研究背景肺癌是全球癌症相关死亡的首要原因,其中非小细胞肺癌(non-small cell lung cancer,NSCLC)约占所有肺癌的85%。手术切除肿瘤仍然是Ⅰ期到Ⅲa期非小细胞肺癌的首选治疗方式,但术后预后迥异。临床需要对患者术后的预后情况精准评估,进行复发或死亡风险分层,以指导临床制定个性化治疗和随访方案,辅助临床决策。目前,临床上评价NSCLC预后主要基于美国癌症联合会(American Joint Committee on Cancer,AJCC)建立的 TNM 分期系统(T:肿瘤;N:淋巴结;M:远处转移);然而,临床实践发现,肿瘤完全切除后,即使相同分期,NSCLC患者的预后也存在较大差异;因此,临床亟需精准的预后评估方法。最近,有学者提出影像组学概念,即从常规医学图像中提取量化肿瘤特性的高通量定量特征,构建预测模型,实现对肿瘤异质性的无创分析,辅助临床决策,为实现NSCLC患者预后精准评估提供新的思路和方向。研究目的为了帮助临床医生对NSCLC患者制定个体化术后治疗和随访方案,本研究旨在构建基于术前CT图像的手工特征和深度学习特征标签,并评估其预测NSCLC患者总体生存(Overall Survival,OS)的价值,对患者进行危险分层。另外,融合手工特征标签、深度学习特征标签和临床-病理因素,构建NSCLC患者术后预后模型,实现肿瘤的个体化预后评估,为临床治疗决策提供辅助工具。材料与方法回顾性收集412例NSCLC患者的术前CT图像和临床病理信息;随机将患者分为训练组(n=275)和验证组(n=137)。首先,使用Image J软件手动选择在肿瘤最大层面进行肿瘤分割,并使用本研究团队基于Matlab编写的特征提取软件分别提取手工特征和深度学习特征;其次,使用最小绝对收敛和选择算子(the least absolute shrinkage and selection operator,LASSO)Cox 回归模型分别筛选与NSCLC患者预后相关的手工特征和深度学习特征;最后,使用选定的特征分别构建用于预测NSCLC患者预后的手工特征标签和深度学习特征标签。通过多因素Cox回归模型分析验证手工特征标签和深度学习特征标签为NSCLC患者的独立预后因素,并构建融合手工特征标签、深度学习特征标签和临床病理因素的预测模型,使用诺莫图对模型进行可视化,通过区分度、校准度和临床实用性评估其个体化预测NSCLC患者预后的效能。结果由21个手工特征组成的手工特征标签和19个深度学习特征组成的深度学习特征标签均与NSCLC患者的OS显著相关(≤0.013),并独立于临床病理危险因素(HR[95%CI],手工特征标签,2.006[95%置信区间(Confidence Interval,CI),1.115-3.610];深度学习特征标签,2.187[95%CI,1.392-3.430])。融合手工特征标签、深度学习特征标签和临床病理因素的诺莫图可较好的个体化预测患者的OS,并有好的区分度(训练组,C-index=0.785;验证组,C-index=0.800)和校准度。决策曲线分析表明,在临床实用性方面,融合多因素诺莫图在大部分合理阈值概率范围内均具有良好的总体净收益。结论CT影像组学特征包括手工特征和深度学习特征可以准确预测NSCLC患者预后,并且联合常规临床病理因素的诺莫图可对NSCLC患者的预后进行个体化评估,辅助医生优化NSCLC患者的治疗和随访方案,延长患者生存时间,提高生存率。