构建了基于临床变量（如抽烟史、性别、病理类型）和影像学特征（如毛刺征、胸膜牵拉、空气支气管征）的预测模子。最终，将最优影像组学模子的Rad-score与筛选出的临床、影像学特征整合，构建长入预测模子，并进一步可视化为列线图。模子性能通过ROC弧线、校准弧线、Hosmer-Lemeshow历练及决议弧线分析进行全面评估。
探求恶果：从单一模子到整合器具的遵循演进
影像组学模子的比拟与优选
在四种机器学习算法中，基于随即丛林的影像组学模子阐述出最优且沉静的预测性能，其在素质集与考证结合的AUC分别为0.785和0.776。该模子的性能显赫优于逻辑总结与扶助向量机模子，并与XGBoost模子相配。因此，探求采纳RF模子动作最优影像组学模子，并从中养殖出Rad-score用于后续分析。
临床与影像学模子的孝顺
单独建造的临床模子（整合了抽烟史、性别、腺癌/鳞癌等变量）在素质集与考证结合的AUC分别为0.711和0.758。而基于CT形态学特征（如毛刺征、胸膜牵拉、空气支气管征）的影像学模子预测遵循相对有限，AUC分别为0.632和0.677。这标明，尽管这些特征与EGFR突变存在已知关联，但单独使用时预测才能中等。
长入模子的特别性能与列线图构建
本探求最中枢的发当前于，将Rad-score与临床、影像学特征整合的长入预测模子，取得了最好的预测遵循。该模子在素质集与考证结合的AUC分别高达0.872和0.831。DeLong历练阐述，长入模子的AUC显赫优于单独的临床模子、影像学模子及RF影像组学模子。基于此长入模子构建的列线图，为临床医师提供了直不雅、个性化的预测器具。在列线图各预测因子中，Rad-score的孝顺权重最高。校准弧线表露预测概率与践诺不雅察恶果高度一致，决议弧线分析则进一步讲解了该列线图在较大阈值概率边界内具有显赫的临床净获益。
辩论与临床启示
特出传统影像：影像组学与机器学习的协同价值
本探求阐述，从¹⁸F-FDG PET与薄层CT中索要的影像组学特征，大约有用捕捉与EGFR突变现象联系的肿瘤异质性信息。值得看重的是，最终筛选出的6个要津特征中，有5个起首于小波变换后的图像。小波变换能有用瓦解图像信息，揭示顽固在原始数据中的纹理与高频模式，这可能更真切地反应了肿瘤里面的生物学特色，如细胞罗列、代谢异质性等，这些信息是传统视觉评估或单一代谢参数无法提供的。随即丛林算法因其能处置高维特征、对荒谬值不解锐、且能评估变量伏击性，在本探求中展现出其动作影像组学建模器具的私有上风。
整合政策：竣事“1+1+1>3”的预测遵循
本探求的另一伏击启示在于“整合”的价值。单纯的临床风险成分、CT形态学所在或影像组学模子均存在预测才能的上限。然则，当将这些不同维度的信息有机结合时，长入模子竣事了预测性能的显赫进步。这请示咱们，EGFR突变的现象受到来自宏不雅（临床表型）、形态（影像所在）与微不雅（影像组学所反应的异质性）多个层面的共同影响。这种多维度整合的念念路，与当代精确医学所意见的“全景式”个体化评估理念高度契合。
临床漂流与曩昔瞻望
该探求所开辟的列线图器具，将复杂的机器学习模子漂流为可视化的评分系统，极大进步了其在临床引申中的易用性。医师可通过患者的临床信息、CT通晓中的要津所在以及自动打算出的Rad-score，快速估算其存在EGFR突变的概率，从而为是否优先进行侵入性组织活检或采纳何种基因检测政策提供决议扶助。这关于医疗资源受限或患者无法耐受反回生检的情况尤为伏击。
论断
该探求标明，基于¹⁸F-FDG PET与薄层CT的影像组学，结合机器学习算法，大约有用预测NSCLC患者的EGFR突变现象。通过整合影像组学、临床及影像学特征所构建的长入模子与列线图，不仅展现了优厚的预测准确性，更具备细密的校准度与临床实用性。这一非侵入性、可视化的预测器具，有望成为现存基因检测步地的有劲补充，助力临床医师更早、更准地识别EGFR突变东说念主群，优化诊治决议，推动NSCLC的精确诊疗程度。
参考文件：
[1]Li J, et al. Prediction of EGFR mutations in non-small cell lung cancer: a nomogram based on 18F-FDG PET and thin-section CT radiomics with machine learning. Front Oncol. 2025 Apr 2;15:1510386.
审批编号：CN-173111 有用期至：2026-02-27
本材料由阿斯利康提供，仅供医疗卫生专科东说念主士参考
*“医学界”竭力所发表内容专科、可靠，但不合内容的准确性作念出容许；请联系各方在遴选或以此动作决议依据时另行核查。