利用对比增强T1加权成像的放射组学特征及临床指标预测EGFR突变型非小细胞肺癌脑转移患者对EGFR-TKI药物的反应情况

《BMC Medical Imaging》：Radiomics using contrast-enhanced T1-weighted imaging and clinical features for predicting response to EGFR-TKIs in EGFR-mutated non-small cell lung cancer patients with brain metastases

　　

摘要

研究目的

旨在构建并验证一种基于临床特征和磁共振成像（MRI）影像组学的模型，用以预测EGFR突变型非小细胞肺癌脑转移患者使用表皮生长因子受体酪氨酸激酶抑制剂后的1年疗效。

研究方法

本研究回顾性分析了来自三个中心的338例EGFR突变型非小细胞肺癌脑转移患者的资料，包括MRI图像、临床及病理数据以及影像学特征。首先从CE-T1WI图像的肿瘤内部区域中筛选出具有显著意义的影像组学特征，同时探讨了这些特征在肿瘤周围3毫米、5毫米和8毫米区域内的价值。随后比较了七种常用的机器学习算法，选出最适合用于模型构建的算法。在预测1年治疗疗效的模型中，分别构建了基于临床数据、影像组学数据以及两者结合的模型，并通过接收者操作特征曲线来评估模型的性能。

研究结果

最终用于模型构建的样本来自第一个中心，共有285例患者；而外部验证集则来自第二和第三个中心，共有57例患者。在预测1年EGFR-TKIs疗效的模型中，采用了表现最佳的随机森林算法。与仅基于影像组学数据或临床数据的模型相比，结合两种数据的模型在测试集中的曲线下面积更高（分别为0.756、0.644和0.668）。在外部验证集中，该组合模型的曲线下面积为0.743（95%置信区间：0.604–0.881）。

结论

与单独的临床模型或影像组学模型相比，结合两种数据的模型在预测EGFR突变型非小细胞肺癌脑转移患者使用EGFR-TKIs后的1年疗效方面更具优势。