基于T1WI 增強(qiáng)影像組學(xué)模型預(yù)測非小細(xì)胞肺癌原發(fā)灶EGFR突變的價(jià)值研究

黃錦祥，陳杰云

0 前言

非小細(xì)胞肺癌（non-small cell lung cancer,NSCLC）是肺癌中最常見的病理學(xué)類型，發(fā)病率約占80%～85%[1]，因癥狀不明顯和篩查方法缺乏，約75%的患者確診時(shí)就已屬于晚期[2]，顱腦轉(zhuǎn)移是肺癌患者致死的主要因素之一[3]。表皮生長因子受體（epithelial growth factor receptor, EGFR）與腫瘤的衍生、增殖和凋亡密切相關(guān)[4]，相比于EGFR 野生型，酪氨酸激酶抑制劑（tyrosine kinase inhibitors, TKIs）對突變型患者療效更卓越，可顯著提高患者存活率[5]，EGFR 突變狀態(tài)在NSCLC 腦轉(zhuǎn)移患者的整體預(yù)后和指導(dǎo)靶向治療中扮演著重要角色。

病理活檢可能因腫瘤的異質(zhì)性、發(fā)病部位、身體狀況及主觀意愿等原因難以進(jìn)行確診。傳統(tǒng)影像學(xué)是肺癌的診斷、分期、療效評價(jià)方面的首要檢查手段。有研究表明EGFR 突變型腦轉(zhuǎn)移瘤較EGFR 野生型更多表現(xiàn)為多發(fā)，瘤周水腫和強(qiáng)化程度更輕[6]，但傳統(tǒng)影像學(xué)特征存在主觀性、半定量的局限性。影像組學(xué)相比于傳統(tǒng)影像學(xué)，可以客觀、全面地挖掘影像圖像中人眼所不能感知的高通量特征，建立包括腫瘤的診斷、預(yù)測和分子分型等模型[7-8]。目前關(guān)于影像組學(xué)與NSCLC 的EGFR 基因突變相關(guān)性的研究主要集中在原發(fā)病灶的CT影像組學(xué)方向[9]，然而晚期的原發(fā)灶常常合并肺炎導(dǎo)致難以勾畫感興趣容積（volume of interest, VOI）[10]，且CT 影像組學(xué)特征受標(biāo)準(zhǔn)化CT 掃描參數(shù)如切面厚度等影響[11]，使用非侵入性的MRI 影像組學(xué)來預(yù)測原發(fā)灶EGFR 突變狀態(tài)是必要的，目前相關(guān)研究還較少。JIANG 等[12]基于多參數(shù)脊柱MRI 的影像組學(xué)方法術(shù)前預(yù)測肺腺癌EGFR突變狀態(tài)，但MRI脊柱轉(zhuǎn)移瘤的勾畫缺乏自動或半自動分割方法，導(dǎo)致勾畫VOI時(shí)容易產(chǎn)生主觀性誤差且煩瑣耗時(shí)。因此本研究探討NSCLC 腦轉(zhuǎn)移瘤MRI 影像組學(xué)在預(yù)測原發(fā)灶EGFR 突變狀態(tài)的應(yīng)用，使用半自動方法勾畫VOI，建立準(zhǔn)確預(yù)測EGFR突變狀態(tài)的影像組學(xué)模型，并通過影像組學(xué)中未參與建模的測試組數(shù)據(jù)對預(yù)測模型效能進(jìn)行評估，提高預(yù)測的準(zhǔn)確性和模型的穩(wěn)定性，幫助臨床醫(yī)生做出更準(zhǔn)確的診斷和更合理的個(gè)體化治療方案。

1 材料與方法

1.1 一般資料

本研究遵守《赫爾辛基宣言》，經(jīng)福建醫(yī)科大學(xué)附屬泉州市第一醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)，免除受試者知情同意，編號：2021-231?；仡櫺苑治?015年9 月至2021 年11 月泉州市第一醫(yī)院97 例NSCLC（91 例為腺癌，6 例為鱗癌）腦轉(zhuǎn)移患者的頭顱MRI 影像資料，EGFR突變型50例（17例外顯子19缺失突變、33 例21 L858R 點(diǎn)突變），EGFR 野生型47 例，男65 例，女32例，年齡62.00±11.66（41～85）歲，所有病例按照8∶2 比例隨機(jī)分組至訓(xùn)練組和測試組。納入標(biāo)準(zhǔn)：（1）患者治療前行常規(guī)頭顱MRI平掃和增強(qiáng)掃描；（2）病理證實(shí)為NSCLC，并行聚合酶鏈?zhǔn)椒磻?yīng)（polymerase chain reaction, PCR）檢測EGFR 基因結(jié)果；（3）圖像質(zhì)量滿足診斷要求，腦轉(zhuǎn)移瘤數(shù)目≤10 個(gè)；（4）病灶最大層面直徑需≥5 mm,以免病灶太小影響分割。排除標(biāo)準(zhǔn)：患者影像資料不全。

1.2 MRI檢查方法

掃描機(jī)器為德國SIEMENS Avanto 1.5 T 超導(dǎo)MRI掃描儀，增強(qiáng)掃描包括橫斷位、冠狀位及矢狀位圖像，用常規(guī)頭顱線圈掃描，所有病例均行常規(guī)T1WI、T2WI、T2 液體衰減反轉(zhuǎn)恢復(fù)（T2 fluid attenuation inversion recovery, T2-FLAIR）序列、擴(kuò)散加權(quán)成像（diffusion-weighted imaging, DWI）及T1WI 增強(qiáng)掃描，患者取仰臥位。MRI 平掃采用T1WI-SE 和T2WI-TSE序列，T1WI-SE序列掃描參數(shù)：TR/TE=1400 ms/8.4 ms，F(xiàn)OV 23 cm×23 cm，平均次數(shù)為1，層厚6 mm，層間距1 cm；T2WI-TSE 序列掃描參數(shù)：TR/TE=3330 ms/100 ms，F(xiàn)OV 23 cm×23 cm，平均次數(shù)為2，層厚6 mm，層間距1 cm；T2-FLAIR序列掃描參數(shù)：TR/TE=5000 ms/89 ms，F(xiàn)OV 23 cm×23 cm，平均次數(shù)為1，層厚6 mm，層間距1 cm；軸位DWI 采用平面回波掃描，掃描參數(shù)：b 值設(shè)定為0 及1000 s/mm2，TR/TE=2900 ms/100 ms，F(xiàn)OV 23 cm×23 cm，層 厚6 mm，層間距1 cm，自動獲得表觀擴(kuò)散系數(shù)（apparent diffusion coefficient, ADC）圖像；MRI增強(qiáng)掃描序列及參數(shù)與T1WI-SE 序列相同，掃描橫軸位、冠狀位及矢狀位，對比劑采用釓特酸葡胺注射液（江蘇恒瑞醫(yī)藥股份有限公司），注射劑量0.1～0.2 mmol/kg，注射速率1.5 mL/s。

1.3 EGFR檢測方法

對患者經(jīng)支氣管鏡、經(jīng)皮肺穿刺或手術(shù)活檢病理所獲取的組織標(biāo)本進(jìn)行實(shí)時(shí)熒光PCR基因檢測，采用北京鑫諾美迪公司生產(chǎn)的EGFR基因突變檢測試劑盒，儀器為Mx3000P 熒光定量PCR 分析儀，檢測操作步驟依照試劑盒說明書，將檢測結(jié)果分為EGFR 突變型（突變含量1%～100%）和EGFR 野生型（陰性或低于檢測下限，突變含量＜1%）。

1.4 圖像分割

選取T1WI 增強(qiáng)橫斷位、冠狀位、矢狀位圖像，在腫瘤各個(gè)層面沿腫瘤邊緣采用半自動結(jié)合手動的方法勾畫VOI，不包括腫瘤周圍水腫區(qū)，將VOI導(dǎo)入?yún)R醫(yī)慧影公司Radcloud 平臺，按8∶2 比例隨機(jī)分為訓(xùn)練組和測試組，為了保證結(jié)果的可重復(fù)性和模型的泛化能力,平臺自動對圖像的體素大小、強(qiáng)度進(jìn)行歸一化。所有VOI的勾畫由一名具有6年頭顱MRI診斷經(jīng)驗(yàn)的影像科主治醫(yī)生在不了解患者的臨床信息情況下于3D Slicer軟件上完成，勾畫完成后由一名具有20 年工作經(jīng)驗(yàn)的主任醫(yī)生檢查所有輪廓，如果差異≥5%，則由高年資影像科醫(yī)生決定腫瘤邊界。

1.5 影像組學(xué)特征提取

從圖像上所勾畫的每個(gè)VOI 中提取1409 個(gè)定量影像特征，包括一階統(tǒng)計(jì)特征126 個(gè)、形狀學(xué)特征14個(gè)、紋理特征525個(gè)、高階統(tǒng)計(jì)特征744個(gè)。

1.6 影像組學(xué)特征篩選及降維

特征選擇方法包括方差選擇法（VarianceThreshold）、單變量選擇法（SelectKBest）及最小絕對收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）。VarianceThreshold留下了方差大于0.8 的特征值；SelectKBest 留下P＜0.05 的特征；LASSO 使用L1 正則化器作為成本函數(shù)，交叉驗(yàn)證的誤差值為5，最大迭代次數(shù)為1000。

1.7 統(tǒng)計(jì)學(xué)方法及模型建立方法

使用SPSS 25.0 軟件對臨床基線資料進(jìn)行統(tǒng)計(jì)分析。性別以例（%）的形式表示,組間比較采用χ2檢驗(yàn),年齡采用±s表示，組間比較采用獨(dú)立樣本t檢驗(yàn),統(tǒng)計(jì)結(jié)果以P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。本研究采用支持向量機(jī)（support vector machines,SVM）、邏輯回歸（logistic regression, LR）2種分類器構(gòu)建影像組學(xué)預(yù)測模型，并利用訓(xùn)練組5折交叉驗(yàn)證提高模型的有效性。通過對各模型的受試者工作特征（receiver operating characteristic, ROC）曲線進(jìn)行評估預(yù)測效能，得出最優(yōu)模型，通過DeLong檢驗(yàn)分析各模型間的差異性（流程見圖1）。

圖1 技術(shù)路線流程。Fig.1 Technical route process.

2 結(jié)果

2.1 臨床基線資料分析結(jié)果

97 例NSCLC 腦 轉(zhuǎn) 移 患 者 中，EGFR 突 變 型50 例（51.50%），包括17 例外顯子19 缺失突變、33 例21 L858R 點(diǎn)突變，EGFR 野生型47 例（48.50%）。在訓(xùn)練組中，女性EGFR 基因突變率（81.48%，22/27）遠(yuǎn)大于男性 EGFR 基因突變率（35.29%，18/51），差異有統(tǒng)計(jì)學(xué)意義（P＜0.001）。而年齡在EGFR突變型與野生型中差異無統(tǒng)計(jì)學(xué)意義（P＞0.05）（表1）。

表1 訓(xùn)練組臨床基線特征與EGFR（突變型、野生型）的關(guān)系Tab.1 Relationship between clinical baseline characteristics and EGFR (mutant, wild type) in the training group

2.2 影像組學(xué)特征的降維、篩選結(jié)果

基于T1WI增強(qiáng)橫斷位、冠狀位、矢狀位及聯(lián)合序列圖像分析，使用VarianceThreshold、SelectKBest、LASSO降維和篩選，最后分別得出7、12、10、13個(gè)最優(yōu)特征（圖2）。

圖2 最小絕對收縮和選擇算子（LASSO）的圖像特征和相關(guān)系數(shù)。2A：T1WI 增強(qiáng)橫斷位；2B：T1WI 增強(qiáng)冠狀位；2C：T1WI增強(qiáng)矢狀位；2D：聯(lián)合序列。Fig.2 Image features and correlation coefficients for least absolute shrinkage and selection operator (LASSO).2A: T1WI enhanced transverse; 2B: T1WI enhances coronal position; 2C: T1WI enhanced sagittal position; 2D: Joint sequence.

2.3 分類器建模結(jié)果

降維、篩選后的特征使用SVM、LR分類器建模，結(jié)果顯示：基于T1WI增強(qiáng)橫斷位、冠狀位、矢狀位的SVM和LR 分類器模型預(yù)測效果表現(xiàn)優(yōu)良，大部分AUC 均大于0.60，且聯(lián)合模型預(yù)測效能AUC較單序列模型均有提升，其中聯(lián)合序列LR分類器預(yù)測效能最佳：測試組AUC 0.84，敏感度80%，特異度78%，準(zhǔn)確率80%。（表2、3，圖3）。DeLong 檢驗(yàn)顯示聯(lián)合序列AUC 與單序列差異均無統(tǒng)計(jì)學(xué)意義（P＞0.05）（表4、5）。

表2 SVM模型在訓(xùn)練組與測試組中的預(yù)測效能Tab.2 The predictive performance of SVM models in the training and test groups

表3 LR模型在訓(xùn)練組與測試組中的預(yù)測效能Tab.3 The predictive performance of LR models in the training and test groups

表4 測試組SVM分類器聯(lián)合序列和單序列預(yù)測效能DeLong檢驗(yàn)結(jié)果Tab.4 The results of the DeLong test of the combined sequence and single sequence prediction performance of the SVM classifier

表5 測試組LR分類器聯(lián)合序列和單序列預(yù)測效能DeLong檢驗(yàn)結(jié)果Tab.5 The results of the DeLong test of the combined sequence and single sequence prediction performance of the LR classifier

圖3 測試組的支持向量機(jī)（SVM）、邏輯回歸（LR）分類器的受試者工作特征（ROC）曲線。3A：SVM 分類器的T1WI增強(qiáng)橫斷位（Tra）模型、冠狀位（Cor）模型、矢狀位（Sag）模型和聯(lián)合模型；3B：LR分類器的T1WI增強(qiáng)橫斷位（Tra）模型、冠狀位（Cor）模型、矢狀位（Sag）模型和聯(lián)合模型。AUC：曲線下面積。Fig.3 The receiver operating characteristic (ROC) curves of support vector machines (SVM) and logistic regression (LR) classifiers in the test group.3A: T1WI enhanced transverse (Tra), coronal (Cor), sagittal (Sag)and joint models using SVM classifiers; 3B: T1WI enhanced Tra, Cor, Sag and joint models using LR classifiers.AUC: area under the curve.

3 討論

本研究對97例NSCLC腦轉(zhuǎn)移瘤的T1WI增強(qiáng)橫斷位、冠狀位、矢狀位影像組學(xué)特征進(jìn)行降維、篩選，使用SVM 和LR 分類器建立模型，結(jié)果顯示基于T1WI 增強(qiáng)橫斷位、冠狀位、矢狀位及聯(lián)合序列均取得了良好預(yù)測效能，雖然各模型間差異無統(tǒng)計(jì)學(xué)意義，但聯(lián)合序列AUC較單序列有所提升，說明聯(lián)合序列模型預(yù)測效能優(yōu)于單序列。本研究創(chuàng)新性地通過腦轉(zhuǎn)移瘤MRI影像組學(xué)來預(yù)測原發(fā)灶的基因突變類型，T1WI增強(qiáng)上腦轉(zhuǎn)移瘤邊界顯示清晰，使用半自動分割方法降低勾畫難度并提高魯棒性，減少人眼判斷的主觀性限制，聯(lián)合多序列并使用不同分類器建立模型，幫助臨床醫(yī)生通過模型快速準(zhǔn)確地預(yù)測EGFR突變的類型，指導(dǎo)臨床個(gè)性化的靶向治療。

3.1 影像組學(xué)特征與EGFR突變狀態(tài)的關(guān)系

以往有研究表明EGFR突變型肺癌較野生型的紋理更細(xì)膩，灰度整體分布更規(guī)律[13]，但也有研究發(fā)現(xiàn)病灶紋理紊亂程度越大，越趨于EGFR 突變型[14]，矛盾原因可能是樣本量和種族差異，肺腺癌中白種人和東亞人EGFR突變率分別為20%和40%[15]。本研究中預(yù)測效能最佳的聯(lián)合T1WI橫斷位、冠狀位、矢狀位模型篩選出的影像組學(xué)特征包括一階特征（幅度、峰度、偏度）、灰度共生矩陣（簇突）、灰度大小區(qū)域矩陣（小區(qū)域高灰度重點(diǎn)）、灰度游程長度矩陣（長游程高灰度重點(diǎn)、長游程低灰度重點(diǎn)）、灰度依賴矩陣（依賴熵）、鄰近灰度差矩陣（粗糙度），與WANG等[16]和PARK等[17-18]的研究篩選出的特征相似。上述特征描述的是腫瘤的灰度強(qiáng)度及分布情況、體素及其周圍空間鄰域的分布狀態(tài)，可反映腫瘤的異質(zhì)性大小[19-20]，其中最具相關(guān)性的是峰度和小區(qū)域高灰度強(qiáng)調(diào)。峰度反映圖像灰度峰尖的尖度，值越大灰度分布越陡峭，值越小則灰度分布越平坦。本研究中EGFR突變型的峰度大于野生型，表明突變型的NSCLC腦轉(zhuǎn)移瘤的灰度分布更陡峭，這與DIGUMARTHY 等[21]的發(fā)現(xiàn)相符合，他們還認(rèn)為峰度有預(yù)示血管生成的作用，而血管生成跟腫瘤侵襲性、預(yù)后有關(guān)，因此峰度可能是評價(jià)EGFR突變陽性患者抗血管生成藥物療效的指標(biāo)之一，小區(qū)域高灰度重點(diǎn)是測量圖像小區(qū)域高灰度體素分布的程度，值越大圖像紋理越細(xì)膩，反之紋理越粗糙，本研究中EGFR 突變型的小區(qū)域高灰度重點(diǎn)小于野生型，可理解為EGFR 突變型的NSCLC 腦轉(zhuǎn)移瘤比野生型的紋理更紊亂、粗糙?？偠灾珽GFR 突變型比野生型灰度分布更陡峭、更不均，紋理更紊亂、更粗糙，原因可能是EGFR突變更容易導(dǎo)致腫瘤內(nèi)部血管生成，引起腫瘤內(nèi)部微觀結(jié)構(gòu)的改變。本研究的T1WI增強(qiáng)冠狀位模型篩選出一個(gè)形態(tài)學(xué)特征——最大2D直徑，說明EGFR突變型腦轉(zhuǎn)移瘤冠狀位的最大徑小于EGFR野生型，HSIAO等[22]發(fā)現(xiàn)EGFR突變與肺部CT病灶體積較小有關(guān)，YIP 等[14]亦發(fā)現(xiàn)EGFR 突變與組學(xué)特征緊密性2 密切相關(guān)，緊密性2 是描述腫瘤形狀相較于球體的緊實(shí)程度的，其認(rèn)為EGFR突變型的瘤體更小，內(nèi)部排列更緊密。遺憾的是，本研究中還有許多影像組學(xué)特征與EGFR基因突變狀態(tài)的關(guān)系尚不明朗，難以通過現(xiàn)有的原理解釋清楚，有待后續(xù)具體深入研究。

3.2 不同序列的預(yù)測效能分析

既往亦有許多基于T1WI增強(qiáng)橫斷位、冠狀位、矢狀位的影像組學(xué)研究，YANG 等[23]研究了紋理分析在預(yù)測膠質(zhì)母細(xì)胞瘤的分子亞型和12個(gè)月生存狀態(tài)方面的性能，結(jié)果表明橫斷位對經(jīng)典型預(yù)測最佳，冠狀位對前神經(jīng)型及12個(gè)月生存狀態(tài)最具預(yù)測效能。有研究探討基于T1WI 增強(qiáng)（橫斷位、矢狀位）的深度學(xué)習(xí)模型在鑒別高、低級別腦膜瘤中的應(yīng)用價(jià)值，共篩選出15 個(gè)特征（10 個(gè)來自橫斷位，5 個(gè)來自矢狀位），最佳模型的訓(xùn)練組和測試組AUC 分別為0.988 和0.935[24]。本研究T1WI 增強(qiáng)三個(gè)方位單序列模型中，冠狀位和矢狀位的預(yù)測效果大部分均好于橫斷位，原因可能是大部分?jǐn)?shù)據(jù)的冠狀位和矢狀位增強(qiáng)掃描時(shí)間稍晚于橫斷位，增強(qiáng)延遲掃描能顯示更清晰、更豐富的信息[25]，有待后續(xù)進(jìn)一步納入延遲T1WI 增強(qiáng)橫斷位序列以驗(yàn)證該猜想。

與單序列相比，多序列聯(lián)合分析可能會發(fā)掘出更多相互獨(dú)立又互補(bǔ)的信息，對于提升腫瘤的生物學(xué)行為的預(yù)測效能具有積極意義。李順等[26]結(jié)合T1WI 增強(qiáng)三個(gè)平面的紋理特征鑒別腦膿腫與膠質(zhì)母細(xì)胞瘤，當(dāng)紋理特征峰度的截?cái)嘀等?.207時(shí)效果最好，AUC、敏感度和特異度分別為0.754、88.0%和54.1%。李笑然等[27]分別基于T1WI、T2WI、T2WI 抑脂序列及聯(lián)合以上序列，構(gòu)建樸素貝葉斯模型預(yù)測宮頸鱗癌的病理組織類型，聯(lián)合模型在四種模型中預(yù)測效能最高，測試組AUC 為0.860。本研究中的聯(lián)合序列LR模型預(yù)測效能最佳，訓(xùn)練組AUC、敏感度、特異度和準(zhǔn)確率分別為0.86、74%、75%和76%，測試組分別為0.84、80%、78%和80%，但與單序列模型相比，差異并不是很顯著，還存在進(jìn)一步探索的空間。過多序列聯(lián)合建模有過擬合和魯棒性減弱的風(fēng)險(xiǎn)，實(shí)際應(yīng)用中應(yīng)視具體情況而定，本研究依次使用VarianceThreshold、SelectKBest和LASSO共3種特征篩選方法，以及5折交叉驗(yàn)證來盡量避免上述的風(fēng)險(xiǎn)。

3.3 不同分類器的分析

本研究應(yīng)用了LR、SVM兩種分類器，其中聯(lián)合序列的LR 分類器預(yù)測效能最佳，測試組AUC 為0.84，敏感度80%，特異度78%，準(zhǔn)確率80%。每個(gè)分類器都有各自的特點(diǎn)，如LR通過擬合變量系數(shù)來預(yù)測二分類概率的分對數(shù)轉(zhuǎn)換，有較準(zhǔn)確和穩(wěn)定的預(yù)測能力；SVM通過尋找超平面來劃分不同類別的樣本，能夠解決高維問題，可擴(kuò)展性較好，且不依賴于整個(gè)樣本數(shù)據(jù)，即使訓(xùn)練樣本的數(shù)量很少，其學(xué)習(xí)算法也能夠具有良好的泛化以及分類能力[28]。目前還沒有被廣泛認(rèn)可的最佳分類器，因?yàn)樵趯?shí)際應(yīng)用中，結(jié)果表現(xiàn)好的分類器，可能在某些方面效果不佳，而效能較弱的分類器可能在別的特定問題中表現(xiàn)較優(yōu)，如YANG等[23]用隨機(jī)森林分類器研究T1WI 增強(qiáng)和T2-FLAIR 的紋理特征預(yù)測高級別膠質(zhì)瘤的分子亞型，結(jié)果T1WI 增強(qiáng)對經(jīng)典型預(yù)測最佳（AUC=0.72），T2-FLAIR 對間質(zhì)型和神經(jīng)元型預(yù)測最佳（AUC 分別為0.70 和0.75），而CHEN 等[29]聯(lián)合T1WI 增強(qiáng)和T2-FLAIR 序列，采用隨機(jī)森林分類器預(yù)測肺癌腦轉(zhuǎn)移瘤的EGFR、ALK、KRAS 基因突變狀態(tài)，AUC 值分別達(dá)到0.858、0.845 和0.928。也有研究納入多種分類器分析，用以評價(jià)模型對于數(shù)據(jù)和結(jié)果的適用性，AHN 等[30]和REN 等[31]分別研究腦轉(zhuǎn)移瘤和胸椎轉(zhuǎn)移瘤的增強(qiáng)T1WI 影像組學(xué)預(yù)測肺癌EGFR 突變狀態(tài)的價(jià)值，均運(yùn)用了多個(gè)分類器建模，前者預(yù)測能力最強(qiáng)的分類器是隨機(jī)森林（AUC=0.868），后者的是LR（AUC=0.803）。故在實(shí)際情況下，應(yīng)具體問題具體分析，盡可能納入多種分類器以探索最佳的分類器，達(dá)到更滿意的預(yù)測或診斷效果。

3.4 本研究的局限性

本研究仍存在一定的局限性。首先，本研究為回顧性研究，樣本量過小且來自單一機(jī)構(gòu)，后續(xù)應(yīng)納入更大、更多中心、更多序列的樣本。其次，本研究中只納入了突變型與野生型，沒有進(jìn)一步分析突變亞型的預(yù)測價(jià)值，且所提取的影像組學(xué)特征與EGFR突變的關(guān)系尚不明朗，將來應(yīng)進(jìn)一步研究突變亞型之間的預(yù)測和分析具體影像組學(xué)特征的關(guān)系。最后，本研究應(yīng)用的降維方法、分類器種類較少，今后爭取采用更多降維方法及分類器種類，增加模型的穩(wěn)定性。

綜上所述，基于T1WI 增強(qiáng)橫斷位、冠狀位、矢狀位的影像組學(xué)模型可以預(yù)測EGFR 突變狀態(tài)，聯(lián)合T1WI增強(qiáng)橫斷位、冠狀位、矢狀位的LR分類器模型預(yù)測效能最佳，有助于指導(dǎo)臨床合理選擇靶向藥物治療及實(shí)現(xiàn)個(gè)體化精準(zhǔn)醫(yī)學(xué)。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：陳杰云設(shè)計(jì)本研究的方案，對稿件重要內(nèi)容作批評性審閱、修改，獲得了福建省自然科學(xué)基金的資助；黃錦祥起草和撰寫稿件，獲取、分析和解釋本研究的數(shù)據(jù)；全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。