摘要：

背景 肺癌是全球癌症相关死亡的最主要原因,不论是在国内还是国际上,肺癌的发病率和病死率都高居各类癌症前列,患病人数和死亡率仍然呈现出逐年增加的趋势.手术,放疗,化疗是当前治疗肺癌的三大传统方法,在肺癌的治疗史上发挥了不可磨灭的作用.近十年,肿瘤分子病理学领域的巨大进步促进了我们对非小细胞肺癌潜在病理机制及显著异质性的理解,多条信号通路及导致恶性转化的致癌性驱动突变被发掘出来,具体到临床实践,对肿瘤组织进行这类驱动突变的分子检测已经成为了常规,且而针对各类突变的靶向治疗药物正不断被开发.作为综合治疗的重要一环,分子靶向治疗以其独特的优势和明显的治疗效果,得到了许多医学学者的认可,而早期筛选适合于靶向治疗的患者已成为迫切的需求. 放射组学作为一门新兴学科,目前正与临床肿瘤学深度结合,其相关研究已经在于多个癌肿的辅助诊断,分类或分级,以及预测模型的构建中发挥重要的作用.目前大多数针对肺恶性肿瘤基因突变的放射组学研究将肺部原发病灶和区域淋巴结作为首选的图像分割对象,而针对胸腔内其他继发病灶的放射组学分析较少.在此,本文着重探讨了胸腔积液的放射组学分析对于患者EGFR突变阳性的预测可能性及其预测效能. 目的 本研究旨在探讨基于晚期肺腺癌胸腔积液的放射组学分析所得的预测模型对于晚期肺腺癌患者的EGFR突变阳性的预测价值. 患者与方法 回顾性收集了于温州医科大学附属第一医院就诊的共276名初诊为"肺恶性肿瘤,胸膜继发恶性肿瘤"的患者,依据排除条件筛选出117名符合条件的入组患者,其中包含有EGFR阳性组(N=78)和EGFR阴性组(N=39),依据7:3的分割比例的随机分为训练集(N=81)和测试集(N=36)用于线性模型拟合,采用支持向量机(SVM)方法拟合机器学习模型.对两种模型的预测效能采用绘制受试者功能曲线(ROC)和计算对应的曲线下面积(AUC)来表示. 结果 117名患者中有78人为EGFR阳性,39人为EGFR阴性,训练集和测试集中EGFR阳性和阴性的比例保持为2:1.经筛选,共有10项放射组学特征被认为和患者的EGFR状态有相关性,而患者的年龄,性别,肿瘤部位,吸烟史,基础疾病(高血压,糖尿病)等临床因素与患者EGFR状态无相关性.利用ROC曲线建立了基于风险因素识别的EGFR阳性预测模型,由线性模型得出的放射组学得分(radiomicsscore)在训练集和测试集中的曲线下面积分别为0.772(95%CI:0.665-0.858,Plt;0.001)和0.799(95%CI:0.632-0.913,Plt;0.001),由训练集得出的放射组学分数截断值为-0.041;基于SVM的放射组学机器学习模型的曲线下面积为0.858(95%CI:0.781~0.916). 结论 本研究所建立的基于放射组学特征的模型可以敏感地筛选EGFR突变阳性的患者,在临床实践中可能是一种有潜力的无创EGFR突变状态预测工具.

展开