中科院一区见刊：基于术前CT图像2.5D放射组学数据的T1N0胃癌深度学习诊断模型开发

该研究旨在开发一个基于术前CT图像的深度学习模型，用于准确诊断无淋巴结转移的早期胃癌（pT1N0）。以下是对该论文的解读，包括所使用的数据情况、技术方法等内容：

一、数据概述

1. 患者来源与数量

• 总样本量：3164例胃癌患者

• 来源：

• 浙江省肿瘤医院 （Zhejiang Cancer Hospital）：

• 训练集（Training cohort）：1953例

• 内部验证集（Internal validation cohort）：837例

• 浙江省中医院（Zhejiang Hospital of Traditional Chinese Medicine）：

• 外部验证集（External validation cohort）：374例

2. 病理类型分布

• pT1N0（早期无淋巴结转移）：923例（29.2%）

• 非pT1N0（进展期或淋巴结阳性）：2241例（70.8%）

3. 影像数据

• 影像类型：术前门静脉期增强CT（portal venous phase CT）

• 每例患者提取切片数：7张（中心层 + 上下各3层，构成2.5D数据）

• ROI分割：由3名经验丰富的放射科医生使用ITK-SNAP手动标注肿瘤区域

二、技术方法概述

1. 2.5D 放射组学（2.5D Radiomics）

• 不同于传统2D（单一切片）或3D（整个体积），2.5D提取中心层及其上下各3层（共7层），既保留空间上下文信息，又避免3D计算复杂度高的问题。

2. 深度学习模型（预训练+微调）

• 使用的预训练模型（ImageNet上预训练）：

• DenseNet121

• Inception_v3

• ResNet101（最终表现最佳）

• ResNet50

• VGG19

3.  多示例学习（Multi-Instance Learning, MIL）

• 将每位患者的7个切片视为一个“包”（bag），每个切片是一个“实例”

• 使用MIL进行特征融合，提升模型对整体样本的判别能力

4. 特征融合与选择

• 特征聚合方法：

• 直方图特征聚合（Histogram feature aggregation）

• 词袋模型（Bag of Words, BoW） + TF-IDF

• 特征选择：

• t检验（P < 0.05）

• LASSO回归（带10折交叉验证）

5. 机器学习分类器

在MIL融合后的特征上训练以下分类器：

• Logistic Regression (LR)

• Support Vector Machine (SVM)

• Random Forest

• Extra Trees

• XGBoost（表现最佳）

• LightGBM

6. 模型可视化与可解释性

• 使用 Grad-CAM（Gradient-weighted Class Activation Mapping）可视化模型关注区域

7. 对比模型

• 传统放射组学模型（手工特征 + 机器学习）

• 临床模型（基于临床指标如年龄、肿瘤标志物等）

• 2.5D MIL模型（本研究提出）

8. 评估指标

• AUC（曲线下面积）

• 准确率（Accuracy）

• 敏感性（Sensitivity）

• 特异性（Specificity）

• 决策曲线分析（DCA）

• Delong检验（模型间AUC差异显著性检验）

三、主要结果摘要

• 最佳模型：ResNet101 + XGBoost（基于2.5D MIL）

• AUC值：

• 训练集：0.920

• 内部验证集：0.774

• 外部验证集：0.744

• 2.5D MIL模型显著优于传统放射组学模型和临床模型

• 模型可用于预测淋巴结转移风险、分期和预后分层

四、总结

该研究构建了一个基于2.5D放射组学 + 多示例学习 + 深度学习的联合模型，用于术前CT图像中pT1N0胃癌的自动化诊断。该方法在多个中心数据上验证有效，具备较高的临床转化潜力。