《MedComm》:Transformer-Based Preoperative Invasiveness Identification and Postoperative Recurrence Risk Stratification in Stage T1N0M0 Lung Adenocarcinoma: A Multi-Center Cohort Study
编辑推荐:
手术是早期肺腺癌(LUAD)的主要治愈性治疗手段,准确识别肿瘤侵袭性对于确定肺切除范围至关重要。由于具有侵袭性的早期LUAD患者术后复发存在显著异质性,因此亟需更有效的风险分层系统以改善预后。本研究开发了T1LUT系统,这是一种基于Transformer的工具
手术是早期肺腺癌(LUAD)的主要治愈性治疗手段,准确识别肿瘤侵袭性对于确定肺切除范围至关重要。由于具有侵袭性的早期LUAD患者术后复发存在显著异质性,因此亟需更有效的风险分层系统以改善预后。本研究开发了T1LUT系统,这是一种基于Transformer的工具,用于T1N0M0期LUAD的管理,涵盖术前肿瘤侵袭性识别和术后复发风险分层。在术前阶段,一种带有额外可学习令牌(learnable tokens)的三维Vision Transformer(3D ViT)被用于分析CT图像。该模型在三个独立测试中心的表现均优于仅使用CLS令牌的3D ViT、二维ViT(2D ViT)以及三维残差网络(3D ResNet)(中心D:0.896 vs. 0.892, 0.879, 0.836;中心E:0.906 vs. 0.837, 0.837, 0.835;中心F:0.884 vs. 0.884, 0.881, 0.861),取得了更高的平均受试者工作特征曲线下面积(AUROC),从而能够准确评估侵袭性并指导手术切除范围。在术后阶段,多模态IAC-PR模型整合了CT图像、报告、病理数据以及临床/人口统计学信息。该模型将浸润性腺癌(IAC)患者分为低、中、高风险组,在测试集中AUROC达到0.807,显著优于单一或部分模态的模型。通过大规模多中心研究验证,该系统克服了传统评估方法的局限性,为早期LUAD的精准治疗和预后改善提供了一个强大的工具。
论文解读
一、研究背景与目的
肺癌是全球癌症相关死亡的首要原因,其经济负担沉重。近年来,早期肺癌的精准管理日益受到关注。对于早期(T1N0M0期)肺腺癌(LUAD),手术是主要的治愈性治疗方式。然而,临床实践中面临两个关键决策点:一是术前如何准确判断肿瘤的侵袭性,以决定最佳的肺切除范围(如肺叶切除、肺段切除或楔形切除);二是对于术后病理确诊为浸润性腺癌(IAC)的患者,如何有效预测其复发风险,以指导后续的随访和辅助治疗方案。当前研究中,CT图像的预处理流程复杂且缺乏标准化,许多研究局限于特定类型的结节(如纯磨玻璃或亚实性结节),限制了模型的普适性。此外,尽管国际肺癌研究协会(IASLC)提出的组织学分级系统对预测复发有一定价值,但仅有约30%的3级患者实际发生复发,表明现有系统的区分度不足。为解决上述问题,研究人员开发了T1LUT系统,这是一个基于Transformer的决策支持工具,旨在实现术前侵袭性识别和术后复发风险分层的连续、个性化管理。该研究发表于《MedComm》。
二、关键技术方法
研究人员构建了一个两阶段的T1LUT系统。第一阶段(T1LUT-1)采用三维Vision Transformer(3D ViT)模型,通过分析术前CT图像进行侵袭性识别。模型引入了额外的可学习令牌(learnable tokens),并施加正交性损失(orthogonality loss)约束以增强特征多样性。第二阶段(T1LUT-2)构建了多模态IAC-PR模型,整合了术前CT图像、CT报告、病理报告以及临床/人口统计学数据。文本数据采用预训练于中文医学语料的BERT编码器处理,病理报告中组织学模式通过DeepSeek-V3驱动的半自动结构化提取流程获取。模型通过融合令牌(fusion token)机制实现跨模态信息的高阶交互。研究纳入了来自中国六家医院的多个数据集:用于侵袭性识别的训练集包含5031例患者(中心A/B/C),独立测试集包含1447例患者(中心D/E/F);用于复发风险分层的训练集包含1139例IAC患者(中心A/B/C),独立测试集包含262例IAC患者(中心D)。
三、研究结果
2.1 术前侵袭性识别患者特征
研究共纳入5031例患者进行交叉验证,1447例作为独立测试集。所有中心女性患者占多数(>60%),多数无吸烟史(>75%)。右肺上叶是肺结节最常见部位,肺叶切除术是最常见的手术方式,浸润性腺癌(IAC)占比最高。
2.2 3D ViT模型准确识别T1N0M0 LUAD侵袭性
在五折交叉验证中,3D ViT模型取得比2D ViT更高的平均AUROC(0.888 vs. 0.860)。在三个独立测试集中,3D ViT模型均表现最优(中心D AUROC: 0.896;中心E: 0.906;中心F: 0.884),在AUROC、准确性、敏感性、阴性预测值(NPV)和F1分数方面均优于2D ViT和3D ResNet模型。决策曲线分析也显示3D ViT模型提供更高的净临床获益。
2.3 不同侵袭类型热图比较与亚组分析
激活热图显示结节边缘的成像特征是侵袭性最重要的预测因子,较大结节的中心区域也有贡献。额外的可学习令牌能有效关注周围诊断性放射学征象,而CLS令牌则聚焦于结节实质。亚组分析显示,模型在10–20mm肿瘤组AUROC最高(0.834),在20–30mm组准确性最高(0.896),且IAC比例随肿瘤增大急剧增加。
2.4 术后复发风险分层患者特征
研究纳入595例(中心A)、380例(中心B)、164例(中心C)和262例(中心D)IAC患者。根据IASLC分级系统,2级(中度分化)病例最为常见。术后3年内复发率分别为6.4%、10.5%、6.7%和9.9%。患者被分为高、中、低风险组。
2.5 多模态IAC-PR模型优于其他单模态或部分模态模型
多模态IAC-PR模型在五折交叉验证中识别高中低风险组的平均AUROC分别为0.699、0.906和0.856。在独立测试集(中心D)中,该模型取得最高的平均准确性(0.805)和AUROC(0.807),显著优于仅使用图像、仅使用文本或图像加临床数据的模型。文本信息的加入带来最大的性能提升(ΔAUROC = 0.166)。
2.6 文本与临床信息重要性评估及Grade 2患者亚组分析
关键词重要性分析显示,“实性”(solid)在影像和病理领域均影响最大。CT报告中的形态描述词(如“磨玻璃密度”、“毛刺状边缘”)也贡献显著。在Grade 2患者的亚组分析中,模型在训练集和测试集的AUROC分别为0.842和0.714,显示出对这类中等分化程度患者的良好分层能力。
四、讨论与结论
本研究的T1LUT系统通过两个关键时间点的任务——术前侵袭性识别和术后复发风险分层,为T1N0M0期LUAD患者提供了连续管理方案。术前3D ViT模型仅依赖常规胸部CT即可高效预测侵袭性,易于融入临床工作流。额外的可学习令牌设计在不改变骨干网络的前提下增强了细粒度特征提取能力,并在术后多模态模型中扩展为融合令牌,实现了跨模态信息的高阶整合。对于术后复发预测,研究人员提出的结合IASLC分级系统与随访信息的风险分层策略,弥补了单纯依赖病理分级的不足。多模态IAC-PR模型有效整合了影像、文本和临床数据,显著优于单一模态模型。研究发现实性成分和肿瘤大小是风险分层的最强影响因素。
研究结论:研究人员开发了一个用于T1N0M0期LUAD的T1LUT系统,该系统在两个关键节点发挥作用:术前侵袭性识别和术后复发风险分层。大规模、多中心数据集的使用支持了模型的稳健性和泛化能力。通过结合多任务评估与多模态数据整合,该系统提供了一种可靠的非侵入性工具,具有显著改善临床决策和患者预后的潜力。其未来在更广泛人群中的开源应用可能进一步促进早期肺癌的精准管理。