NHOC/NHOP作为新型生物标志物，通过PET/CT放射组学和机器学习预测非小细胞肺癌（NSCLC）的淋巴结转移：一项双中心回顾性研究

《European Journal of Nuclear Medicine and Molecular Imaging》：NHOC/NHOP as novel biomarkers for predicting lymph node metastasis in NSCLC using PET/CT radiomics and machine learning: a two-center retrospective study

非小细胞肺癌术前淋巴结转移预测中，基于PET/CT新型生物标志物NHOC/NHOP结合临床数据和PET radiomics的机器学习模型（MLP）表现最佳，AUC达0.82-0.885，显著优于单独模型，SHAP分析显示PET纹理特征和CT纹理特征为关键解释因子。

　　

摘要

目的

NHOC和NHOP是指从峰值摄取到肿瘤质心和边缘的标准化距离，是评估肿瘤侵袭性的新型PET/CT指标。这项双中心研究评估了NHOC/NHOP在预测非小细胞肺癌（NSCLC）淋巴结转移（LNM）方面的基线作用，随后开发并验证了一个可解释的机器学习模型，该模型结合了临床数据、NHOC/NHOP和PET放射组学信息，用于预测LNM和隐匿性淋巴结转移（ONM）。

方法

来自两个中心的342名患者接受了18F-FDG PET/CT扫描，数据被分为训练集（n=188）、内部验证集（n=63）和外部验证集（n=91）。最初使用LIFEx软件提取了NHOC/NHOP和284个放射组学特征。这些特征通过Z分数进行标准化，并通过ComBat方法进行协调处理。为了避免单一算法的偏差，使用最优的放射组学特征训练了八个机器学习模型。表现最佳的算法被用来开发四个预测模型，包括仅基于临床数据的模型、基于NHOC/NHOP的模型、基于放射组学数据的模型以及它们的组合模型。利用Shapley加性解释（SHAP）值来解释各个模型的贡献。

结果

关键的独立预测因子是PD-L1表达水平、病变大小和新型生物标志物NHOC，由此建立了基于PD-L1和病变大小的临床模型以及基于NHOC的模型。多层感知器（MLP）模型获得了最高的曲线下面积（AUC）（0.82，95%置信区间：0.69–0.92）。在预测LNM方面，组合模型在训练集（AUC 0.852）、内部验证集（AUC 0.822）和外部验证集（AUC 0.885）中的表现均优于单独的临床模型和NHOC模型（p<0.05）。在预测ONM方面，组合模型在整个数据集上的AUC为0.85。SHAP分析突出了GLCM_InverseVariance-PET和NGTDM_Strength-CT等关键特征。开发了诺模图和在线计算工具，决策曲线分析证实了该模型的显著临床优势。

结论

本研究建立了一个准确且可解释的机器学习模型，用于NSCLC患者术前预测LNM和ONM。与传统的PET参数相比，NHOC作为一种新型独立预测因子显示出优异的性能。