指南与共识胸部CTMRPET

无创影像预测新IASLC分级标准下肺浸润性非黏液腺癌分级的应用与进展

Application and progress of non-invasive imaging in predicting lung invasive non-mucinous adenocarcinoma under the new IASLC grading guidelines.
指南 / 共识 · Insights Imaging · 2025-01-02

本文综述2020年IASLC肺浸润性非黏液腺癌(INMA)新分级系统的建立与预后价值,并汇总CT、PET/CT、MRI及影像组学等无创方法预测该分级的应用与进展;新分级以20%高级别成分为界更准确判断预后,无创影像预测具有可行性。

要点

  • 新IASLC分级以20%为界:1级以贴壁为主且高级别成分<20%,2级以腺泡或乳头为主且高级别成分<20%,3级为任何组织学类型且高级别成分≥20%。
  • 高级别成分包括实体、微乳头及复杂腺体结构(筛状、融合腺体或单个细胞浸润促纤维增生间质)。
  • CT特征(空泡征、实性成分比例、清晰边缘等)及PET/CT的SUVmax与分级相关,SUVmax预测3级的cutoff为3.45、敏感度80.5%、特异度74.1%、AUC 0.828。

核心结论

  • 新IASLC分级系统较既往分级系统更准确判断肺INMA患者预后,无创影像方法可用于预测该分级,从而改善患者预后。

研究设计与样本

  • 本文为综述,检索策略见补充材料;汇总CT、PET/CT、PET/MR及影像组学等无创方法预测新IASLC分级的应用与进展。

关键影像表现/征象

  • 空泡征从1级到3级肺INMA逐渐减少,而实性成分比例(CTR)逐渐增加。
  • 纯实性表现、圆形或椭圆形、毛刺征及空泡征是3级肺INMA的独立预测因素。
  • 随着肿瘤分级升高,磨玻璃结节比例下降而实性结节比例显著增加。
  • 3级肺INMA的SUVmax显著高于2级和1级,中位SUVmax分别为4.7 vs 2.0 vs 1.3及5.3 vs 2.2 vs 1.5。

诊断标准与关键数值

  • 新IASLC分级:1级(高分化)以贴壁为主且无或<20%高级别成分;2级(中分化)以腺泡或乳头为主且无或<20%高级别成分;3级(低分化)任何组织学类型且≥20%高级别成分。
  • 高级别成分包括实体、微乳头及复杂腺体结构(筛状、融合腺体或单个细胞浸润促纤维增生间质)。
  • 区分2级与1级的CT模型AUC为0.783;区分3级与2级的CT模型AUC为0.759。
  • 预测3级肺INMA的CT模型AUC为0.907,阈值:CT值<−420 HU和≥−205 HU,CTR<25%和≥75%,肿瘤大小<12 mm和≥17 mm。
  • SUVmax预测3级肺INMA的cutoff为3.45,敏感度80.5%,特异度74.1%,AUC为0.828。

临床应用与阅片要点

  • 术前无创预测新IASLC分级具有挑战性,因INMA亚型复杂,活检和术中快速病理难以充分评估生长模式和分级。
  • 基于CT定量参数和形态学特征可区分相邻分级,体积法CTR较2D和语义模型预测性能更优。
  • 光谱CT对新IASLC分级3级的诊断效能(AUC 0.652–0.688)低于对2011版高级别组(AUC 0.700–0.853)。
  • SUVmax与吸烟史、癌胚抗原、CTR及空泡征联合模型预测3级肺INMA的AUC为0.869,优于单用SUVmax(AUC 0.793)。
  • TLG与IASLC分级密切相关,3级肿瘤中位TLG为6.82,显著高于1级和2级的3.39;MTV与分级无显著相关。

局限性

  • 基于CT影像预测新IASLC分级可能受解剖结构和患者个体差异影响,部分特征难以识别或判读。
  • 部分CT定量参数(如CTR)的计算可能需要复杂技术支持,限制其在临床常规中的应用。
  • CT图像判读依赖医师经验与专业水平,不同医师间结果可能不一致。
  • 光谱CT预测性能不理想可能与仅纳入实性肺腺癌、未评估亚实性肺腺癌及样本量小有关,需进一步研究。
  • SUVmax预测IASLC分级尚无统一标准,不同研究cutoff值不同,其潜在非线性关系尚不明确,需进一步研究。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2025 Jan 2;16:4. doi: 10.1186/s13244-024-01877-4

引言

肺癌是全球癌症相关死亡的主要原因,其发病率和死亡率在许多国家均居所有癌症之首[1–3]。肺腺癌是最常见的组织学类型,表现出多种组织学模式及比例[4],在分子特征、病理表现、预后和治疗方面显示出显著异质性,总体结局较差。约70%的肺腺癌患者确诊时已处于晚期[5, 6]。在所有类型的肺腺癌中,浸润性非黏液腺癌(INMA)最为常见。因此,对其进行准确分级和诊断尤为重要。然而,既往的分级系统大多依赖于对主要生长模式的单一评估,难以充分反映肿瘤的复杂性,与患者预后的相关性不足。为改善肺INMA患者的预后,2020年国际肺癌研究协会(IASLC)病理委员会提出了新的肺INMA分级系统[7],并被2021年版世界卫生组织(WHO)胸部肿瘤分类所采纳[4]。该新系统对肺INMA中的组织学亚型及其比例进行量化,与以往关注单一主要生长模式的分级系统相比,显著提高了患者预后分层的精确性[8–10]。准确的术前肿瘤分级对于确定肺INMA患者的治疗策略(包括手术切除范围、淋巴结清扫方式以及术前术后是否接受辅助治疗)至关重要[11–15]。因此,肺INMA的早期识别和组织学分级对于优化患者管理、实现肺癌的个体化精准诊疗具有重要意义。

由于肺浸润性非黏液腺癌(INMA)亚型的复杂性,准确诊断和分级已成为一大挑战。目前,肺INMA的明确分级主要依赖于肿瘤的完整组织学取样,而术中快速病理和活检是有创方法,无法充分评估肿瘤生长模式和分级[16]。术前影像学检查在预测肿瘤恶性程度、病理亚型、生长模式、治疗效果和预后方面具有重要意义[17–20]。许多研究表明,CT、PET/CT和PET/MR等无创影像技术可用于肺癌分级评估[20–24]。因此,开发无创影像方法以弥补有创方法的不足已成为研究热点。随着IASLC分级系统的引入,更多研究正在探索无创影像方法预测肺INMA新分级的可行性。此外,放射组学和深度学习方法近年来在肺癌领域取得了显著进展。这些方法能够从医学图像中提取人类难以区分的高通量细节特征,已成为疾病诊断、治疗和预后评估的重要工具。研究表明,放射组学和深度学习模型在预测新的IASLC分级方面优于传统影像特征模型[25–28],展示了其应用前景和价值。本文将综述新的IASLC分级系统的建立及其临床价值,总结利用无创影像方法预测新分级结果的研究现状和进展,并提出未来研究的方向和挑战,以改善肺INMA患者的预后。

文献检索策略见补充材料。

IASLC分级

IASLC分级的建立

自21世纪以来,肺癌的分类经历了三次重大调整(2004年、2015年和2021年)[4, 29, 30]。对于肺腺癌而言,最显著的变化发生在2011年,国际肺癌研究协会(IASLC)、美国胸科学会(ATS)和欧洲呼吸学会(ERS)联合发布了肺腺癌组织学分类[6]。该分类将肺腺癌细分为非典型腺瘤样增生(AAH)、原位腺癌(AIS)、微浸润性腺癌、浸润性腺癌(IAC)及其变异型,并根据生长方式进一步将IAC分为五种主要亚型:贴壁型、腺泡型、乳头型、微乳头型和实体型。2015年,世界卫生组织(WHO)采纳了该分类,并将IAC更名为浸润性非黏液腺癌(INMA),保留了原分类中的五种生长方式[30, 31]。根据2011年IASLC/ATS/ERS分类和2015年WHO分类,肺INMA根据主要生长方式分为三个分化等级:低级别(以贴壁型为主)、中级别(以腺泡型或乳头型为主)和高级别(以实体型或微乳头型为主)[30],即结构(Arch)分级系统,可用于预测肺腺癌患者的预后[32–34]。然而,尽管Arch分级系统提供了有用的预后信息,但其主要关注肿瘤的生长方式,而忽略了少量或小比例的高级别生长方式,这限制了其预后准确性。即使含有少量高级别生长方式(如微乳头型或实体型)的肺腺癌,通常预后也较差[35–38]。

为更准确地评估肺INMA的预后,IASLC于2020年推出了新的分级系统[7]。该系统根据主要组织学类型和高级别类型的比例(以20%为界值)对肿瘤进行分类[7, 39],将肺INMA分为三个等级:1级(高分化),以贴壁型为主,无或少于20%的高级组成分;2级(中分化),以腺泡型或乳头型为主,无或少于20%的高级组成分;3级(低分化),任何组织学类型伴有20%或以上的高级组成分。高级组成分包括实体型、微乳头型和复杂腺体结构(筛状、融合腺体或单个细胞浸润促结缔组织增生性间质)。该新分级系统仅适用于肺INMA,而AIS和AAH归类为前驱腺体病变。该分级系统已被纳入第5版(2021年)WHO胸部肿瘤分类,该版不再简单地将肺INMA描述为以特定组织学类型为主的腺癌,而是推荐使用IASLC分级系统[4]。肺INMA不同分级系统的比较见表1。

表1 肺INMA不同分级系统的比较 查看原表 ↗

IASLC分级的临床价值

自国际肺癌研究协会(IASLC)新分级系统提出以来,多项研究已证实其在预测肺浸润性非黏液腺癌(INMA)患者预后方面具有重要的实用价值。Kagimoto等[40]发现不同分级之间的无复发生存期(RFS)和总生存期(OS)存在显著差异。具体而言,从旧系统中级别(Arch分级)重新分类为3级(IASLC分级)的患者预后显著更差(5年RFS为65.2%),而IASLC 2级患者5年RFS为77.1%。此外,Fujikawa等[41]发现较高的IASLC分级与较短的OS和RFS相关,3级为独立预后因素[风险比(HR)分别为2.78和2.00]。She等[42]进一步证实新的IASLC分级系统可应用于常规病理诊断并有效对患者预后进行分层。Deng等[14]的研究也支持该分级系统作为预后评估的有效工具。这些研究表明新的IASLC分级系统能够准确预测患者预后,为临床医生术后治疗决策提供重要指导。

肺INMA的组织学分级还与病理侵袭性和纵隔淋巴结转移密切相关,在决定临床I期肺腺癌患者的手术策略中起着关键作用。例如,高级别腺癌通常需要肺叶切除和系统性淋巴结清扫[11–13]。此外,新的IASLC分级系统的预后分层可以提示患者是否需要辅助化疗。Hou等[15]显示,从旧系统中级别重新分类为IASLC 3级的患者可从辅助化疗中获得额外获益。此外,一项研究[41]表明肺INMA的新分级与基因突变相关。与3级肿瘤相比,表皮生长因子受体突变在1级和2级肿瘤中更为常见(71.6%),而Kirsten大鼠肉瘤病毒癌基因突变和转染重排融合在3级肿瘤中占主导地位(分别为65.0%和75.0%)。该信息对于为患者选择靶向治疗或新辅助放化疗方案至关重要。因此,新的IASLC分级系统对于准确预测肺INMA患者预后、显著指导个体化治疗方案和提高患者预后至关重要。

IASLC分级的比较研究

自新的IASLC分级系统发布以来,许多团队对各种肺腺癌分级系统进行了比较研究。Rokutan-Kurata等[8]在1241例患者的大队列中,对新的IASLC分级系统、Arch系统(基于主要模式)和Sica系统(基于两种主要模式)进行了比较。研究发现,IASLC系统对复发和死亡的预测性能与Sica系统相当,略高于Arch系统。这表明IASLC和Sica系统能够准确反映肺INMA患者的预后,优于Arch系统。Yanagawa等[9]显示,所有三种分级系统均可用于预测肺癌患者的预后。然而,新IASLC分级系统定义的3级肿瘤与1级肿瘤相比具有更高的风险比(OS:IASLC vs. Arch vs. Sica分级系统:HR = 3.77 vs. 3.03 vs. 2.63;RFS:HR = 4.25 vs. 2.69 vs. 2.4),表明新IASLC分级系统在检测高恶性度方面更优。此外,Kagimoto等[40]显示,从先前Arch系统的中间级别重新分类为IASLC 3级的患者,其预后显著差于IASLC 2级患者,但与高级别或IASLC 3级患者无显著差异,进一步证明了新IASLC系统具有更好的预后分层能力。Lucà等[10]也证实了IASLC分级系统在肺INMA中的独立预后价值,其提供了更好的预后分组。

总之,与以往的分级系统相比,新的IASLC分级系统显著提高了肺INMA患者预后评估的准确性。其原因主要有两点:新的IASLC系统在其分级标准中纳入了新的高级别类型——复杂腺体结构。研究表明,这些复杂腺体结构与高核分裂率、肿瘤坏死和肺脉管侵犯相关,而这些均与不良预后相关[43–45]。其次,以往的分级系统仅基于主要生长模式,而即使少量高级别模式也可影响预后。新的IASLC分级系统通过将任何具有20%或以上高级别模式的肺INMA定义为3级或低分化INMA(其临床行为和预后与以高级别模式为主的肺INMA相似),解决了以往系统未定量考虑高级别模式比例的问题。Arch分级系统和新IASLC分级系统的病理示意图见图1。

图1 Arch分级系统和新IASLC分级系统的病理示意图(由Figdraw绘制)。a 本例中肺浸润性非黏液腺癌(INMA)的生长模式以贴壁型为主,伴少量腺泡型和乳头型,在Arch分级系统中为低级别,在新IASLC分级系统中为1级,两者均为高分化。b 以贴壁型为主,微乳头型超过20%,在Arch分级系统中为低级别(高分化),但在新IASLC分级系统中为3级(低分化)。c 以贴壁型为主,实性型超过20%,在Arch分级系统中为低级别(高分化),但在新IASLC分级系统中为3级(低分化)。d 以乳头型为主,伴少量贴壁型,在Arch分级系统中为中级别,在新IASLC分级系统中为2级,两者均为中分化。e 以乳头型为主,微乳头型超过20%,在Arch分级系统中为中级别(中分化),但在新IASLC分级系统中为3级(低分化)。f 以乳头型为主,实性型超过20%,在Arch分级系统中为中级别(中分化),但在新IASLC分级系统中为3级(低分化)。g 以腺泡型为主,伴少量贴壁型,在Arch分级系统中为中级别,在新IASLC分级系统中为2级,两者均为中分化。h 以腺泡型为主,微乳头型超过20%,在Arch分级系统中为中级别(中分化),但在新IASLC分级系统中为3级(低分化)。i 以腺泡型为主,实性型超过20%,在Arch分级系统中为中级别(中分化),但在新IASLC分级系统中为3级(低分化) 查看原图 ↗

基于非侵入性影像预测IASLC分级

在 current 临床实践中,诊断肺INMA的病理组织学模式及分级主要依赖于完整肿瘤切除术所获得的病理标本。即使是侵入性活检技术,也因所获组织样本有限而难以准确评估肿瘤分级[16]。因此,迫切需要一种非侵入性检查方法。自2011年IASLC/ATS/ERS肺腺癌组织学分类以来,大量研究开始使用非侵入性影像方法预测Arch分级,包括单独预测高级别模式。这些研究主要基于CT、PET/CT、PET/MR图像及影像组学[18, 20–24]。鉴于Arch分级的局限性,新的IASLC分级系统已被开发并逐渐取代旧分级系统,获得广泛认可和应用。随着新分级系统的推广,更多研究者正在探索影像方法和影像组学方法预测新IASLC分级系统,旨在通过这些先进影像技术更准确地评估肺腺癌患者的病理特征和预后。这些研究的结果总结于表2。各方法预测新IASLC分级系统的比较见表3。

表2 预测肺INMA新IASLC分级的影像方法研究 查看原表 ↗
表3 非侵入性影像技术和影像组学方法预测新IASLC分级系统的比较 查看原表 ↗

基于CT影像预测IASLC分级

CT成像具有快速、便捷和高分辨率的特点。随着胸部CT在全球肺癌筛查中的广泛使用以及技术的进步,肺癌的早期发现和及时治疗已变得普遍,显著降低了肺癌死亡率[46, 47]。既往研究表明,CT影像特征(如空气支气管征、边缘清晰和血管集束征)有助于识别肺腺癌的不同病理组织学模式并对患者进行分层[21, 48–50]。在引入新的肺国际肺癌研究协会(IASLC)分级系统后,一些研究分析了术前CT定量参数和形态学特征与IASLC分级的关系。Volmonen等[51]的调查显示,空气支气管征从1级到3级肺浸润性黏液腺癌(INMA)逐渐减少,而实性肿瘤比率(CTR)增加。在亚组分析中,实性/亚实性类型、CTR、边缘清晰和空气支气管征是区分2级与1级肺INMA的独立因素,该模型的曲线下面积(AUC)为0.783;实性部分/整个肿瘤比率的大小、实性部分的大小和边缘清晰是区分3级与2级肺INMA的独立因素(模型AUC = 0.759),与Yang等[52]的发现相似。此外,Liang等[53]的研究发现,较高的CT值、CTR和较大的肿瘤尺寸是预测3级肺INMA的独立危险因素(模型AUC = 0.907),并分别确定了其在区分1级与2级和2级与3级肺INMA中的阈值:CT值:< −420 HU和≥ −205 HU,CTR:< 25%和≥ 75%,肿瘤尺寸:< 12 mm和≥ 17 mm。Kawaguchi等[54]的研究表明,与1级和2级相比,纯实性外观在IASLC 3级肿瘤中更为常见,纯实性外观、圆形/椭圆形、毛刺征和空气支气管征是3级肺INMA的独立预测因素。Fujikawa等[41]也显示,随着肿瘤分级升高,磨玻璃结节的比例降低,而实性结节的比例显著增加。Liu等[55]使用计算机辅助和三维方法测量肿瘤内的实性成分,证明在−250 HU衰减阈值下体积的实性成分/肿瘤比率与肺INMA分级具有良好的相关性。他们的模型预测高风险(2/3级)肺INMA的AUC在训练集中为0.890,在测试集中为0.832,优于二维模型(训练集AUC = 0.821,测试集AUC = 0.760)和语义模型(训练集AUC = 0.809,测试集AUC = 0.710)。然而,基于CT成像预测新IASLC分级可能存在一些局限性。一方面,CT图像可能受到解剖结构和患者个体差异的影响,使得某些特征难以识别或解读。某些CT定量参数(如CTR)的计算可能需要复杂的技术支持,这也限制了其在临床常规中的应用。其次,CT图像的解读依赖于医师的经验和专业知识,这可能导致不同医师之间结果不一致。最后,尽管一些研究显示了良好的预测性能,但仍需要更多的临床验证以确保其在不同人群和环境中具有普遍性和准确性。

此外,Zhang等[56]探讨了能谱CT在术前评估76例实性肺浸润性黏液腺癌(INMA)患者不同病理分级系统时的诊断效能。结果表明,在I期和II期腺癌中,动脉期的强化幅度、k值及CT40keV-CT60keV,以及静脉期的强化幅度、k值及CT40keV-CT70keV,在依据2011年分类区分高级别肺腺癌方面表现出较高的诊断效能(AUC范围为0.700至0.853)。然而,对于2020年分类中的高级别(3级)肺腺癌,动脉期CT60keV和静脉期CT50keV-CT70keV的诊断效能较低(AUC范围为0.652至0.688),提示能谱CT参数对2011年版高级别肺腺癌组的效能略优于2020年版。作为一种新型能谱CT技术,双层探测器能谱CT可在每次常规扫描时同时采集高、低能量信息,无需预先判断病灶即可获得可用于能谱分析的图像,因而具有广泛的临床应用价值[57]。然而,上述研究表明,能谱CT对新版IASLC分级系统的预测性能不够理想,这可能与该项研究仅纳入实性肺腺癌而未评估亚实性肺腺癌以及样本量较小有关。因此,仍需进一步研究以探索能谱CT在新分级系统术前评估中的潜在应用。

基于[18F]FDG PET/CT显像的IASLC分级预测

氟脱氧葡萄糖(FDG)是一种葡萄糖类似物,可被肿瘤细胞摄取,其摄取量随Warburg效应[58]的增强而增加。这种代谢活动与细胞分化、增殖、基因表达、循环肿瘤细胞、组织缺氧及患者预后相关。因此,[18F]FDG PET/CT显像既可通过CT成像显示肿瘤的形态学改变,又可通过PET成像显示肿瘤的代谢活性。目前,[18F]FDG PET/CT广泛应用于肺癌的诊断、分期及疗效评价[59–63]。在其参数中,最大标准化摄取值(SUVmax)对于量化肿瘤细胞的葡萄糖消耗至关重要,并已被用于预测非小细胞肺癌的预后[64]。Kawaguchi等[54]和Jeon等[37]的研究表明,3级肺浸润性黏液腺癌(INMA)的SUVmax显著高于2级和1级肺INMA,中位SUVmax值分别为4.7 vs. 2.0 vs. 1.3和5.3 vs. 2.2 vs. 1.5。Fujikawa等[41]发现SUVmax随肿瘤分级显著升高,且为3级肺INMA的独立预测因子,截断值为3.45,灵敏度为80.5%,特异度为74.1%,AUC为0.828。此外,Yang等[52]构建了一个将SUVmax与吸烟史、癌胚抗原、CTR及空气支气管征或空泡征相结合的模型,该模型可有效预测3级肺INMA(AUC = 0.869),优于单独使用SUVmax(AUC = 0.793)。目前研究一致表明SUVmax与IASLC分级密切相关,但尚未建立使用SUVmax预测IASLC分级的公认标准。不同研究定义了不同的SUVmax截断值,且二者之间潜在的非线性关系仍不清楚。因此,需要进一步研究以探讨SUVmax与新IASLC分级系统之间的关联,并确立其作为预测工具的有效性。

此外,与常用的SUVmax相比,代谢肿瘤体积(MTV)和病灶总糖酵解量(TLG)等代谢参数是评估肿瘤负荷和侵袭性的重要工具。这些参数常用于评估肿瘤的整体代谢活性,对评估肿瘤预后具有重要意义[65, 66]。然而,目前研究MTV、TLG与新IASLC分级系统之间关系的研究有限。Yang等[52]证明TLG与IASLC分级密切相关。3级肿瘤的TLG(中位值6.82)显著高于1级和2级肿瘤(3.39)。相比之下,MTV与IASLC分级之间未发现显著相关性。既往关于MTV、TLG与旧分级系统相关性的研究结果不一。Wang等[67]报道肺腺癌组织学分级越高,MTV和TLG值越高。然而,Chen等[68]发现MTV和TLG对肺INMA的病理类型和分级均不是有效的预测指标。鉴于新IASLC分级系统是在既往基于主要生长模式的分级系统基础上补充和更新的,仍需进一步全面系统的研究来验证PET相关代谢参数与新分级系统之间的关系。典型病例见图2。

图2 一名73岁男性,1级肺浸润性非黏液腺癌(INMA)(a–c)。a 一幅CT图像显示14×12 mm纯磨玻璃结节,伴有空气支气管征、边缘清晰及条状影。b 一幅[18F]FDG PET/CT图像显示无氟脱氧葡萄糖摄取(SUVmax = 1.7)。c 1级肺INMA的显微照片(H和E,×100)。一名64岁女性,2级肺INMA(d–f)。d 一幅CT图像显示29×20 mm分叶状部分实性结节,伴有空气支气管征、毛刺及胸膜牵拉。e 一幅[18F]FDG PET/CT图像显示轻度氟脱氧葡萄糖摄取(SUVmax = 3.6)。f 2级肺INMA的显微照片(H和E,×100)。一名73岁女性,3级肺INMA(g–i)。g 一幅CT图像显示25×19 mm分叶状纯实性结节,伴有毛刺及胸膜牵拉,但无空气支气管征。h 一幅[18F]FDG PET/CT图像显示强烈氟脱氧葡萄糖摄取(SUVmax = 19.6)。i 3级肺INMA的显微照片(H和E,×100) 查看原图 ↗

基于MRI预测IASLC分级

近年来,MRI技术在肺部疾病中的应用取得了显著进展。T1加权(T1W)序列可显示小肺结节并捕捉其形态学特征[69–71],而T2加权(T2W)序列可揭示病灶的内部信号特性[72]。此外,扩散加权成像(DWI)已被证明有助于区分肺结节的良恶性以及肺癌的分期评估[73, 74]。在Li等人[20]先前关于PET/MR与Arch分级系统相关性的研究中,DWI和扩散峰度成像均对肺腺癌的组织学分级显示出诊断价值。近期,Dang等人[75]在153例肺INMA患者中探讨了MRI预测新IASLC分级的效用。该研究发现,高级别腺癌(3级)的表观扩散系数(ADC)值显著低于低级别(1级和2级)腺癌(AUC = 0.645),而高级别腺癌的T2CR值高于低级别组(AUC = 0.627)。当结合T2加权对比率(T2CR)、ADC、性别和最大直径时,联合模型的诊断性能显著增强(AUC = 0.778),表明MRI有潜力成为肺INMA新IASLC分级初步评估的有效工具。尽管MRI在肺部疾病中的应用因其检查时间较长和成本较高而受限,限制了其应用,但医学影像技术的进步和医疗条件的改善可能最终使MRI或PET/MR成为预测新IASLC分级的重要无创影像方法。

基于影像组学和深度学习预测IASLC分级

放射组学利用高通量技术从医学图像中提取和分析许多先进的定量成像特征。通过采用自动化或半自动化分析方法,该方法将成像数据转换为高分辨率、可分析的数据空间[76]。放射组学借助先进的图像分析工具和快速的医学成像数据处理,提供了一种新的、无创的、便捷的方式来指导治疗策略。该方法提高了诊断、预后和预测的准确性,优化了患者的临床和经济效益[77]。随着新的IASLC分级系统的引入,使用放射组学构建模型并预测该分级系统的研究不断增加。Yang等[25]回顾性分析了303例肺部INMA病例的临床和CT成像数据,并开发了基于九个放射组学特征的模型以生成Radscore。他们将其与临床-影像特征相结合,构建了一个联合模型,用于术前预测被IASLC评为3级的肿瘤。结果显示,联合模型和放射组学模型在训练集和测试集中的诊断性能均优于单独的临床-影像特征模型(训练集AUC:0.915 vs. 0.897 vs. 0.882;测试集AUC:0.838 vs. 0.819 vs. 0.782)。Li等[26]开发了基于低剂量CT(LDCT)的放射组学模型,该模型能够准确预测IASLC分级。该模型在验证队列中的诊断性能(区分1级 vs. 2/3级的AUC = 0.900;区分1/2级 vs. 3级的AUC = 0.929)与放射学专家相当(区分1级 vs. 2/3级的AUC = 0.840;区分1/2级 vs. 3级的AUC = 0.852),且优于定量-语义模型和经验较少的放射科医生。这些结果表明,LDCT放射组学模型可以帮助经验较少的放射科医生在肺癌筛查中对新的IASLC分级进行分层。

近年来,深度学习(DL)技术已成为疾病诊断、治疗决策和预后评估中的有价值工具。它能够对医学图像进行高维量化,并提取比人眼更详细的特征[78, 79]。作为一种新兴的模式分析方法,DL模型能够以高度抽象的方式自动提取复杂数据特征,支持无需人工干预的增量特征提取,相较传统影像组学方法展现出显著优势[80]。Pei等[27]开发了一种基于CT的DL与影像组学相结合的方法,用于为IA期肺浸润性非黏液腺癌(INMA)患者提供无创性IASLC分级评估。该模型在内部、独立和外部测试集中的平均AUC分别为0.928、0.837和0.748,表明其在预测早期肺INMA新IASLC分级方面具有显著潜力。Zhong等[28]开发了一种基于[18F]FDG PET/CT图像的DL模型,该模型在大规模队列中的表现显著优于传统PET/CT和临床模型。该模型在验证集、外部队列和前瞻性队列中的AUC值分别为0.862、0.844和0.851。此外,借助该模型识别出的高危个体在接受肺叶切除术和系统性淋巴结清扫后预后更好。因此,该模型是识别和改善高危临床I期肺INMA患者预后的实用工具。

影像组学和深度学习在医学图像分析中发挥着重要作用,但它们仍然存在不足。这些不足包括需要获取大规模且高质量的医学影像数据、深度学习模型决策过程难以解释,以及模型泛化性能受多种因素影响。此外,新的IASLC分级系统将肺浸润性非黏液腺癌(INMA)分为三个等级。然而,目前的研究大多采用二分类方法预测肿瘤,如1/2级 vs. 3级或1级 vs. 2/3级,尚无能够预测全部三个肿瘤等级的三分类模型的报道。Pan等[81]在一项通过胸部CT预测肺腺癌侵袭性的研究中提出了一种结合深度学习和影像组学的方法。该方法通过框架优化、联合学习和裁决策略提高深度学习模型的性能。所引入的裁决策略通过整合两个二分类模型和一个三分类模型来解决分类冲突,从而提高模型预测肺腺癌侵袭性的准确性。因此,三分类模型可用于提高影像组学和深度学习方法预测新IASLC分级的准确性。此外,传统影像组学方法主要基于整个肿瘤病灶提取特征,假设肿瘤是均质的或肿瘤异质性在整个肿瘤中均匀分布[82]。然而,90%的肺INMA同时表现出两种以上的病理组织学模式,且比例各不相同,表明肿瘤具有高度异质性[4, 83]。栖息地成像技术利用无监督聚类算法对肿瘤内不同亚区域进行划分和可视化。结合传统影像组学方法,可显著提高肺癌的诊断性能。基于[18F]FDG PET/CT影像组学的栖息地成像方法已用于肺部疾病研究[84],栖息地分析也有望成为预测IASLC分级的有用工具。可用于预测新IASLC分级的无创成像方法示意图见图3。

图3 可用于预测新IASLC分级的无创成像方法示意图 查看原图 ↗

结论

新的IASLC分级系统已被广泛认可和使用。它通过有效的预后分层显著改善了肺浸润性非黏液腺癌(INMA)患者的预后,并开辟了新的研究领域。目前,大量研究正在探索无创影像方法来预测新的IASLC分级。这些研究的初步结果显示,影像方法用于术前无创预测新的IASLC分级并指导治疗策略是可行的。它可以在诊断中提供重要的早期风险评估,在治疗决策中有助于制定个性化治疗方案,并在患者管理中促进监测和随访的优化。然而,这些研究存在一定的局限性。例如,许多研究为单中心、回顾性研究,限制了结果的普遍性和可重复性。病例数量的不平衡以及纳入病例的差异也影响了跨研究比较的结果。此外,鉴于新的IASLC分级系统建立时间相对较近,相关研究仍不充分。因此,需要增强数据多样性、优化算法并开展多中心前瞻性队列研究,以进一步验证和扩展既往结果,提高IASLC分级预测的可靠性。随着医学影像学和创新研究方法的快速发展,未来研究有望采用新方法,如三分类和生境分析,来预测IASLC分级。这些方法可能提高预测的准确性和稳定性,为个性化治疗提供更精确的信息。

总之,无创影像方法预测IASLC分级的研究具有重要的临床意义,不仅为患者提供了更好的预后评估工具,也为个性化治疗策略的制定奠定了基础。尽管存在挑战,无创影像方法预测IASLC分级的未来仍然充满希望。随着进一步研究和技术进步,预计将有更多研究者专注于推进这一领域,显著改善肺INMA患者的预后。

补充信息

电子补充材料

引用

  1. Feng J, Shao X, Gao J, et al. Application and progress of non-invasive imaging in predicting lung invasive non-mucinous adenocarcinoma under the new IASLC grading guidelines. Insights Imaging. 2025. PMID: 39747759. doi:10.1186/s13244-024-01877-4
  2. 全文:PMC11695567(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11695567/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。