基于机器学习的多模态数据建立I期非小细胞肺癌患者术后复发预测模型

基于机器学习的多模态数据建立I期非小细胞肺癌患者术后复发预测模型

非小细胞肺癌是肺癌中最常见的类型，早期发现和治疗对于患者的生存率具有重要意义。尽管Ⅰ期非小细胞肺癌患者经过手术切除后总体预后较好，但仍存在一定比例的患者在术后出现复发，严重影响治疗效果和生活质量。因此，如何准确预测术后复发风险，指导个体化治疗和随访策略，成为临床研究的热点。近年来，随着机器学习技术的发展，基于多模态数据构建的预测模型为肺癌复发风险评估提供了新的思路。本文将介绍一项基于术前胸部CT影像组学特征联合临床信息，利用机器学习方法建立Ⅰ期非小细胞肺癌患者术后复发预测模型的研究进展。

一、疾病背景与研究意义

非小细胞肺癌包括腺癌、鳞癌等亚型，早期患者通过手术切除有望获得治愈。然而，术后复发仍是影响患者长期生存的主要因素。传统的复发风险评估主要依赖临床病理特征，但其预测准确性有限。影像组学作为一种从医学影像中提取大量定量特征的技术，能够反映肿瘤的异质性和生物学行为。结合患者的临床信息，利用机器学习算法对多模态数据进行分析，有望提高复发风险预测的准确性，辅助临床决策。

二、研究方法与数据来源

本研究回顾性纳入2014年至2019年间经手术病理确诊的Ⅰ期非小细胞肺癌患者217例，筛选标准严格，确保数据的代表性和可靠性。患者被随机分为训练集和验证集，分别用于模型的构建和性能评估。研究重点在于利用术前胸部CT影像，选取肺癌原发灶作为感兴趣区域，提取影像组学特征。同时，结合患者的人口学资料及术前检验指标，构建临床特征模型。通过融合影像组学与临床特征，建立综合预测模型，并采用多种机器学习算法进行比较，筛选出最优模型。

三、机器学习模型构建与性能评估

影像组学特征的筛选过程严格，最终确定7个关键特征用于模型构建。在多种机器学习算法中，自适应增强算法（Adaboost）表现最佳，训练集和验证集的曲线下面积均显示出较高的预测能力，准确度和特异度均达到较理想水平。临床模型通过单因素和多因素Logistic回归分析筛选出4个重要临床特征，模型在训练集表现良好，但验证集准确度有所下降。融合模型通过特征级融合策略整合影像组学与临床特征，显著提升了预测性能，训练集AUC达到较高水平，验证集表现也优于单一模型，显示出多模态数据融合的优势。

四、模型应用与临床意义

该融合模型能够在术前阶段评估Ⅰ期非小细胞肺癌患者术后五年内的复发风险，为临床医生提供科学依据，指导个体化治疗方案的制定。例如，对于高风险患者，可考虑加强术后辅助治疗和密切随访，降低复发率；对于低风险患者，则可避免过度治疗，减少不必要的副作用和经济负担。此外，该模型的建立也为未来基于大数据和人工智能的肺癌管理提供了范例，推动精准医疗的发展。

五、结语

基于机器学习的多模态数据融合技术，为Ⅰ期非小细胞肺癌患者术后复发风险预测提供了新的解决方案。通过整合术前CT影像组学特征与临床风险因素，构建的联合模型在预测准确性和临床实用性方面均表现出较大优势。未来，随着数据量的增加和算法的优化，该模型有望进一步提升，为肺癌患者的个体化管理和治疗决策提供更加精准的支持。我们期待这一技术在临床实践中的广泛应用，助力肺癌患者获得更好的治疗效果和生活质量。

苏思远

重庆海吉亚医院