基于CT影像组学特征联合临床特征预测非小细胞肺癌EGFR突变状态

杨涛涛; 王显棋; 陈灿灿; 闫婉莹; 王大为; 熊坤林; 孙志远; 陈伟

doi:10.16016/j.2097-0927.202411024

您当前的位置：

首页 >

文章列表页 >

基于CT影像组学特征联合临床特征预测非小细胞肺癌EGFR突变状态

临床医学 | 更新时间：2025-04-25

- 基于CT影像组学特征联合临床特征预测非小细胞肺癌EGFR突变状态
- 暂无标题
- 陆军军医大学学报 2025年47卷第8期页码：847-857
- 作者机构：
  
  1.陆军军医大学（第三军医大学）第一附属医院放射科，重庆
  2.推想医疗科技股份有限公司，北京
  3.陆军特色医学中心（第三军医大学大坪医院）放射科，重庆
  4.东部战区总医院放射诊断科，江苏南京
- 作者简介：
  
  陈伟，E-mail：landcw@tmmu.edu.cn
- 基金信息：
  
  重庆市科卫联合重点项目(2023ZDXM008)
- DOI：10.16016/j.2097-0927.202411024
  中图分类号： R394.3;R734.2;R814.42
- 收稿日期：2024-11-05，
  
  修回日期：2025-01-09，
  
  纸质出版日期：2025-04-30
- 稿件说明：
移动端阅览
杨涛涛,王显棋,陈灿灿,等.基于CT影像组学特征联合临床特征预测非小细胞肺癌EGFR突变状态[J].陆军军医大学学报,2025,47(08):847-857.

YANG Taotao,WANG Xianqi,CHEN Cancan,et al.Prediction of EGFR mutation status in non-small cell lung cancer based on CT radiomic features combined with clinical characteristics[J].J Army Med Univ,2025,47(08):847-857.
杨涛涛,王显棋,陈灿灿,等.基于CT影像组学特征联合临床特征预测非小细胞肺癌EGFR突变状态[J].陆军军医大学学报,2025,47(08):847-857. DOI：10.16016/j.2097-0927.202411024.

YANG Taotao,WANG Xianqi,CHEN Cancan,et al.Prediction of EGFR mutation status in non-small cell lung cancer based on CT radiomic features combined with clinical characteristics[J].J Army Med Univ,2025,47(08):847-857. DOI：10.16016/j.2097-0927.202411024.

摘要

‍

目的

探究基于胸部CT影像组学特征联合临床特征预测非小细胞肺癌（non-small cell lung cancer， NSCLC）表皮生长因子受体（epidermal growth factor receptor， EGFR）基因突变的预测价值。

方法

采用病例对照研究的方法，收集2013年1月至2023年10月3家医疗中心放射科1 070名NSCLC患者的临床信息和CT图像。其中陆军军医大学第一附属医院719名NSCLC患者按照7∶3的比例随机分成训练集、内部验证集；东部战区总医院173名患者、陆军特色医学中心178名患者分别作为外部验证集1、外部验证集2。使用最小绝对收缩和选择算子回归筛选最佳影像组学特征，构建影像组学模型；以单因素及多因素Logistic回归筛选EGFR突变相关的临床特征，构建临床模型；联合影像组学特征及临床特征构建综合模型。3种分类模型均采用随机森林（random forest， RF）的机器学习方法进行建模。采用曲线下面积（AUC）、准确率、敏感度和特异度评价模型预测效能。绘制校正曲线以评估综合模型的拟合优度，决策曲线评估模型的临床应用价值。

结果

影像组学模型在内部验证集、外部验证集1、外部验证集2中的AUC值分别为0.762 4（95%

： 0.692 4~0.825 1）、0.745 4（95%

： 0.671 1~0.814 3）和0.724 7（95%

： 0.639 7~0.801 6）；临床预测模型在内部验证集、外部验证集1、外部验证集2的AUC值分别为0.691 7（95%

： 0.627 9~0.757 6）、0.652 5（95%

： 0.576 7~0.729 1）和0.779 2（95%

： 0.712 5~0.847 3）；基于临床特征和影像组学特征构建的综合模型预测效能值最佳，其在内部验证集、外部验证集1、外部验证集2的AUC值分别为0.818 0（95%

： 0.757 7~0.874 3）、0.782 4（95%

： 0.7031~0.848 2）和0.796 6（95%

： 0.718 1~0.868 6）。校准曲线提示综合模型拟合度较好，决策曲线提示综合模型具有较好的净收益。

结论

结合胸部CT影像组学特征与临床特征构建的综合模型在预测NSCLC EGFR基因突变的多中心数据集中表现出更好的预测性能，有助于帮助临床制定治疗策略。

Abstract

关键词

Keywords

references

SUNG H ， FERLAY J ， SIEGEL R L ， et al . Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries ［J］. CA Cancer J Clin ， 2021 ， 71 （ 3 ）： 209 - 249 . DOI： 10.3322/caac.21660 http://dx.doi.org/10.3322/caac.21660 .

URAS I Z ， MOLL H P ， CASANOVA E . Targeting KRAS mutant non-small-cell lung cancer： past， present and future ［J］. Int J Mol Sci ， 2020 ， 21 （ 12 ）： 4325 . DOI： 10.3390/ijms21124325 http://dx.doi.org/10.3390/ijms21124325 .

OSOEGAWA A ， TAKUMI Y ， HASHIMOTO T ， et al . Cyclin-dependent kinase （CDK） 4/6 inhibition in non-small cell lung cancer with epidermal growth factor receptor （EGFR） mutations ［J］. Invest New Drugs ， 2023 ， 41 （ 2 ）： 183 - 192 . DOI： 10.1007/s10637-023-01337-8 http://dx.doi.org/10.1007/s10637-023-01337-8 .

ETTINGER D S ， WOOD D E ， AISNER D L ， et al . Non-small cell lung cancer， version 5.2017， NCCN clinical practice guidelines in oncology ［J］. J Natl Compr Canc Netw ， 2017 ， 15 （ 4 ）： 504 - 535 . DOI： 10.6004/jnccn.2017.0050 http://dx.doi.org/10.6004/jnccn.2017.0050 .

HOSOMI Y ， MORITA S ， SUGAWARA S ， et al . Gefitinib alone versus gefitinib plus chemotherapy for non-small-cell lung cancer with mutated epidermal growth factor receptor： NEJ009 study ［J］. J Clin Oncol ， 2020 ， 38 （ 2 ）： 115 - 123 . DOI： 10.1200/JCO.19.01488 http://dx.doi.org/10.1200/JCO.19.01488 .

MITSUDOMI T ， MORITA S ， YATABE Y ， et al . Gefitinib versus cisplatin plus docetaxel in patients with non-small-cell lung cancer harbouring mutations of the epidermal growth factor receptor （WJTOG3405）： an open label， randomised phase 3 trial ［J］. Lancet Oncol ， 2010 ， 11 （ 2 ）： 121 - 128 . DOI： 10.1016/S1470-2045（09）70364-X http://dx.doi.org/10.1016/S1470-2045（09）70364-X .

MAEMONDO M ， INOUE A ， KOBAYASHI K ， et al . Gefitinib or chemotherapy for non-small-cell lung cancer with mutated EGFR ［J］. N Engl J Med ， 2010 ， 362 （ 25 ）： 2380 - 2388 . DOI： 10.1056/NEJMoa0909530 http://dx.doi.org/10.1056/NEJMoa0909530 .

ZITO MARINO F ， BIANCO R ， ACCARDO M ， et al . Molecular heterogeneity in lung cancer： from mechanisms of origin to clinical implications ［J］. Int J Med Sci ， 2019 ， 16 （ 7 ）： 981 - 989 . DOI： 10.7150/ijms.34739 http://dx.doi.org/10.7150/ijms.34739 .

SALLER J J ， BOYLE T A . Molecular pathology of lung cancer ［J］. Cold Spring Harb Perspect Med ， 2022 ， 12 （ 3 ）： a037812 . DOI： 10.1101/cshperspect.a037812 http://dx.doi.org/10.1101/cshperspect.a037812 .

RIOS VELAZQUEZ E ， PARMAR C ， LIU Y ， et al . Somatic mutations drive distinct imaging phenotypes in lung cancer ［J］. Cancer Res ， 2017 ， 77 （ 14 ）： 3922 - 3930 . DOI： 10.1158/0008-5472.CAN-17-0122 http://dx.doi.org/10.1158/0008-5472.CAN-17-0122 .

GARINET S ， LUPO A ， DENIZE T ， et al . Successive next-generation sequencing strategy for optimal fusion gene detection in non-small-cell lung cancer in clinical practice ［J］. Pathology ， 2024 ， 56 （ 5 ）： 702 - 709 . DOI： 10.1016/j.pathol.2024.02.014 http://dx.doi.org/10.1016/j.pathol.2024.02.014 .

LAMBIN P ， RIOS-VELAZQUEZ E ， LEIJENAAR R ， et al . Radiomics： extracting more information from medical images using advanced feature analysis ［J］. Eur J Cancer ， 2012 ， 48 （ 4 ）： 441 - 446 . DOI： 10.1016/j.ejca.2011.11.036 http://dx.doi.org/10.1016/j.ejca.2011.11.036 .

JIANG L ， YOU C ， XIAO Y ， et al . Radiogenomic analysis reveals tumor heterogeneity of triple-negative breast cancer ［J］. Cell Rep Med ， 2022 ， 3 （ 7 ）： 100694 . DOI： 10.1016/j.xcrm.2022.100694 http://dx.doi.org/10.1016/j.xcrm.2022.100694 .

WANG Z P ， FANG M J ， ZHANG J ， et al . Radiomics and deep learning in nasopharyngeal carcinoma： a review ［J］. IEEE Rev Biomed Eng ， 2024 ， 17 ： 118 - 135 . DOI： 10.1109/RBME.2023.3269776 http://dx.doi.org/10.1109/RBME.2023.3269776 .

WANG T T ， SHE Y L ， YANG Y ， et al . Radiomics for survival risk stratification of clinical and pathologic stage IA pure-solid non-small cell lung cancer ［J］. Radiology ， 2022 ， 302 （ 2 ）： 425 - 434 . DOI： 10.1148/radiol.2021210109 http://dx.doi.org/10.1148/radiol.2021210109 .

KHORRAMI M ， PRASANNA P ， GUPTA A ， et al . Changes in CT radiomic features associated with lymphocyte distribution predict overall survival and response to immunotherapy in non-small cell lung cancer ［J］. Cancer Immunol Res ， 2020 ， 8 （ 1 ）： 108 - 119 . DOI： 10.1158/2326-6066.CIR-19-0476 http://dx.doi.org/10.1158/2326-6066.CIR-19-0476 .

YIN X M ， LIAO H ， YUN H ， et al . Artificial intelligence-based prediction of clinical outcome in immunotherapy and targeted therapy of lung cancer ［J］. Semin Cancer Biol ， 2022 ， 86 （ Pt 2 ）： 146 - 159 . DOI： 10.1016/j.semcancer.2022.08.002 http://dx.doi.org/10.1016/j.semcancer.2022.08.002 .

HUANG B ， SOLLEE J ， LUO Y H ， et al . Prediction of lung malignancy progression and survival with machine learning based on pre-treatment FDG-PET/CT ［J］. EBioMedicine ， 2022 ， 82 ： 104127 . DOI： 10.1016/j.ebiom.2022.104127 http://dx.doi.org/10.1016/j.ebiom.2022.104127 .

RAMI-PORTA R ， ASAMURA H ， TRAVIS W D ， et al . Lung cancer-major changes in the American Joint Committee on Cancer eighth edition cancer staging manual ［J］. CA Cancer J Clin ， 2017 ， 67 （ 2 ）： 138 - 155 . DOI： 10.3322/caac.21390 http://dx.doi.org/10.3322/caac.21390 .

ZHOU J Y ， ZHENG J ， YU Z F ， et al . Comparative analysis of clinicoradiologic characteristics of lung adenocarcinomas with ALK rearrangements or EGFR mutations ［J］. Eur Radiol ， 2015 ， 25 （ 5 ）： 1257 - 1266 . DOI： 10.1007/s00330-014-3516-z http://dx.doi.org/10.1007/s00330-014-3516-z .

ZHANG G J ， ZHANG J ， CAO Y T ， et al . Nomogram based on preoperative CT imaging predicts the EGFR mutation status in lung adenocarcinoma ［J］. Transl Oncol ， 2021 ， 14 （ 1 ）： 100954 . DOI： 10.1016/j.tranon.2020.100954 http://dx.doi.org/10.1016/j.tranon.2020.100954 .

YATABE Y ， KERR K M ， UTOMO A ， et al . EGFR mutation testing practices within the Asia Pacific region： results of a multicenter diagnostic survey ［J］. J Thorac Oncol ， 2015 ， 10 （ 3 ）： 438 - 445 . DOI： 10.1097/jto.0000000000000422 http://dx.doi.org/10.1097/jto.0000000000000422 .

LIU Y ， KIM J ， QU F Y ， et al . CT features associated with epidermal growth factor receptor mutation status in patients with lung adenocarcinoma ［J］. Radiology ， 2016 ， 280 （ 1 ）： 271 - 280 . DOI： 10.1148/radiol.2016151455 http://dx.doi.org/10.1148/radiol.2016151455 .

DU W X ， QIU T ， LIU H Q ， et al . The predictive value of serum tumor markers for EGFR mutation in non-small cell lung cancer patients with non-stage IA ［J］. Heliyon ， 2024 ， 10 （ 9 ）： e29605 . DOI： 10.1016/j.heliyon.2024.e29605 http://dx.doi.org/10.1016/j.heliyon.2024.e29605 .

SHUI L ， REN H Y ， YANG X ， et al . The era of radiogenomics in precision medicine： an emerging approach to support diagnosis， treatment decisions， and prognostication in oncology ［J］. Front Oncol ， 2021 ， 10 ： 570465 . DOI： 10.3389/fonc.2020.570465 http://dx.doi.org/10.3389/fonc.2020.570465 .

SAAD M B ， HONG L Z ， AMINU M ， et al . Predicting benefit from immune checkpoint inhibitors in patients with non-small-cell lung cancer by CT-based ensemble deep learning： a retrospective study ［J］. Lancet Digit Health ， 2023 ， 5 （ 7 ）： e404 - e420 . DOI： 10.1016/S2589-7500（23）00082-1 http://dx.doi.org/10.1016/S2589-7500（23）00082-1 .

ZHANG X P ， ZHANG G J ， QIU X T ， et al . Exploring non-invasive precision treatment in non-small cell lung cancer patients through deep learning radiomics across imaging features and molecular phenotypes ［J］. Biomark Res ， 2024 ， 12 （ 1 ）： 12 . DOI： 10.1186/s40364-024-00561-5 http://dx.doi.org/10.1186/s40364-024-00561-5 .

LI X M ， CHEN J W ， ZHANG C X ， et al . Application value of CT radiomic nomogram in predicting T790M mutation of lung adenocarcinoma ［J］. BMC Pulm Med ， 2023 ， 23 （ 1 ）： 339 . DOI： 10.1186/s12890-023-02609-y http://dx.doi.org/10.1186/s12890-023-02609-y .

TU W T ， SUN G Y ， FAN L ， et al . Radiomics signature： a potential and incremental predictor for EGFR mutation status in NSCLC patients， comparison with CT morphology ［J］. Lung Cancer ， 2019 ， 132 ： 28 - 35 . DOI： 10.1016/j.lungcan.2019.03.025 http://dx.doi.org/10.1016/j.lungcan.2019.03.025 .

LI Y J ， LU L ， XIAO M J ， et al . CT slice thickness and convolution kernel affect performance of a radiomic model for predicting EGFR status in non-small cell lung cancer： a preliminary study ［J］. Sci Rep ， 2018 ， 8 （ 1 ）： 17913 . DOI： 10.1038/s41598-018-36421-0 http://dx.doi.org/10.1038/s41598-018-36421-0 .

LIU Y ， KIM J ， BALAGURUNATHAN Y ， et al . Radiomic features are associated with EGFR mutation status in lung adenocarcinomas ［J］. Clin Lung Cancer ， 2016 ， 17 （ 5 ）： 441 - 448.e6 . DOI： 10.1016/j.cllc.2016.02.001 http://dx.doi.org/10.1016/j.cllc.2016.02.001 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究

多导睡眠监测研究围绝经期女性失眠障碍的临床特征

HBeAg/HBeAb双阳性慢性乙型肝炎患者不同抗病毒方案疗效及临床转归分析

EGFR-TKIs一线治疗EGFR复合突变非小细胞肺癌的疗效及耐药分析

NSCLC脑转移磁共振影像特征评价EGFR突变的研究