肺胸膜浸润(VPI)是调整肺癌病理T分类和T1、T2肿瘤组织学类型后的主要不良预后指标之一。因此，术前评估肺癌VPI的存在对选择手术范围非常重要。由于VPI与淋巴结转移和局部复发相关，因此尽管是IA期肺癌，若病灶同时伴有VPI，切除范围则由肺段切除术转为肺叶切除术合并纵隔淋巴结清扫。

    但目前，术前基于影像学特征很难准确诊断VPI。CT表现如肿瘤与胸膜直接接触、胸膜牵拉、胸膜收缩等被认为是VPI的可疑影像学表现，但据部分研究表明这些表现的诊断准确率仅在71 - 95%之间。在这种情况下，深度学习能够自动从原始数据中学习有用的表示和特征，而不需要人工介入，这可能会带来诊断上的突破。深度学习在几种影像学模型中表现出比医生更高的诊断准确性。

---

    近日，发表在European Radiology杂志的一项研究开发并验证了一种术前基于CT的深度学习模型，用于预测早期肺癌的VPI，同时也比较了模型和放射科医师之间的诊断性能，并分析模了型输出的独立诊断价值。

    在本项回顾性研究中，数据集1（用于训练、调优和内部验证）纳入了676例在2009年至2015年之间手行术切除的临床IA期肺腺癌患者。数据集2（用于时间验证）纳入了141例在2017年至2018年期间手术切除的临床I期肺腺癌患者。建立了一种预测VPI的基于CT的深度学习模型，并在区分和校准方面进行了验证。同时进行了观察者表现研究和多元回归分析。

    该模型的受试者工作特性曲线（AUC）下的面积为0.75（95％CI，0.67-0.84），与经委员会认证的放射科医生的曲线下面积（AUC，0.73-0.79;所有p> 0.05）相当。该模型具有比放射科医师更高标准化部分的AUC，特异性范围90％至100％（所有p <0.05）。高灵敏度截断值为0.245时的敏感性为93.8%，特异性为31.2%，高特异度截断值为0.448时的敏感性为47.9%，特异性为86.0%。三位放射科医师中有两位提供了高敏感性(93.8%和97.9%)而非特异性(48.4%和40.9%)诊断。该模型显示了良好的校准(p > 0.05)，其输出是VPI的独立预测因子(校正优势比，1.07;95%置信区间,1.03 -1.11;p < 0.001)。

表1 模型和三个委员会认证的放射科医生的受试者工作特性曲线下面积

图1 用于解释模型输出的梯度加权类激活映射。a、 b真阳性预测，c、 d假阳性预测。

 

    该基于术前CT的深度学习模型为手术适应患者提取了独立的VPI诊断信息，并表现出专家级的诊断性能。

---

原始出处：

Hyewon Choi,Hyungjin Kim,Wonju Hong,et al. Prediction of visceral pleural invasion in lung cancer on CT: deep learning model achieves a radiologist-level performance with adaptive sensitivity and specificity to clinical needs.DOI:10.1007/s00330-020-07431-2

Tags： Eur Radiol:如何判断肺癌有没有侵犯脏层胸膜？