解放军医学院学报

作者：李洪海, 张泽瑾, 南昊宁, 孙亚菲, 赵明, 陈思禹, 仇永辉, 王钰琦

关键词：呼吸系统, 肺肿瘤, 机器学习, 亚实性结节, 气道播散, 预测模型, 实性成分占比, SHAP分析

背景对于CT影像表现为亚实性结节(subsolid nodule，SSN)的IA期肺癌，如果能术前精准评估发生气道播散(spread through air spaces，STAS)的风险，可以为优化手术方案、改善患者预后提供有力的支撑。目的开发并验证一个基于CT数据和实验室检查结果的机器学习模型，以识别IA期肺癌患者中表现为亚实性结节的高STAS风险病例。方法回顾性分析2021年5月至2025年9月解放军总医院第一医学中心和第四医学中心的2 047例CT表现为亚实性结节的IA期肺癌患者的临床数据，其中第一医学中心1 600例使用随机数法按照7∶3的比例分为训练集(n=1 120)和内部验证集(n=480)，第四医学中心的447例为外部验证集。使用单因素逻辑回归、最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)回归和多因素逻辑回归进行特征选择，随后开发朴素贝叶斯(Naive Bayes，NB)、逻辑回归(Logistic Regression，LR)、K近邻(K-Nearest Neighbors，KNN)、随机森林(Random Forest，RF)、单层神经网络(Single-Layer Neural Network，SLNN)、极端梯度增强(Extreme Gradient Boosting，XGBoost)和轻梯度增强机(Light Gradient Boosting Machine，LightGBM)7个机器学习模型。使用受试者工作特征(receiver operating characteristic，ROC)曲线、校准曲线和决策曲线分析(decision curve analysis，DCA)评估模型的性能。模型可视化采用Shapley加性解释(Shapley Additive exPlanations，SHAP)，根据SHAP的特征重要性排序构建预测列线图并部署网页。结果在开发的7个机器学习模型中，RF模型表现出最好的预测性能，其曲线下面积(area under the curve，AUC)在训练队列中为0.934(95% CI：0.902 ~ 0.966)，在内部验证队列中为0.929(95% CI：0.900 ~ 0.958)，在外部验证队列中为0.873(95% CI：0.837 ~ 0.909)。校准曲线表明，模型的预测结果与实际结果吻合较好。DCA曲线显示该模型具有较高的临床净收益。经过SHAP分析，确定了预测CT影像表现为亚实性结节IA期肺癌STAS的最关键因素为：实性成分占比(0.189)，肿瘤最大径(0.079)，毛刺征(0.037)和瘤肺界面(0.035)。结论基于术前影像语义特征及临床指标的RF模型能精准预测以亚实性结节为表现的IA期肺癌发生STAS的风险，在外部验证中展现了较好的泛化能力。该模型有望通过术前甄别IA期肺癌发生STAS的预测因子，在指导治疗方案决策、改善患者预后等方面起到一定的临床辅助决策价值。

来源：2025年第12期

《解放军医学院学报》期刊编辑部

查看解放军医学院学报杂志2025年第12期