基于人工智能与影像组学的NSCLC驱动基因突变无创预测：系统性回顾与荟萃分析解读

*仅供医学专业人士阅读参考

基于AI的影像组学模型可无创预测肺癌EGFR与ALK突变，为精准医疗提供新工具。

随着精准医疗理念的深入，非小细胞肺癌（NSCLC）的分子分型已成为制定治疗策略的核心环节。然而，传统组织活检存在侵入性、样本不足及技术门槛高等局限，促使研究者探索无创、高效的替代方案。在此背景下，影像组学与人工智能技术的结合展现出巨大潜力。发表于

European Radiology

研究背景与临床需求

肺癌作为全球范围内发病与死亡人数最高的恶性肿瘤，其最主要的病理类型为NSCLC。在NSCLC中，EGFR、ALK与KRAS等驱动基因的突变状态直接关系到靶向治疗的适用性与疗效。目前，基因检测的金标准仍依赖于组织或液体活检，然而其在临床实践中面临多重挑战：包括取材侵入性带来的风险、样本质量不稳定、检测周期较长，以及在部分医疗资源受限地区技术普及度不高等问题。

医学影像，尤其是CT扫描，作为肺癌诊断与分期中的常规检查手段，蕴含大量关于肿瘤异质性、微观结构及功能状态的定量信息。影像组学通过高通量提取并分析这些图像特征，结合人工智能算法，有望实现对肿瘤基因表型的间接推断。尽管已有若干研究尝试构建预测模型，但缺乏系统性评估与跨研究性能整合。该研究正是在这一背景下，旨在回答一个关键临床问题：基于CT的影像组学与AI是否足以成为驱动基因突变状态预测的可靠无创工具？

研究设计与方法学特色

本研究严格遵循PRISMA与MOOSE指南，系统检索了截至2024年11月的三大数据库，最终纳入124项研究进行系统回顾，其中51项符合荟萃分析条件。研究团队由多学科专家组成，涵盖影像学、肿瘤学与生物信息学领域，确保了评估的全面性与专业性。

在方法学上，本研究具有几大突出特点：首先，作者明确将模型类型区分为“纯影像组学模型”与“影像—临床联合模型”，从而能够评估临床变量在预测中的附加价值；其次，所有纳入模型均基于CT影像构建，保证了技术路径的均质性与结果的可比性；此外，研究采用CLAIM与QUADAS-2工具分别进行方法学质量与偏倚风险评估，确保了证据的可靠性。

尤为值得注意的是，本研究并未如常规做法仅提取各研究中性能最优的模型，而是纳入所有符合预设标准的模型，尽管此举引入了相当的异质性，却更真实地反映了该领域发展的整体水平与技术多样性。为综合这种异质性，作者采用了双变量随机效应模型进行荟萃分析，并进一步通过元回归探索影响模型性能的关键因素。

图1 PRISMA流程图

核心发现：不同基因突变预测性能各异

EGFR突变预测表现卓越

分析显示，基于影像组学的AI模型在预测EGFR突变方面展现出最高的成熟度与稳定性。汇总敏感性达0.754，特异性为0.656，汇总受试者工作特征曲线下面积为0.769。尤为重要的是，当模型融合临床变量（如年龄、吸烟史等）形成联合模型后，预测性能得到进一步提升，AUC升至0.821，敏感性提高至0.806。这表明，影像组学特征与临床背景信息的结合，能够更精准地识别可能携带EGFR突变的患者，为其优先进行基因检测提供依据。

ALK融合检测潜力初显

尽管纳入评估ALK预测模型的研究仅有3项，但其汇总性能令人鼓舞，AUC达0.831，敏感性为0.754，特异性为0.775。这一结果提示，基于CT的影像组学在识别ALK重排方面可能具备与EGFR相当的潜力。然而，由于研究数量有限，此结论仍需更多外部数据验证。

KRAS突变预测尚不成熟

与上述两种突变相比，KRAS的预测效能最低且异质性极高，汇总敏感性仅为0.475。性能的巨大波动主要源于个别模型极低的敏感度，反映出当前KRAS突变在影像表型上可能缺乏特异性强且稳定的特征，或其生物学行为更为复杂，难以通过现有影像特征捕捉。

图2 风险偏倚图

临床意义与转化前景

本研究的发现对推动肺癌精准诊疗的临床实践具有多重意义。首先，它证实了基于CT的影像组学AI模型，特别是针对EGFR与ALK，可作为有效的“预筛工具”，在侵入性检测之前对患者的基因突变可能性进行分层。这种无创分流策略尤其适用于组织样本不足、患者身体状况无法耐受重复活检，或医疗资源有限需优化检测次序的场景。

其次，研究揭示了“影像-临床”多模态融合的增值作用。尽管当前临床变量的加入仅带来适度的性能提升，但在实际应用中，这种提升可能转化为显著减少的不必要检测与更合理的资源分配。未来的模型开发应更注重影像与临床、乃至液态活检等多源信息的深度融合。

然而，必须清醒认识到，这些AI工具在当前阶段定位于“辅助决策”而非“替代诊断”。其高敏感性意味着它们能有效识别绝大多数突变阳性患者，避免漏诊；而中等的特异性则提示，其阳性预测结果仍需通过金标准方法确认。这种定位有助于在发挥技术优势的同时，规避因假阳性导致的过度医疗风险。

挑战与未来方向

尽管前景广阔，该领域走向真正的临床常规应用仍面临若干挑战。其一，是方法与报告的标准化问题。本研究指出，大量原始研究在图像采集协议、肿瘤分割方法、特征提取与模型构建流程上缺乏统一标准，且报告透明度不足，这严重阻碍了结果的复现与模型的泛化。其二，是模型验证的严谨性不足。在纳入的124项研究中，仅21项进行了外部验证，而多中心研究更是凤毛麟角。缺乏在独立、异质人群中的性能验证，是模型迈向临床的最大障碍。其三，是生物学可解释性的缺失。 当前模型多为“黑箱”，其做出预测的影像特征与肿瘤内在的生物学机制（如细胞密度、血管生成、坏死模式）之间的关联尚不明确。

针对上述挑战，未来的研究应致力于：推动影像组学流程的标准化，例如遵循IBSI 指南；优先采用多中心前瞻性设计，并纳入更具代表性的真实世界患者队列；深入探索影像特征与肿瘤基因组、免疫微环境的内在联系，增强模型的可解释性；最后，开展旨在评估其临床效用与成本效益的前瞻性干预性研究，证明其在实际医疗流程中的价值。

结语

这项系统性回顾与荟萃分析，有力地论证了基于CT影像组学和人工智能模型在无创预测NSCLC关键驱动基因突变方面的可行性与有效性。研究不仅为EGFR和ALK突变预测提供了迄今最高级别的证据，也清晰地勾勒出当前技术的边界与未来发展的路径。随着标准化工作的推进、多中心验证的开展以及可解释AI技术的进步，影像组学有望在不远的将来，成为肺癌精准医疗体系中一个不可或缺的无创筛查环节，为实现“以患者为中心”的个体化诊疗做出重要贡献。

参考文献：

[1] Fuster-Matanzo A, et al. Prediction of oncogene mutation status in non-small cell lung cancer: a systematic review and meta-analysis with a special focus on artificial intelligence-based methods. Eur Radiol. 2025 Sep 8.

*此文仅用于向医疗卫生专业人士提供科学信息，不代表平台立场。