*僅供醫學專業人士閱讀參考

基于AI的影像組學模型可無創預測肺癌EGFR與ALK突變，為精準醫療提供新工具。

隨著精準醫療理念的深入，非小細胞肺癌（NSCLC）的分子分型已成為制定治療策略的核心環節。然而，傳統組織活檢存在侵入性、樣本不足及技術門檻高等局限，促使研究者探索無創、高效的替代方案。在此背景下，影像組學與人工智能技術的結合展現出巨大潛力。發表于

European Radiology

研究背景與臨床需求

肺癌作為全球范圍內發病與死亡人數最高的惡性腫瘤，其最主要的病理類型為NSCLC。在NSCLC中，EGFR、ALK與KRAS等驅動基因的突變狀態直接關系到靶向治療的適用性與療效。目前，基因檢測的金標準仍依賴于組織或液體活檢，然而其在臨床實踐中面臨多重挑戰：包括取材侵入性帶來的風險、樣本質量不穩定、檢測周期較長，以及在部分醫療資源受限地區技術普及度不高等問題。

醫學影像，尤其是CT掃描，作為肺癌診斷與分期中的常規檢查手段，蘊含大量關于腫瘤異質性、微觀結構及功能狀態的定量信息。影像組學通過高通量提取并分析這些圖像特征，結合人工智能算法，有望實現對腫瘤基因表型的間接推斷。盡管已有若干研究嘗試構建預測模型，但缺乏系統性評估與跨研究性能整合。該研究正是在這一背景下，旨在回答一個關鍵臨床問題：基于CT的影像組學與AI是否足以成為驅動基因突變狀態預測的可靠無創工具？

研究設計與方法學特色

本研究嚴格遵循PRISMA與MOOSE指南，系統檢索了截至2024年11月的三大數據庫，最終納入124項研究進行系統回顧，其中51項符合薈萃分析條件。研究團隊由多學科專家組成，涵蓋影像學、腫瘤學與生物信息學領域，確保了評估的全面性與專業性。

在方法學上，本研究具有幾大突出特點：首先，作者明確將模型類型區分為“純影像組學模型”與“影像—臨床聯合模型”，從而能夠評估臨床變量在預測中的附加價值；其次，所有納入模型均基于CT影像構建，保證了技術路徑的均質性與結果的可比性；此外，研究采用CLAIM與QUADAS-2工具分別進行方法學質量與偏倚風險評估，確保了證據的可靠性。

尤為值得注意的是，本研究并未如常規做法僅提取各研究中性能最優的模型，而是納入所有符合預設標準的模型，盡管此舉引入了相當的異質性，卻更真實地反映了該領域發展的整體水平與技術多樣性。為綜合這種異質性，作者采用了雙變量隨機效應模型進行薈萃分析，并進一步通過元回歸探索影響模型性能的關鍵因素。

圖1 PRISMA流程圖

核心發現：不同基因突變預測性能各異

EGFR突變預測表現卓越

分析顯示，基于影像組學的AI模型在預測EGFR突變方面展現出最高的成熟度與穩定性。匯總敏感性達0.754，特異性為0.656，匯總受試者工作特征曲線下面積為0.769。尤為重要的是，當模型融合臨床變量（如年齡、吸煙史等）形成聯合模型后，預測性能得到進一步提升，AUC升至0.821，敏感性提高至0.806。這表明，影像組學特征與臨床背景信息的結合，能夠更精準地識別可能攜帶EGFR突變的患者，為其優先進行基因檢測提供依據。

ALK融合檢測潛力初顯

盡管納入評估ALK預測模型的研究僅有3項，但其匯總性能令人鼓舞，AUC達0.831，敏感性為0.754，特異性為0.775。這一結果提示，基于CT的影像組學在識別ALK重排方面可能具備與EGFR相當的潛力。然而，由于研究數量有限，此結論仍需更多外部數據驗證。

KRAS突變預測尚不成熟

與上述兩種突變相比，KRAS的預測效能最低且異質性極高，匯總敏感性僅為0.475。性能的巨大波動主要源于個別模型極低的敏感度，反映出當前KRAS突變在影像表型上可能缺乏特異性強且穩定的特征，或其生物學行為更為復雜，難以通過現有影像特征捕捉。

圖2 風險偏倚圖

臨床意義與轉化前景

本研究的發現對推動肺癌精準診療的臨床實踐具有多重意義。首先，它證實了基于CT的影像組學AI模型，特別是針對EGFR與ALK，可作為有效的“預篩工具”，在侵入性檢測之前對患者的基因突變可能性進行分層。這種無創分流策略尤其適用于組織樣本不足、患者身體狀況無法耐受重復活檢，或醫療資源有限需優化檢測次序的場景。

其次，研究揭示了“影像-臨床”多模態融合的增值作用。盡管當前臨床變量的加入僅帶來適度的性能提升，但在實際應用中，這種提升可能轉化為顯著減少的不必要檢測與更合理的資源分配。未來的模型開發應更注重影像與臨床、乃至液態活檢等多源信息的深度融合。

然而，必須清醒認識到，這些AI工具在當前階段定位于“輔助決策”而非“替代診斷”。其高敏感性意味著它們能有效識別絕大多數突變陽性患者，避免漏診；而中等的特異性則提示，其陽性預測結果仍需通過金標準方法確認。這種定位有助于在發揮技術優勢的同時，規避因假陽性導致的過度醫療風險。

挑戰與未來方向

盡管前景廣闊，該領域走向真正的臨床常規應用仍面臨若干挑戰。其一，是方法與報告的標準化問題。本研究指出，大量原始研究在圖像采集協議、腫瘤分割方法、特征提取與模型構建流程上缺乏統一標準，且報告透明度不足，這嚴重阻礙了結果的復現與模型的泛化。其二，是模型驗證的嚴謹性不足。在納入的124項研究中，僅21項進行了外部驗證，而多中心研究更是鳳毛麟角。缺乏在獨立、異質人群中的性能驗證，是模型邁向臨床的最大障礙。其三，是生物學可解釋性的缺失。 當前模型多為“黑箱”，其做出預測的影像特征與腫瘤內在的生物學機制（如細胞密度、血管生成、壞死模式）之間的關聯尚不明確。

針對上述挑戰，未來的研究應致力于：推動影像組學流程的標準化，例如遵循IBSI 指南；優先采用多中心前瞻性設計，并納入更具代表性的真實世界患者隊列；深入探索影像特征與腫瘤基因組、免疫微環境的內在聯系，增強模型的可解釋性；最后，開展旨在評估其臨床效用與成本效益的前瞻性干預性研究，證明其在實際醫療流程中的價值。

結語

這項系統性回顧與薈萃分析，有力地論證了基于CT影像組學和人工智能模型在無創預測NSCLC關鍵驅動基因突變方面的可行性與有效性。研究不僅為EGFR和ALK突變預測提供了迄今最高級別的證據，也清晰地勾勒出當前技術的邊界與未來發展的路徑。隨著標準化工作的推進、多中心驗證的開展以及可解釋AI技術的進步，影像組學有望在不遠的將來，成為肺癌精準醫療體系中一個不可或缺的無創篩查環節，為實現“以患者為中心”的個體化診療做出重要貢獻。

參考文獻：

[1] Fuster-Matanzo A, et al. Prediction of oncogene mutation status in non-small cell lung cancer: a systematic review and meta-analysis with a special focus on artificial intelligence-based methods. Eur Radiol. 2025 Sep 8.

*此文僅用于向醫療衛生專業人士提供科學信息，不代表平臺立場。