基于临床-影像组学-深度学习多模态联合模型列线图预测肺腺癌侵袭性：一项多中心研究

原文图文

目的 筛选影响肺腺癌侵袭性的独立危险因素,构建并验证临床-影像组学-深度学习多模态联合预测模型,为术前肺腺癌精准风险分层提供影像学依据。 方法 纳入两家医院的肺磨玻璃结节（GGN）患者队列样本,按合理比例划分为训练集、内部验证集及外部测试集,以确保样本的代表性与验证过程的严谨性。采用单因素与多因素 Logistic 回归筛选出独立预测因子;分别构建临床模型、影像组学模型、深度迁移学习模型、影像组学-深度迁移学习融合模型及临床-影像组学-深度学习联合模型。通过受试者工作特征（ROC）曲线、 DeLong 检验评估模型的区分度,校准曲线评价一致性,决策曲线分析（DCA）评估临床净获益,并基于联合模型构建可视化列线图。 结果 年龄、性别、吸烟史、平均CT值、非实性成分比例是肺腺癌侵袭性的独立危险因素。融合了临床、影像组学及深度学习的多模态联合模型在校准度、临床净获益和可视化应用方面具有明显优势,在训练集、内部验证集、外部测试集中曲线下面积（AUC）分别为0.974[95%置信区间（CI）：0.961~0.988]、0.806（95%CI：0.719~0.892）、0.872（95%CI：0.799~0.946）。 Delong 检验显示联合模型的预测效能显著优于单一临床模型。校准曲线提示联合模型在三队列中均具有良好校准度,预测概率与实际风险的一致性高。DCA证实联合模型在广泛阈值范围内具有更高临床净获益。基于联合模型构建的列线图能够实现个体化风险的可视化评估。 结论 临床-影像组学-深度学习联合模型在预测效能、校准度及临床实用性方面均显著优于单一模态模型,影像组学-深度迁移学习融合模型更适合作为追求最佳预测准确性的算法工具,二者协同作用,可为肺腺癌侵袭性精准分层及早期肺癌个体化诊疗提供可靠的影像学支撑,具有重要的临床应用价值。