CT深度学习及影像组学在非小细胞肺癌个体化治疗中的应用研究

在肺癌领域，非小细胞肺癌（NSCLC）是最常见的类型，约占肺癌总体的85%。其中，RET基因突变是非小细胞肺癌中较为罕见的驱动基因突变之一，其在NSCLC患者中的发生率约为1-2%。RET突变的非小细胞肺癌患者对传统化疗反应较差，因此，探索针对RET突变的个体化治疗策略具有重要意义。近年来，随着医学影像技术的快速发展，特别是CT深度学习和影像组学技术的应用，为非小细胞肺癌的个体化治疗提供了新的视角。

RET突变非小细胞肺癌的临床特征

RET基因突变主要包括点突变和基因融合两种类型。在非小细胞肺癌中，RET基因融合较为常见，而点突变较为罕见。RET突变的非小细胞肺癌患者往往具有以下临床特征：

1) 年轻患者比例较高，中位年龄在50岁左右； 2) 从不吸烟或轻度吸烟的患者比例较高，约占50%； 3) 病理类型以腺癌为主，约占90%； 4) 肿瘤分期以早期为主，约占70%； 5) 对传统化疗药物反应较差，中位无进展生存时间（PFS）仅为3-4个月。

CT深度学习在RET突变非小细胞肺癌治疗中的应用

CT深度学习技术通过构建深度学习模型，利用大量CT影像数据训练模型，从而实现对肿瘤的自动识别、分割和定量分析。在RET突变非小细胞肺癌的治疗中，CT深度学习技术具有以下应用价值：

1) 辅助诊断：利用CT深度学习模型，可提高RET突变非小细胞肺癌的检出率和诊断准确性，为个体化治疗提供依据； 2) 疗效评估：通过对比治疗前后的CT影像，利用深度学习模型可准确评估肿瘤的体积变化、密度变化等，为疗效评估提供客观依据； 3) 预后预测：结合CT影像特征和临床病理特征，利用深度学习模型可预测患者的预后，为个体化治疗提供参考。

影像组学在RET突变非小细胞肺癌治疗中的应用

影像组学技术通过高通量提取CT影像的定量特征，结合生物信息学和机器学习技术，构建影像特征与临床病理特征之间的关联模型。在RET突变非小细胞肺癌的治疗中，影像组学技术具有以下应用价值：

1) 预测疗效：通过分析影像特征与疗效之间的关联，可筛选出预测疗效的影像标志物，为个体化治疗提供参考； 2) 预测预后：通过分析影像特征与预后之间的关联，可筛选出预测预后的影像标志物，为个体化治疗提供参考； 3) 指导治疗决策：结合影像特征、临床病理特征和分子标志物，利用影像组学技术可为RET突变非小细胞肺癌患者制定个体化治疗方案。

结语

总之，CT深度学习和影像组学技术在RET突变非小细胞肺癌的个体化治疗中具有重要应用价值。通过结合影像特征、临床病理特征和分子标志物，可为RET突变非小细胞肺癌患者提供精准的个体化治疗方案，改善患者的预后。未来，随着影像技术的不断发展和多模态数据的融合，CT深度学习和影像组学技术在RET突变非小细胞肺癌个体化治疗中的应用前景将更加广阔。

陈海红

中山大学附属第一医院