肺癌是全球癌症死亡的主要原因，常伴有淋巴结转移，这对治疗决策和患者预后有显著影响。非转移病例可手术治疗，而转移可能需要放疗或化疗。肺癌的分期由淋巴结累及程度决定，淋巴结转移表明进一步扩散的风险更高，因此明确了治疗方案和预后。早期发现这种转移对于提高非小细胞肺癌(NSCLC)患者的五年生存率至关重要。

传统的检测方法，如手术活检和支气管镜检查，有风险和局限性，因此人们对非侵入性技术如放射组学的应用越来越依赖。放射组学在影像学和人工智能的最新进展下得到增强，可提取高分辨率医学成像特征，并使用AI算法预测肿瘤行为。传统放射组学主要依赖于特征工程和机器学习算法，包括图像处理、特征提取、模型开发和验证、帮助诊断、治疗评估和预后预测。深度学习(DL)，尤其是卷积神经网络(CNN)，通过多层神经网络实现整个图像序列的端到端输出。通过自动提取复杂特征，减少了人工干预和传统预处理步骤的需要，从而具有先进的放射组学。

最近，发表在European Radiology杂志上的一篇研究评估了放射组学预测非小细胞肺癌淋巴结转移的准确性，对临床进一步提高对患者的管理和预后至关重要。

本项研究遵循PRISMA和AMSTAR指南，系统回顾了2012年3月至2023年12月PubMed、Web of Science和Embase等数据库的文献。包括利用计算机断层扫描(CT)和正电子发射断层扫描(PET)/CT成像的放射组学研究。采用QUADAS-2和RQS工具评估研究质量，并使用TRIPOD检查表评估模型透明度。综合敏感性、特异性和AUC值来确定诊断性能，亚组和敏感性分析探讨异质性，Fagan图评估临床适用性。

本项研究分析纳入了来自22项研究的42个队列。CT放射组学的敏感性为0.84 (95% CI: 0.79-0.88, p < 0.01)，特异性为0.82 (95% CI: 0.75-0.87, p < 0.01)， AUC为0.90 (95% CI: 0.87-0.92)，无发表偏倚(p值= 0.54 > 0.05)。PET/CT放射组学的敏感性为0.82 (95% CI: 0.76 ~ 0.86, p < 0.01)，特异性为0.86 (95% CI: 0.81 ~ 0.90, p < 0.01)， AUC为0.90 (95% CI: 0.87 ~ 0.93)，有轻微的发表偏倚(p值= 0.03 < 0.05)。尽管具有很高的临床实用性，但亚组分析并没有明确异质性的来源，提示可能受到淋巴结位置和小亚组大小等因素的影响。

 表 纳入研究的QUADAS-2评估摘要以及每项研究的QUADAS-2评估细节

本项研究表明，放射组学模型在预测肺癌淋巴结转移方面具有较高的准确性，但需要更大规模的多中心研究进一步验证。

原文出处：

Yuepeng Li,Junyue Deng,Xuelei Ma,et al.Diagnostic accuracy of CT and PET/CT radiomics in predicting lymph node metastasis in non-small cell lung cancer.DOI:10.1007/s00330-024-11036-4