机器学习联合CT影像组学赋能HER2状态评估米升网，构建稳健的无创辅助诊断新模型。
胃癌（GC）是全球主要的负担之一，其发病率和死亡率长期位居恶性肿瘤前列，严重威胁人类健康[1]。人表皮生长因子受体2（HER2）作为胃癌关键的驱动基因，其过表达状态直接决定了患者能否从抗HER2靶向药物（如曲妥珠单抗）中获益[2]。近年来，基于ToGA研究的确立，曲妥珠单抗联合化疗已成为HER2阳性晚期胃癌的一线标准治疗方案，显著延长了患者的总生存期。目前临床金标准依赖于有创操作，不仅受限于取材部位的局限性，难以反映肿瘤整体的时空异质性，且耗时费力，导致部分患者因无法耐受或检测结果假阴性而错失治疗窗口[3]。因此，如何利用无创的影像学手段，通过挖掘肉眼无法识别的深层特征来全面表征肿瘤的生物学行为，并构建高精度的HER2状态预测模型，已成为实现胃癌精准诊疗分层亟待突破的关键问题。
一项发表在
Academic Radiology上的多中心研究，深入分析了来自不同医疗中心的胃癌患者术前 CT影像数据，探讨了基于CT的影像组学特征在无创预测HER2表达状态中的价值。该研究旨在系统性地评估一个核心假设：即静脉期CT图像中蕴含的高维纹理特征，经由机器学习算法筛选与建模后，能否克服不同中心间的数据差异，稳健地识别出HER2阳性亚群。研究通过多种特征筛选策略与分类器算法的交叉验证，构建了具有临床应用潜力的预测模型，并特别关注了模型在排除HER2阴性患者方面的效能，以此探索其作为辅助决策工具减少不必要有创检查的可行性 [4] 。本文特此对该研究的建模策略、验证结果及临床转化意义进行提炼与解读，以飨读者。
研究设计
该研究将纳入来自三个不同医疗中心的1059例胃癌患者样本米升网，依据免疫组化和FISH检测结果划分为HER2阳性组和HER2阴性组。该研究的核心方法是采用高通量影像组学技术（FAE）对患者静脉期CT图像中的直方图特征和纹理特征进行提取、标准化及降维分析。研究的核心在于通过对比递归特征消除（RFE）等多种特征筛选策略与SVM、Lasso回归等机器学习分类器的组合，构建稳健的影像组学标签以阐明影像表型与基因表达之间的潜在关联。研究的核心发现是基于RFE特征筛选和LR-Lasso分类器构建的模型展现出最佳的预测效能和临床净获益，提示其作为一种有效的无创辅助工具，能帮助临床排除非HER2阳性患者，从而有力地指导胃癌患者的精准分层和减少不必要的有创活检。
研究结果
该研究首先评估了不同特征筛选方法与机器学习分类器组合对胃癌HER2表达状态的预测有效性。通过对提取的影像组学特征进行降维与筛选分析，结果显示，在特征选择阶段，RFE和方差分析（ANOVA）的表现显著优于Kruskal-Wallis检验（KW）和Relief算法。结合分类器进一步分析发现，LR-Lasso构建的模型，在训练集中展现了最高的预测效能，显著优于SVM模型。这表明RFE特征筛选策略结合LR-Lasso算法是构建HER2影像组学预测标签的最佳潜在策略。
图1 不同特征选择方法建立模型的比较
在模型验证和泛化能力方面，研究利用独立外部测试集（中心C）显示，RFE+LR-Lasso模型保持了高度的稳健性。该模型在外部测试集中的曲线下面积（AUC）达到了0.8033，且优于ANOVA构建的模型以及所有的SVM模型。统计分析进一步证实，该模型在训练集和测试集之间未表现出显著的过拟合现象，且能够有效捕捉静脉期CT图像中与HER2表达相关的微观纹理差异。这证实了利用单时相CT影像特征进行跨中心HER2状态预测的可行性。
图2 训练集、交叉验证训练集（cv_training）及测试集中的ROC曲线米升网
临床决策与诊断效能分析揭示了该影像组学模型的关键应用价值：决策曲线分析（DCA）显示，当高风险阈值超过0.4时，RFE+LR-Lasso模型相比其他模型能为患者带来显著更高的临床净获益。此外，诊断效能评估发现，该模型虽然阳性预测值（PPV）有限，但具有极高的阴性预测值（NPV=0.9834）和较高的敏感性。这提示该影像组学标签可能作为一个高效的“排除性”生物标志物，通过高可信度地识别HER2阴性患者，从而减少不必要的有创活检和检测成本，优化胃癌患者的临床诊疗路径。
图3 训练集和验证集的决策曲线比较
总结
本研究通过对胃癌患者队列进行基于CT影像组学的多中心回顾性分析，有效评估了静脉期影像纹理特征在无创预测HER2表达状态中的重大价值。研究清晰地揭示了基于RFE筛选并结合Lasso逻辑回归构建的影像组学标签，可以作为评估胃癌HER2状态的潜在无创生物标志物。更重要的是，该研究通过多中心独立验证和决策曲线分析，证实了该影像组学模型在不同中心数据间具有高度的稳健性以及优于传统临床模型的临床净获益。这一无创评估能超越传统的局部活检限制，以极高的NPV协助排除非HER2阳性患者，从而识别出可能因异质性而被病理检测漏诊的潜在特殊人群。这为开展针对胃癌的精准分层和减少不必要的有创检查提供了强有力的影像学依据，并允许在病理结果存疑时对HER2状态进行潜在的补充评估。尽管本研究存在仅基于2D图像分析且阳性样本比例较低的局限性，但其采用的大样本多中心验证设计具有重要价值。随着对CT影像组学特征理解的加深，这种基于计算医学的辅助诊断模型有望被纳入未来的胃癌临床实践，以更精准地指导患者的个体化靶向治疗。
参考文献：
1. Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin. 2024;74:229–63.
2. Bang Y-J, Van Cutsem E, Feyereislova A, et al. Trastuzumab in combination with chemotherapy versus chemotherapy alone for treatment of HER2-positive advanced gastric or gastro-oesophageal junction cancer (ToGA): a phase 3, open-label, randomised controlled trial[J]. Lancet. 2010;376:687–97.
3. Eric Van Cutsem, Bang Y-J, Feng-Yi F, et al. HER2 screening data from ToGA: targeting HER2 in gastric and gastroesophageal junction cancer[J]. Gastric Cancer. 2015;18:476–84.
4. Wu ZH, Ren XR, Meng YQ, et al. Non-invasive Assessment of Human Epidermal Growth Factor Receptor 2 Expression in Gastric Cancer Based on Deep Learning: A Computed Tomography-based Multicenter Study[J]. Acad Radiol. 2025;32(5):2596-2603.
审批编号：CN-173732 有效期至：2026-12-09本材料由阿斯利康提供，仅供医疗卫生专业人士参考
*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。
配资门户网提示：文章来自网络，不代表本站观点。
