跳转至

第 44 章 肺癌表征与预后：AI 的角色（Lung Cancer Characterization and Prognosis: The Role of Artificial Intelligence）

作者

  • Carolyn Horst, AB, MA, MBBS, PhD（通讯作者）—— Department of Cancer Imaging, School of Biomedical Engineering and Imaging Sciences, King's College London, UK；Department of Radiology, Guy's and St Thomas' NHS Foundation Trust。
  • Vicky Goh, MA, MBBChir, MD, MRCP, FRCR —— 同单位。
  • Robert O'Shea, MB BCh, BAO, MSc —— Department of Cancer Imaging, King's College London。

本章位于 Part IV 胸部应用部分，承接第 43 章（肺癌筛查）后，转向肺癌表征与预后——AI 在已诊断肺癌的"分型 + 基因 + 预后" 全链路应用。属于"应用 + 综述"性质的章节，重点是影像组学（radiomics）+ 放射基因组学（radiogenomics）在肺癌上的应用。Horst / Goh 团队来自伦敦国王学院，是欧洲癌症影像核心。

内容概述

全球每年 210 万例肺癌、180 万死亡，5 年生存率低。AI 在肺癌上的应用已从"筛查" 扩展到"诊断后全链路"。本章按"分期 / 组织学 / 治疗 → 表型 → 基因型 → 治疗反应 / 预后 → AI 工具"组织：

  1. 肺癌分期与治疗：
  2. NSCLC 80%（腺癌、鳞癌、大细胞癌）+ SCLC 20%
  3. TNM 8th edition (2017)
  4. 治疗：手术、放疗（SBRT/SABR）、化疗、靶向（TKI：EGFR / ALK）、免疫（PD-1/PD-L1）
  5. 表型（Phenotyping）：
  6. CT 区分 ADC / SCC / LCC / NOS
  7. Han et al. 影像组学 + ML 区分 ADC vs. SCC，AUC 0.90、敏感 92%、特异 81%
  8. 腺癌亚型（AIS、MIS、IAC）AUC 0.80–0.89
  9. 基因型（Genotyping）：
  10. 影像组学预测 EGFR 突变（AUC < 0.7）
  11. 18F-FDG PET/CT 影像组学 + 临床特征 AUC 0.87、accuracy 81%
  12. ALK 融合预测
  13. 治疗反应 / 预后：
  14. 影像组学 + ML 预测免疫治疗反应
  15. SBRT 后的局部失败预测
  16. 生存预测
  17. AI 在肺癌全链路的价值：从分期到个性化治疗的"决策支持"。

核心方程与概念

1. NSCLC 分类与治疗

NSCLC 亚型： - 腺癌（ADC）：最常见（~ 60%），含 AIS、MIS、IAC - 鳞癌（SCC）：~ 25–30% - 大细胞癌（LCC）：~ 5–10% - NOS：未明确分类

靶向治疗： - EGFR 突变 → TKI（gefitinib, erlotinib, osimertinib） - ALK 融合 → ALK-TKI（crizotinib, alectinib） - PD-1/PD-L1 → 免疫检查点抑制剂（pembrolizumab, nivolumab）

2. 影像组学（Radiomics）

ROI 提取特征 → 选择 → 分类器： $\(\text{radiomic score} = \sum_i \beta_i \cdot \text{feature}_i\)$

3. 关键论文总结

研究 任务 方法 性能
Han ADC vs. SCC 影像组学 + ML AUC 0.90, Sen 92%, Spe 81%
多个小组 腺癌亚型 影像组学 AUC 0.80–0.89
多个小组 EGFR 突变 影像组学 AUC < 0.7
多个小组 EGFR 突变 18F-FDG PET/CT 影像组学 + 临床 AUC 0.87, Acc 81%

4. 关键概念辨析

  • "影像替代活检" 的限制：活检虽小但仍是金标准，影像可"补充" 而非"替代" 全肿瘤信息。
  • ADC vs. SCC 区分：Han AUC 0.90 看似良好，但未在外部数据集验证——可重复性是开放问题。
  • EGFR 突变预测的"低 AUC" 困境：影像组学对 EGFR 突变预测 AUC < 0.7——这远低于病理金标准。AI 在此任务上"不如病理"。
  • "代谢 vs. 形态" 信息互补：18F-FDG PET/CT 的代谢信息（SUVmax、肿瘤异质性）+ CT 形态信息可联合提升 EGFR 预测 AUC。
  • "AI 仅辅助" 在肺癌分型中的体现：AI 提供"可能性概率"，临床决策仍需整合活检 + 临床 + 影像。
  • "小样本 + 异质性" 的限制：肺癌影像组学多在单中心小样本，跨中心泛化难。
  • "AI 工具 vs. 病理" 角色定位：AI 是"决策支持"，病理仍是"金标准"。

关键结论

  • 全球 210 万 / 年肺癌、180 万 / 年死亡，AI 在肺癌全链路（筛查 → 分期 → 分型 → 基因型 → 治疗 → 预后）有广泛应用。
  • 影像组学 + ML 区分 ADC vs. SCC AUC 0.90（Han），是 NSCLC 分型 AI 的代表性成果。
  • 腺癌亚型（AIS / MIS / IAC）影像组学 AUC 0.80–0.89。
  • EGFR 突变预测影像组学 AUC < 0.7——AI 不如病理金标准。
  • 18F-FDG PET/CT 影像组学 + 临床特征预测 EGFR AUC 0.87、accuracy 81%。
  • ALK 融合预测影像组学正在研究中。
  • 治疗反应预测：免疫 + 靶向 + 放疗的多模态预测是热点。
  • AI 在肺癌上的应用从"分型" 扩展到"全肿瘤表征 + 治疗决策支持"。
  • 商业化路径：影像组学平台（如 LIFEx、PyRadiomics）+ 临床决策支持工具。
  • AI 在肺癌上的最大价值是"全肿瘤表征"——这是活检无法替代的。

挑战和开放性问题

  • 跨数据集泛化：影像组学多在单中心小样本，跨中心泛化难。
  • 小样本 + 异质性：罕见肺癌亚型样本稀缺。
  • DL 模型的"黑盒"问题：CNN 给出分型但难解释。
  • "影像替代活检" 的伦理与法规：AI 给出分型但仍需病理确认。
  • 跨扫描仪 / 跨中心标准化：CT 重建核差异影响影像组学特征。
  • 多组学整合：影像组学 + 基因组 + 病理 + 临床的真正多模态融合未充分挖掘。
  • 影像组学的"维度灾难"：数千特征 vs. 数百样本，过拟合风险。
  • AI 工具的临床整合路径：PACS 集成 + EMR 集成需工程 + 监管支持。
  • "AI 工具的持续学习" 与 FDA 监管不匹配：模型随时间更新 vs. FDA 一次性审批。
  • 国际泛化：AI 工具多在欧美训练，亚洲人群（特别是 EGFR 突变高发的东亚）泛化需验证。
  • 临床决策的"伦理责任"：AI 分型错误的医疗责任不明确。
  • 治疗反应预测的"时间动态"：影像组学多基于"基线" 特征，治疗过程中影像变化包含更丰富信息。
  • 多组学数据的"样本对齐"：影像 + 基因 + 临床的"病人级" 对齐是工程挑战。
  • "AI 工具商业化" 的早期阶段：相比肺结节检测（Ch 43），肺癌分型 AI 商业化进展更慢。

个人反思与批判性分析

  • 作者团队的"伦敦国王学院" 视角：Horst / Goh 来自 King's College London，是欧洲癌症影像重要中心。本章是"英国 / 欧洲视角" 的肺癌表征综述。
  • "影像替代活检" 的"现实 vs. 期望" 差距：影像组学声称能"看见全肿瘤"——但 EGFR 突变预测 AUC < 0.7 远低于病理（~ 95%）。读者应意识到"全肿瘤表征" 的工程价值（活检只采样一部分），但不应高估"影像替代活检" 的现实可行性。
  • "小样本 + 异质性" 的工程瓶颈：肺癌影像组学研究多在单中心 ~ 100–500 例——这与"千例级" 的深度学习标准有差距。AI 工具的"工业级" 训练需要多中心合作（如 NELSON、NLST、UK Biobank）。
  • "AI 仅辅助" 在肺癌分型中的体现：AI 给出 ADC / SCC 概率、EGFR 突变概率，但临床决策仍需整合活检 + 临床 + 影像——这是医学 AI 的"决策支持" 定位，而非"决策者"。
  • "AI 工具商业化" 的领跑者：肺癌分型 AI 商业化进展比肺结节检测（Ch 43）慢——这是"诊断" 比"筛查" 更难的体现。
  • "代谢 vs. 形态" 信息互补：18F-FDG PET/CT 影像组学 + 临床特征 AUC 0.87 vs. 单纯 CT 影像组学 AUC < 0.7——这是"多模态融合" 的早期实证。
  • "AI 工具的可解释性" vs. "医生接受度"：影像组学虽比 DL CNN 更"可解释"（特征可解读），但仍难告诉医生"为什么 AI 说这是 ADC"——临床接受度有限。
  • "亚洲人群 EGFR 高发" 的工程意义：东亚人群（特别是中国、日本、韩国）EGFR 突变率显著高于欧美（~ 30–50% vs. ~ 10–15%）——AI 工具在亚洲的临床价值远高于欧美。
  • "AI 万能" vs. "AI 仅辅助"：本章在 ADC/SCC 区分（Han AUC 0.90）、PET/CT 多模态（EGFR AUC 0.87）上乐观，在 EGFR 单纯影像（AUC < 0.7）、跨中心泛化、临床整合上保守。这种"该强则强、该弱则弱" 是肺癌表征 AI 的工程现实。
  • "早筛 vs. 分型 vs. 预后" 的 AI 工具成熟度梯度：早筛（Ch 43）AI 工具最成熟、分型（本章）次之、预后（治疗反应 + 生存）最不成熟。这种"成熟度梯度" 反映"任务难度" 的差异。
  • 与第 43 章的协同：本章是"肺癌表征 + 预后" 主题，与 Ch 43（肺癌筛查 + 结节检测）形成"早筛 → 诊断后" 的全链路。读者通过对比可学会"AI 在肺癌不同时期的不同价值"。

重要参考文献

  • [X1] Bray F, Ferlay J, Soerjomataram I, et al. Global cancer statistics 2018. CA Cancer J Clin. 2018;68(6):394-424.
  • [X2] Detterbeck FC, Boffa DJ, Kim AW, et al. The eighth edition lung cancer stage classification. Chest. 2017;151(1):193-203.
  • [X3] Allemani C, Matsuda T, Di Carlo V, et al. Global surveillance of trends in cancer survival 2000-14 (CONCORD-3). Lancet. 2018;391(10125):1023-75.
  • [X4] Ferreira Junior JR, Koenigkam-Santos M, Cipriano FEV, et al. Radiomics-based features for pattern recognition of lung cancer histopathology and metastases. Comput Methods Programs Biomed. 2018;159:23-30.
  • [X5] Han Y, Ma Y, Wu Z, et al. Histologic subtype classification of non-small cell lung cancer using PET/CT images. Eur J Nucl Med Mol Imaging. 2016;43(12):2210-7.
  • [X6] Yoshizawa A, Motoi N, Riely GJ, et al. Impact of proposed IASLC/ATS/ERS classification of lung adenocarcinoma: prognostic subgroups and implications for further revision of staging classifications. J Thorac Oncol. 2011;6(11):1845-53.
  • [X7] Liu J, Cui J, Liu F, et al. Multi-subtype classification model for non-small cell lung cancer based on radiomics feature. J Med Imaging Health Inform. 2017;7(4):1033-40.
  • [X8] Yuan M, Zhang YD, Pu XH, et al. Comparison of radiomics analysis based on thin-section CT between lung adenocarcinoma manifesting as solid nodules and subsolid nodules. Eur Radiol. 2019;29(9):4671-7.
  • [X9] Park S, Lee SM, Kim S, et al. Volume-based prediction of lung cancer in noncalcified nodules on low-dose CT. Radiology. 2018;288(1):248-56.
  • [X10] Aerts HJWL, Velazquez ER, Leijenaar RTH, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun. 2014;5:4006.
  • [X11] Gevaert O, Echegaray S, Khuong A, et al. Predictive radiogenomics modeling of EGFR mutation status in lung cancer. Sci Rep. 2017;7:41674.
  • [X12] Zhou M, Leung A, Echegaray S, et al. Non-small cell lung cancer radiogenomics map identifies relationships between molecular and imaging phenotypes with prognostic implications. Radiology. 2018;286(1):307-15.
  • [X18] Shiri I, Maleki H, Hajianfar G, et al. Next-generation radiogenomics sequencing for prediction of EGFR and KRAS mutation status in NSCLC patient using multi-omics imaging feature. Sci Rep. 2020;10:9384.
  • [X19] Lee SM, Bae SK, Jung SJ, et al. FDG uptake in non-small cell lung cancer is not an independent predictor of EGFR or KRAS mutation status. PLoS One. 2016;11(10):e0164655.
  • [X20] Zhang M, Bao Y, Rui W, et al. Performance of 18F-FDG PET/CT radiomics for predicting EGFR mutation status in non-small cell lung cancer. Front Oncol. 2020;10:568857.