機(jī)器學(xué)習(xí)聯(lián)合CT影像組學(xué)賦能胃癌HER2狀態(tài)評(píng)估，構(gòu)建穩(wěn)健的無(wú)創(chuàng)輔助診斷新模型。

胃癌（GC）是全球主要的癌癥負(fù)擔(dān)之一，其發(fā)病率和死亡率長(zhǎng)期位居惡性腫瘤前列，嚴(yán)重威脅人類(lèi)健康[1]。人表皮生長(zhǎng)因子受體2（HER2）作為胃癌關(guān)鍵的驅(qū)動(dòng)基因，其過(guò)表達(dá)狀態(tài)直接決定了患者能否從抗HER2靶向藥物（如曲妥珠單抗）中獲益[2]。近年來(lái)，基于ToGA研究的確立，曲妥珠單抗聯(lián)合化療已成為HER2陽(yáng)性晚期胃癌的一線標(biāo)準(zhǔn)治療方案，顯著延長(zhǎng)了患者的總生存期。目前臨床金標(biāo)準(zhǔn)依賴(lài)于有創(chuàng)操作，不僅受限于取材部位的局限性，難以反映腫瘤整體的時(shí)空異質(zhì)性，且耗時(shí)費(fèi)力，導(dǎo)致部分患者因無(wú)法耐受或檢測(cè)結(jié)果假陰性而錯(cuò)失治療窗口[3]。因此，如何利用無(wú)創(chuàng)的影像學(xué)手段，通過(guò)挖掘肉眼無(wú)法識(shí)別的深層特征來(lái)全面表征腫瘤的生物學(xué)行為，并構(gòu)建高精度的HER2狀態(tài)預(yù)測(cè)模型，已成為實(shí)現(xiàn)胃癌精準(zhǔn)診療分層亟待突破的關(guān)鍵問(wèn)題。

一項(xiàng)發(fā)表在

Academic Radiology

研究設(shè)計(jì)

該研究將納入來(lái)自三個(gè)不同醫(yī)療中心的1059例胃癌患者樣本，依據(jù)免疫組化和FISH檢測(cè)結(jié)果劃分為HER2陽(yáng)性組和HER2陰性組。該研究的核心方法是采用高通量影像組學(xué)技術(shù)（FAE）對(duì)患者靜脈期CT圖像中的直方圖特征和紋理特征進(jìn)行提取、標(biāo)準(zhǔn)化及降維分析。研究的核心在于通過(guò)對(duì)比遞歸特征消除（RFE）等多種特征篩選策略與SVM、Lasso回歸等機(jī)器學(xué)習(xí)分類(lèi)器的組合，構(gòu)建穩(wěn)健的影像組學(xué)標(biāo)簽以闡明影像表型與基因表達(dá)之間的潛在關(guān)聯(lián)。研究的核心發(fā)現(xiàn)是基于RFE特征篩選和LR-Lasso分類(lèi)器構(gòu)建的模型展現(xiàn)出最佳的預(yù)測(cè)效能和臨床凈獲益，提示其作為一種有效的無(wú)創(chuàng)輔助工具，能幫助臨床排除非HER2陽(yáng)性患者，從而有力地指導(dǎo)胃癌患者的精準(zhǔn)分層和減少不必要的有創(chuàng)活檢。

研究結(jié)果

該研究首先評(píng)估了不同特征篩選方法與機(jī)器學(xué)習(xí)分類(lèi)器組合對(duì)胃癌HER2表達(dá)狀態(tài)的預(yù)測(cè)有效性。通過(guò)對(duì)提取的影像組學(xué)特征進(jìn)行降維與篩選分析，結(jié)果顯示，在特征選擇階段，RFE和方差分析（ANOVA）的表現(xiàn)顯著優(yōu)于Kruskal-Wallis檢驗(yàn)（KW）和Relief算法。結(jié)合分類(lèi)器進(jìn)一步分析發(fā)現(xiàn)，LR-Lasso構(gòu)建的模型，在訓(xùn)練集中展現(xiàn)了最高的預(yù)測(cè)效能，顯著優(yōu)于SVM模型。這表明RFE特征篩選策略結(jié)合LR-Lasso算法是構(gòu)建HER2影像組學(xué)預(yù)測(cè)標(biāo)簽的最佳潛在策略。

圖1 不同特征選擇方法建立模型的比較

在模型驗(yàn)證和泛化能力方面，研究利用獨(dú)立外部測(cè)試集（中心C）顯示，RFE+LR-Lasso模型保持了高度的穩(wěn)健性。該模型在外部測(cè)試集中的曲線下面積（AUC）達(dá)到了0.8033，且優(yōu)于ANOVA構(gòu)建的模型以及所有的SVM模型。統(tǒng)計(jì)分析進(jìn)一步證實(shí)，該模型在訓(xùn)練集和測(cè)試集之間未表現(xiàn)出顯著的過(guò)擬合現(xiàn)象，且能夠有效捕捉靜脈期CT圖像中與HER2表達(dá)相關(guān)的微觀紋理差異。這證實(shí)了利用單時(shí)相CT影像特征進(jìn)行跨中心HER2狀態(tài)預(yù)測(cè)的可行性。

圖2 訓(xùn)練集、交叉驗(yàn)證訓(xùn)練集（cv_training）及測(cè)試集中的ROC曲線

臨床決策與診斷效能分析揭示了該影像組學(xué)模型的關(guān)鍵應(yīng)用價(jià)值：決策曲線分析（DCA）顯示，當(dāng)高風(fēng)險(xiǎn)閾值超過(guò)0.4時(shí)，RFE+LR-Lasso模型相比其他模型能為患者帶來(lái)顯著更高的臨床凈獲益。此外，診斷效能評(píng)估發(fā)現(xiàn)，該模型雖然陽(yáng)性預(yù)測(cè)值（PPV）有限，但具有極高的陰性預(yù)測(cè)值（NPV=0.9834）和較高的敏感性。這提示該影像組學(xué)標(biāo)簽可能作為一個(gè)高效的“排除性”生物標(biāo)志物，通過(guò)高可信度地識(shí)別HER2陰性患者，從而減少不必要的有創(chuàng)活檢和檢測(cè)成本，優(yōu)化胃癌患者的臨床診療路徑。

圖3 訓(xùn)練集和驗(yàn)證集的決策曲線比較

總結(jié)

本研究通過(guò)對(duì)胃癌患者隊(duì)列進(jìn)行基于CT影像組學(xué)的多中心回顧性分析，有效評(píng)估了靜脈期影像紋理特征在無(wú)創(chuàng)預(yù)測(cè)HER2表達(dá)狀態(tài)中的重大價(jià)值。研究清晰地揭示了基于RFE篩選并結(jié)合Lasso邏輯回歸構(gòu)建的影像組學(xué)標(biāo)簽，可以作為評(píng)估胃癌HER2狀態(tài)的潛在無(wú)創(chuàng)生物標(biāo)志物。更重要的是，該研究通過(guò)多中心獨(dú)立驗(yàn)證和決策曲線分析，證實(shí)了該影像組學(xué)模型在不同中心數(shù)據(jù)間具有高度的穩(wěn)健性以及優(yōu)于傳統(tǒng)臨床模型的臨床凈獲益。這一無(wú)創(chuàng)評(píng)估能超越傳統(tǒng)的局部活檢限制，以極高的NPV協(xié)助排除非HER2陽(yáng)性患者，從而識(shí)別出可能因腫瘤異質(zhì)性而被病理檢測(cè)漏診的潛在特殊人群。這為開(kāi)展針對(duì)胃癌的精準(zhǔn)分層和減少不必要的有創(chuàng)檢查提供了強(qiáng)有力的影像學(xué)依據(jù)，并允許在病理結(jié)果存疑時(shí)對(duì)HER2狀態(tài)進(jìn)行潛在的補(bǔ)充評(píng)估。盡管本研究存在僅基于2D圖像分析且陽(yáng)性樣本比例較低的局限性，但其采用的大樣本多中心驗(yàn)證設(shè)計(jì)具有重要價(jià)值。隨著對(duì)CT影像組學(xué)特征理解的加深，這種基于計(jì)算醫(yī)學(xué)的輔助診斷模型有望被納入未來(lái)的胃癌臨床實(shí)踐，以更精準(zhǔn)地指導(dǎo)患者的個(gè)體化靶向治療。

參考文獻(xiàn)：

1. Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin. 2024;74:229–63.

2. Bang Y-J, Van Cutsem E, Feyereislova A, et al. Trastuzumab in combination with chemotherapy versus chemotherapy alone for treatment of HER2-positive advanced gastric or gastro-oesophageal junction cancer (ToGA): a phase 3, open-label, randomised controlled trial[J]. Lancet. 2010;376:687–97.

3. Eric Van Cutsem, Bang Y-J, Feng-Yi F, et al. HER2 screening data from ToGA: targeting HER2 in gastric and gastroesophageal junction cancer[J]. Gastric Cancer. 2015;18:476–84.

4. Wu ZH, Ren XR, Meng YQ, et al. Non-invasive Assessment of Human Epidermal Growth Factor Receptor 2 Expression in Gastric Cancer Based on Deep Learning: A Computed Tomography-based Multicenter Study[J]. Acad Radiol. 2025;32(5):2596-2603.

審批編號(hào)：CN-173732 有效期至：2026-12-09
本材料由阿斯利康提供，僅供醫(yī)療衛(wèi)生專(zhuān)業(yè)人士參考

*“醫(yī)學(xué)界”力求所發(fā)表內(nèi)容專(zhuān)業(yè)、可靠，但不對(duì)內(nèi)容的準(zhǔn)確性做出承諾；請(qǐng)相關(guān)各方在采用或以此作為決策依據(jù)時(shí)另行核查。