美国H. Lee Moffitt 癌症中心和研究所Schabath等报告，基于NLST数据开发并验证的模型显示，影像组学(Radiomics)是癌症研究的一个新兴领域，可以从医学成像中无创获取生物标志物的信息，能通过识别出处于疾病早期阶段且预后较差的高危患者来改善肺癌的筛查。这些患者通常需要积极的随访和/或辅助治疗。(Sci Rep. 2020年6月29日在线版)

影像组学，也被称为图像特征定量，是一个新兴的转化研究领域;它使用数据表征化的算法从影像医学图像中提取大量特征，这些特征反映了潜在的肿瘤病理生理学特征和异质性。

具有里程碑意义的NLST研究显示，与胸部X光检查相比，低剂量螺旋CT扫描(LDCT)与高危人群肺癌死亡率相对降低20%相关。但是，LDCT筛查可能导致缓慢生长的惰性癌症被过度诊断和随后的过度治疗。

美国目前的肺癌筛查纳入标准主要基于NLST中使用的标准。虽然NLST明确表明LDCT筛查是一种挽救生命的工具，但NLST的初衷并非制定公共政策。按照当前的筛查纳入标准，只有不到30%肺癌患者可接受筛查，所以随后的试验(例如NELSON，LUSI或MILD)使用了更广泛、更具包容性的纳入标准，并且还提示LDCT筛查可有效发现早期的肺癌。

因此，应该考虑使肺癌筛查指南更具包容性。此外，基于血液的生物标志物等辅助风险分层工具可能是确定是否参与肺癌筛查计划的重要补充，这对于那些没有危险因素或少有危险因素的人(例如从不吸烟者)而言尤其重要。

该研究纳入了NLST的公开数据和LDCT图像，自筛查、偶发性肺癌诊断的数据中归纳出了影像学特征;然后根据肿瘤内部和肿瘤周围区域的数据计算出描述肿瘤大小、形状、体积和质地特征的影像学特征。患者被分为训练队列和验证队列，还有一个非筛查确诊的肺癌患者队列作为外部队列用于进一步验证。

结果显示，训练队列和验证队列的大多数人口统计学数据在统计学上无显著差异，包括年龄、性别、吸烟状况、吸烟包-年数据、治疗、疾病分期和基线筛查结果。但是，与训练队列相比，验证队列中自我报告的慢性阻塞性肺疾病(COPD)发病率显著增高(16% vs. 7%，P=0.02)。在训练队列中，共鉴别出91个稳定且可重复确证的影像学特征(瘤周和瘤内)，其中40个(瘤周26个，瘤内14个)与总生存显著相关。随后将特征缩减到4个，并经后向消去分析法确定了一个模型。

据此，患者被分为3个风险组：低危组、中危组和高危组。与低危组(HR=1.00;2.5年总生存率为93%，5年总生存率为78%)相比，高危组的总生存更差(HR=9.91;2.5年总生存率为25%，5年总生存率为0)。

最终模型在验证队列中获得了验证，并在非筛查腺癌确诊患者队列中也被验证。因各风险人群的疾病分期存在显著差异，因此该模型按疾病分期进行了分层，结果显示在通常具有良好预后的早期患者中发现了“令人信服”的结果。在此亚组患者中，高危组对比低危组(HR=1.00;2.5年总生存率为75%年，5年总生存率为75%)的总生存较差(HR=2.63;2.5年总生存率为56%，5年总生存率为42%)。

研究者指出，影像组学是一种决策辅助工具，可用于癌症的筛查、早期发现、诊断、预后及疗效评估。影像组学对比循环中的和组织中的生物标志物具有许多优势，因为这些定量图像特征可以通过标准影像快速计算得出，并反映了整个肿瘤的负荷，这远优于仅依靠组织样本获取的信息。

(编译 张铭珊)