本研究回顾了2022年1月至2023年12月间两个中心对Ⅰ期外周型肺腺癌患者进行的手术治疗数据，旨在识别与肿瘤沿气腔播散（STAS）相关的放射学特征，并利用影像组学开发机器学习预测模型，为胸外科医生的手术决策提供支持。
研究共收集了290例符合标准的病例数据，其中65例患者（22.41%）确诊为STAS阳性。结合高分辨率CT扫描的传统影像学特征及影像组学特征，采用LASSO回归和多种机器学习算法，本研究对瘤内（intratumoral）特征、外扩3 mm和5 mm的瘤周（peritumoral）特征进行了分析。通过对比十种机器学习算法，证实了随机森林算法在预测STAS方面表现最佳，尤其在3 mm瘤周特征分析中表现突出。最终，本研究成功构建了一个有效预测肺腺癌STAS的模型。通过SHAP（SHapley Additive exPlanations）值分析，研究揭示了每个特征对模型预测结果的贡献，提高了模型的可解释性和临床可信度。这种透明的模型解读帮助医生更好地理解哪些特征对STAS预测起关键作用。基于预测模型，本研究开发了一款网络的实时应用工具，允许临床医生输入患者的CT影像特征，并即时获得STAS风险预测结果。这一模型对胸外科医生进行手术决策具有实际指导意义，尤其是在术前评估患者的STAS风险时。（论著中文信息由第一作者整理提供，欲览英文原文请扫描下方二维码）
