《European Journal of Radiology Open》：Standardized contrast-enhanced CT-based radiomics for non-invasive prediction of TTF-1 status in lung adenocarcinoma: A cross-validated single-center study
编辑推荐：
目的：甲状腺转录因子-1（TTF-1）是肺腺癌中具有诊断、预后和治疗意义的临床相关免疫组织化学标志物。由于组织取样具有侵入性且常受限于小活检标本，非侵入性影像生物标志物日益受到关注。本研究旨在开发并内部验证一种标准化的基于增强CT的影像组学（radiomics
目的：甲状腺转录因子-1（TTF-1）是肺腺癌中具有诊断、预后和治疗意义的临床相关免疫组织化学标志物。由于组织取样具有侵入性且常受限于小活检标本，非侵入性影像生物标志物日益受到关注。本研究旨在开发并内部验证一种标准化的基于增强CT的影像组学（radiomics）工作流程，用于预测TTF-1表达，重点关注可重复性和方法学稳健性。
方法：这项回顾性单中心研究纳入了164例经组织学确诊的肺腺癌且具有TTF-1免疫组化结果的未经治疗患者。TTF-1表达通过常规免疫组化染色在活检或切除标本上进行评估，基于核染色进行二分类。原发性肿瘤在增强CT上半自动分割，采用符合影像生物标志物标准化倡议（IBSI）的预处理。共提取了107个影像组学特征。在55个肿瘤的子集中使用组内相关系数（ICC）评估观察者间可重复性。使用五折分层交叉验证训练逻辑回归、随机森林和XGBoost模型。使用AUC评估性能。
结果：在164例患者中，115个肿瘤（70.1%）为TTF-1阳性。XGBoost取得了最高性能（平均AUC = 0.83 ± 0.04），显著优于其他模型（p < 0.01）。影像组学特征显示出良好的观察者间可重复性，特别是形状和一阶特征。SHAP分析确定了球形度、熵和平均CT衰减值为关键预测因子。
结论：一种标准化的基于CT的影像组学方法在无创预测肺腺癌TTF-1状态方面显示出有前景的性能。鉴于回顾性单中心设计且缺乏外部验证，需要进一步的多中心研究。
论文解读：基于标准化增强CT的影像组学无创预测肺腺癌TTF-1状态
研究背景
甲状腺转录因子-1（TTF-1）是肺腺癌中一项关键的免疫组织化学标志物，在诊断分类、预后分层和治疗决策中具有重要临床价值。TTF-1表达有助于区分肺腺癌与鳞状细胞癌，并与表皮生长因子受体（EGFR）突变等分子特征相关，同时TTF-1阴性状态是晚期非小细胞肺癌预后较差的预测因子。然而，TTF-1表达的评估依赖于组织取样，这是一种侵入性操作，常受限于标本体积小、肿瘤异质性或操作风险。在临床实践中，组织不足和病理结果延迟是常见挑战，尤其对于晚期或体能状态较差的患者。这些局限促使研究人员对基于影像的非侵入性生物标志物日益关注。影像组学（radiomics）能够从标准医学影像中高通量提取定量特征，捕捉肿瘤形态、衰减和纹理异质性，超越视觉评估。既往研究已显示CT衍生的影像组学特征与肺癌的组织病理、分子和预后特征相关，但观察者间可重复性和特征稳健性仍是临床转化的关键障碍。因此，本研究旨在开发并验证一项标准化、符合影像生物标志物标准化倡议（IBSI）的CT影像组学工作流程，用于无创预测肺腺癌TTF-1表达，特别强调观察者间可重复性和不同机器学习分类器的比较评估。论文发表在《European Journal of Radiology Open》。
关键技术方法概述
本研究为回顾性单中心研究，样本队列来源于德国Erlangen-Nürnberg Friedrich-Alexander大学Bayreuth医学园区放射学、神经放射学与介入治疗研究所的164例组织学确诊肺腺癌患者。主要技术方法包括：采用半自动分割（LIFEx软件）在增强CT上勾画原发性肿瘤，所有影像经IBSI标准预处理（重采样至1×1×1 mm
3，灰度标准化，固定10 HU分箱宽度）；提取107个三维影像组学特征，涵盖形状（14个）、一阶统计（18个）和纹理（75个）特征；在55个肿瘤子集中使用组内相关系数（ICC）评估观察者间可重复性；基于五折分层交叉验证训练逻辑回归（LR）、随机森林（RF）和XGBoost三个机器学习模型；通过SHAP（Shapley Additive Explanations）进行模型可解释性分析。
研究结果
3.1 患者与肿瘤特征：164例患者中，115个肿瘤（70.1%）为TTF-1阳性，49个（29.9%）为阴性。TTF-1阳性肿瘤中周围型定位显著更常见（p = 0.04），年龄和性别在两组间无显著差异。
3.2 观察者间可重复性：在55个肿瘤的独立分割评估中，全部107个特征的中位ICC为0.82（IQR: 0.78–0.93），表明整体良好可重复性。按特征类别分层，形状特征稳定性最高（中位ICC = 0.89，相对偏差4.2%），一阶特征中等（中位ICC = 0.71，相对偏差6.7%），纹理特征变异性较大（中位ICC = 0.55，相对偏差12.8%）。
3.3 机器学习模型性能：XGBoost分类器取得最高判别性能，五折交叉验证平均AUC为0.83 ± 0.04，准确度0.77，灵敏度0.81，特异性0.69，F1-score 0.79。逻辑回归（平均AUC = 0.67）和随机森林（平均AUC = 0.62）性能较低。DeLong检验显示XGBoost显著优于其他两个模型（p < 0.01）。校准分析显示XGBoost模型的Brier得分为0.12，但校准曲线显示在中间概率范围存在偏差，校准斜率和截距分别为0.14和0.60，提示预测概率趋于过度自信。
3.4 特征重要性与模型可解释性：SHAP分析显示，形状特征（尤其是肿瘤球形度）对模型输出影响最大；此外，平均CT衰减和基于纹理的熵也被识别为重要预测因子。这些关键特征在各交叉验证折间变异低，表明特征重要性稳定。
讨论与结论
讨论部分指出，本研究展示了一项标准化、IBSI合规的CT影像组学工作流程能够基于常规增强CT成像实现可重复的无创TTF-1表达预测，尽管存在回顾性单中心设计和缺乏外部验证的局限性。XGBoost模型优于逻辑回归和随机森林，且观察者间可重复性分析证实了形状和一阶特征的稳健性，支持该方法的可靠性。既往研究虽已报告CT影像组学特征与分子和免疫组化特征之间的关联，但预测性能差异大且可重复性常未充分评估。本研究通过明确评估观察者间一致性和应用标准化预处理，弥补了早期影像组学工作的关键不足。梯度提升模型的优越性与既往文献一致，且本研究性能与已发表的CT预测TTF-1方法相当。观察者间可重复性特征类别的差异（形状>一阶>纹理）符合既往报告，强调了模型开发前进行可重复性测试的重要性。尽管模型表现良好，校准分析提示过度自信，这是小样本单中心数据集训练模型常见问题。临床视角下，非侵入性TTF-1预测可补充组织病理评估，尤其在组织有限或风险较高的情况下，但并非替代病理诊断。研究局限性包括回顾性单中心设计、扫描仪和重建核等残余变异、半自动分割以及未整合临床和分子参数。结论翻译如下：总之，本研究证明了一项标准化、IBSI合规的CT影像组学工作流程在无创预测肺腺癌TTF-1表达方面显示出有前景的性能。梯度提升机器学习取得了优于线性模型和装袋模型的预测性能。影像组学特征分析显示，形状和一阶特征提供了最高的观察者间稳健性。然而，鉴于回顾性单中心设计和缺乏外部验证，在临床应用前需要进一步的多中心研究。
