《European Journal of Nuclear Medicine and Molecular Imaging》：Development and external validation of a FDG PET-based radiomics model predicting occult lymph node metastasis in non-small cell lung cancer patients
编辑推荐：
本研究针对非小细胞肺癌(NSCLC)隐匿性淋巴结转移(OLNM)的临床诊断难题，开发并验证了基于FDG PET的影像组学预测模型。研究通过多中心回顾性队列证实，ModelPET在手术队列中AUC达0.73，阴性预测值(NPV)达96.7%，且在SBRT队列中显著预测区域无复发生存(RRFS)(HR=1.60)。该模型为优化临床决策提供了非侵入性工具。
在非小细胞肺癌(NSCLC)的临床诊疗中，准确判断淋巴结转移状态直接关系到治疗策略的选择和患者预后。尽管氟代脱氧葡萄糖正电子发射断层扫描(FDG PET-CT)已成为术前评估的重要工具，但其对隐匿性淋巴结转移(OLNM)的识别能力仍有局限——约20%的临床分期为N0的患者实际存在淋巴结微转移。这种"看不见的敌人"尤其对接受立体定向体部放疗(SBRT)的患者构成威胁，因为他们缺乏手术中的淋巴结病理验证，导致区域复发风险显著增高。目前虽然存在超声内镜引导下经支气管针吸活检(EBUS)等侵入性检查手段，但其可及性有限，迫切需要开发高精度的无创预测工具。
为破解这一难题，研究人员开展了一项多中心国际研究，旨在开发并验证基于FDG PET的影像组学模型，用于预测NSCLC患者的OLNM风险。该研究创新性地将模型在手术队列中开发后，进一步在SBRT治疗队列中验证其预测效能，相关成果发表于《European Journal of Nuclear Medicine and Molecular Imaging》。
研究采用的关键技术方法包括：从三个多中心队列（共801例患者）的FDG PET图像中提取标准化影像组学特征；使用神经组合校正(NeuroCombat)方法进行特征谐波化；通过多层感知器(MLP)机器学习算法构建预测模型；以区域无复发生存(RRFS)作为SBRT队列中OLNM的替代终点进行生存分析。
发展模型
研究人员从训练队列(Cohort A)的201例手术患者中筛选出13个最具预测价值的影像组学特征。这些特征通过10个包含4个特征的子模型集成，最终ModelPET在训练集中表现出色（AUC=0.92）。而结合临床特征的ModelCombined虽然训练性能更高（AUC=0.99），但年龄等临床特征的强影响力可能带来过拟合风险。
模型在内部验证队列中的结果
在内部验证集中，ModelPET保持了可接受的判别能力（AUC=0.70），表明模型具备一定的泛化能力。当设定概率阈值为12.5%时，模型在训练队列中的平衡准确度(Bacc)达到80.0%，阴性预测值(NPV)高达97.7%，显著优于单纯依赖PET-CT的89.3%。
模型在外科测试队列中的结果
在外部测试队列(Cohort B)中，ModelPET表现出稳健的性能（AUC=0.73），NPV维持在96.7%的高水平。决策曲线分析显示，在5-25%的阈值概率范围内，ModelPET比单纯依赖PET-CT具有更高的临床净获益。相比之下，ModelCombined由于队列间临床特征差异（如年龄），在外部验证中性能下降明显（AUC=0.67）。
模型在SBRT应用队列中的评估
在488例接受SBRT治疗的患者队列中，ModelPET展现出显著的预后价值。高风险组患者的5年限制平均RRFS显著缩短（差异3.5个月），区域复发风险增加60%。当将模型优化用于预测N2转移（概率阈值14%）时，其对总生存期(OS)也显示出预测价值（HR=1.28）。
聚焦N2预测
针对更具预后意义的N2状态预测，模型在训练和测试队列中分别达到66.1%和73.6%的平衡准确度。在SBRT队列中，N2优化模型不仅预测RRFS（HR=1.69），还与OS显著相关，凸显了其对重要临床终点的预测能力。
研究的创新之处在于首次在大型多中心队列中验证了PET影像组学模型在OLNM预测中的价值，并成功将其应用于SBRT治疗场景。模型的高阴性预测值特性使其特别适合作为EBUS等侵入性检查的筛选工具，有望优化临床决策流程。然而，研究也存在回顾性设计的局限性，以及不同时期淋巴结清扫标准不一致可能带来的异质性。未来需要前瞻性研究进一步验证该模型的临床实用价值，并探索与CT影像组学特征的融合潜力。
