Nature子刊：同济大学佘云浪/陈昶/谢冬开发新的方法，预测肺癌隐匿性淋巴结转移

隐匿性淋巴结转移（ONM）在非小细胞肺癌（NSCLC）的综合治疗中发挥着重要作用。

2023年11月18日，同济大学佘云浪、陈昶及谢冬共同通讯在Nature Communications 发表题为“PET/CT based cross-modal deep learning signature to predict occult nodal metastasis in lung cancer”的研究论文，该研究旨在开发一种基于正电子发射断层扫描/计算机断层扫描的深度学习特征，以预测临床N0期NSCLC 的ONM。采用内部队列（n = 1911）来构建深度学习淋巴结转移特征（DLNMS）。随后，利用外部队列（n = 355）和前瞻性队列（n = 999）来充分验证 DLNMS 的预测性能。

该研究发现DLNMS在验证集、外部队列和前瞻性队列中预测隐匿性N1的受试者工作特征曲线下面积分别为0.958、0.879和0.914，预测隐匿性N2的受试者工作特征曲线下面积分别为0.942、0.875和0.919，显著优于单模态深度学习模型、临床模型和医师模型。本研究表明，DLNMS对N0期NSCLC的ONM有一定的预测价值。

在分子成像时代，正电子发射断层扫描/计算机断层扫描（PET/CT）作为非小细胞肺癌(NSCLC)临床N分期最可靠的无创性检查方法，兼具了代谢和解剖特征。然而，尽管分期模式取得了巨大进步，但仍有12.9%-39.3%。淋巴结转移不能通过PET/CT检测出，而是在术后被证实，这被定义为隐匿性淋巴结转移（ONM）。

淋巴结分期包括 N1 和 N2 状态在NSCLC 的整个过程中起着至关重要的作用。因此，准确识别ONM对于确定NSCLC患者的最佳治疗策略至关重要。在术前，淋巴结活检仍然是确定 NSCLC N 期的金标准参考。然而，常规采用该方法会增加过度诊断的风险，这归因于其侵入性，并且考虑到N1站的诊断陷阱，并可能导致漏诊。因此，有必要获得ONM的预测概率，以平衡这种双重性质程序的优劣。

在手术决策方面，保留更多肺实质的亚肺叶切除加局限性淋巴结清扫术(LND)在早期NSCLC中可获得与传统肺叶切除加系统性淋巴结清扫术(SND)相当的肿瘤学疗效。然而，淋巴结转移的肿瘤具有更强的侵袭性和更大的恶性负担，使得亚肺叶切除和淋巴结清扫的效果不够。因此，应进行肺叶切除和SND，以确保手术切缘的充分和淋巴结切除的根治性。

早期NSCLC术后辅助治疗的益处一直存在激烈争论。淋巴结受累预示着更谨慎的预后，因此需要更积极的治疗。对于淋巴结转移的 NSCLC，仅靠手术无法产生足够的肿瘤疗效，并且能够根除残留微转移的辅助治疗已被证明可提供额外的生存获益。因此，开发一种强大的ONM预测工具以识别临床N0期 NSCLC中淋巴结活检、肺叶切除术、SND和辅助治疗的候选者至关重要。

深度学习技术可以对放射图像进行高维量化，并比人类视觉更多地提取详细特征，已被提议作为疾病诊断、预后评估和治疗决策的革命性方法。PET/CT能够捕捉肿瘤的解剖和代谢表现，已被用作一种可靠的成像方式来表征恶性肿瘤分级和转移负荷。其多模态性质一方面增加了特征维度和信息丰富度，但另一方面对深度学习算法提出了更高的要求。

随着多模态算法的发展，目前的深度学习技术已经发展成为PET/CT图像分析的有效方法，它能够充分利用PET和CT模式的互补信息。已有研究表明，基于PET/CT成像的多模态深度学习算法在癌症识别、肿瘤分割和风险量化方面显示出潜力。尽管有这些巨大的突破，但基于PET/CT的深度学习在肺癌ONM预测中的应用仍然有限。研究假设基于PET和CT影像的跨模式优势互补能够量化ONM概率，以支持临床N0 NSCLC的综合治疗，并且捕获的ONM风险与组织学、遗传和微环境行为相关。

与DLNMS相关的PET和CT纹理特征（图源自Nature Communications ）

因此，本研究旨在基于大样本多中心人群，结合PET和CT影像组学构建预测临床N0 NSCLC ONM和个体化综合治疗的深度学习淋巴结转移特征(DLNMS)，并初步探索DLNMS潜在的生物学基础。综上所述，研究所开发的DLNMS在预测临床N0期NSCLC的ONM方面是可靠的。此外，DLNMS具有指导临床N0期NSCLC淋巴结活检、手术和辅助治疗的个体化决策的潜力。

参考消息：

https://doi.org/10.1038/s41467-023-42811-4