基于深度学习的肺结节放射组学特征提取与恶性风险分层研究综述

基于深度学习的肺结节放射组学特征提取与恶性风险分层研究综述一、放射组学与肺结节诊断的临床需求背景肺癌是全球范围内发病率与死亡率最高的恶性肿瘤之一，2025年全球新发肺癌病例约220万例，死亡病例达180万例，其中85%的患者确诊时已处于中晚期，5年生存率不足20%。肺结节作为肺癌早期最常见的影像学表现，其良恶性鉴别是实现肺癌早诊早治、降低死亡率的核心环节。目前临床对肺结节的评估主要依赖胸部CT影像的人工判读，受医师经验、主观认知差异影响，对直径<8mm的微小结节诊断准确率仅为60%-70%，且存在高假阳性率导致的过度诊疗风险。放射组学概念自2012年提出以来，通过高通量提取医学影像中的定量特征，将视觉影像信息转化为可挖掘的高维特征空间，为肺结节的无创评估提供了全新路径。传统放射组学流程包括图像预处理、感兴趣区域（ROI）分割、手工特征提取、特征筛选与模型构建五大步骤，其中特征提取阶段主要依赖人工定义的形态学、灰度统计、纹理特征三类指标。形态学特征涵盖结节直径、体积、分叶征、毛刺征等临床常用形态参数；灰度统计特征包括灰度均值、方差、偏度、峰度等反映像素值分布的指标；纹理特征则通过灰度共生矩阵、灰度游程矩阵、灰度级带矩阵等方法捕捉结节内部的异质性信息。尽管传统放射组学在肺结节良恶性鉴别中已展现出一定价值，但手工特征的设计高度依赖领域先验知识，难以全面挖掘影像中隐含的微观生物学信息，且特征鲁棒性易受图像扫描参数、重建算法、层厚差异的影响，限制了其在多中心临床场景中的推广应用。二、深度学习在放射组学特征提取中的技术演进深度学习技术的快速发展为放射组学特征提取带来了革命性突破，其端到端的学习模式能够自动从原始影像数据中挖掘高维隐含特征，有效弥补了传统手工特征的局限性。目前主流的深度学习放射组学（DeepRadiomics）特征提取方法可分为三类：基于卷积神经网络（CNN）的特征提取、基于Transformer的全局特征建模、基于自监督学习的跨域特征泛化。（一）卷积神经网络的局部特征提取能力CNN的局部感受野与权值共享特性使其在医学图像特征提取中具有天然优势，早期研究多采用预训练CNN模型（如VGG、ResNet、DenseNet）直接提取肺结节区域的深度特征。2018年，美国国立卫生研究院（NIH）团队在《NatureMedicine》发表研究，采用ResNet-50模型提取LIDC-IDRI数据集中1018例肺结节的深度特征，构建的良恶性分类模型AUC达0.94，较传统放射组学模型提升12%。后续研究进一步针对肺结节的医学影像特性优化网络结构：多尺度CNN通过设计不同大小的卷积核捕捉结节的多尺度形态特征，解决了不同直径结节的特征适配问题；三维卷积网络（3D-CNN）能够直接利用CT的三维空间信息，提取结节的空间纹理与毗邻关系特征，较二维CNN的特征区分度提升8%-15%；注意力机制CNN则通过引入通道注意力与空间注意力模块，自动聚焦结节内部异质性区域与边缘恶性征象区域，有效过滤无关背景信息的干扰。不同于直接将深度特征用于分类任务的端到端模型，深度放射组学将CNN提取的深度特征与传统手工特征进行融合，构建“手工+深度”的混合特征空间，实现先验知识与数据驱动特征的优势互补。2023年国内多中心研究纳入12家医疗机构的4237例肺结节患者，融合107个传统放射组学特征与2048个ResNet提取的深度特征，经LASSO与mRMR算法筛选后构建的恶性风险分层模型，在独立测试集中AUC达0.96，敏感度92.3%，特异度87.6%，性能显著优于单一特征类型模型。（二）Transformer的全局特征建模优势尽管CNN在局部纹理特征提取中表现优异，但其有限的感受野难以捕捉结节与周围肺组织的全局空间关联，Transformer模型的自注意力机制则能够有效建模长距离依赖关系，为全局特征提取提供了新的技术路径。视觉Transformer（ViT）将CT图像分割为多个patches，通过自注意力计算每个patch之间的关联权重，实现全局上下文信息的聚合。2024年斯坦福大学团队提出的NoduleViT模型，针对肺结节小目标特性优化了patch分割策略与注意力计算方式，提取的全局特征能够有效捕捉结节毛刺与胸膜牵拉、血管集束等恶性征象的关联关系，在1.2万例多中心肺结节数据集上的分类AUC达0.97，较3D-CNN模型提升3个百分点。混合Transformer架构则结合了CNN的局部特征提取能力与Transformer的全局建模优势，成为当前深度放射组学特征提取的主流方向。这类模型通常采用CNN作为前端提取局部纹理与边缘特征，再通过Transformer模块对特征图进行全局上下文建模，既保留了CNN对细粒度征象的捕捉能力，又实现了全局关联信息的充分挖掘。目前已有研究验证，混合架构提取的深度特征在结节亚型分类、EGFR基因突变预测等任务中，性能均显著优于单一CNN或Transformer模型。（三）自监督学习的特征泛化能力提升深度学习模型的性能高度依赖大规模标注数据，而医学影像标注成本高、难度大，且不同中心的扫描参数差异易导致模型泛化能力下降。自监督学习通过预训练任务设计，能够利用大量无标注影像数据学习通用的影像特征表示，有效解决小样本与跨域泛化难题。目前常用的自监督预训练任务包括掩码图像建模（MIM）、对比学习、生成式预训练三类：掩码图像建模通过随机遮挡图像部分区域，训练模型恢复被遮挡内容，学习图像的结构特征；对比学习通过构造正样本与负样本对，训练模型将同类样本特征映射到相近空间，不同类样本特征映射到远距空间，学习特征的区分度；生成式预训练则通过生成对抗网络（GAN）、扩散模型等生成与真实肺结节分布一致的合成影像，在生成过程中学习结节的内在特征分布规律。2025年发表在《LancetDigitalHealth》的研究采用自监督预训练的SwinTransformer模型，仅用10%的标注数据就达到了全监督模型95%的性能，且在跨三个不同扫描仪品牌的外部测试集中，模型AUC下降幅度小于2%，显著优于传统全监督模型的8%下降幅度。自监督学习的特征泛化能力为深度放射组学模型的多中心落地应用提供了重要技术支撑。三、肺结节恶性风险分层的模型构建与临床验证基于深度放射组学特征构建的恶性风险分层模型，其临床价值不仅取决于模型的分类性能，更需要通过严格的临床验证确定其适用性。目前肺结节风险分层模型的构建主要围绕风险分层体系设计、多模态特征融合、临床可解释性三个核心方向展开。（一）风险分层体系的临床适配设计现有肺结节风险分层模型多采用二分类（良性/恶性）或三分类（低危/中危/高危）体系，与临床实际诊疗流程的匹配度是模型落地的关键。根据《中国肺癌筛查与早诊早治指南（2025版）》，肺结节恶性风险评估需结合结节大小、密度、形态、生长速度、患者年龄、吸烟史、肿瘤史等多维度信息，因此深度放射组学模型不仅需要提取影像特征，还需融合临床危险因素构建联合模型。2023年欧洲放射学会牵头的多中心研究纳入8个国家15家机构的7892例肺结节患者，建立的深度放射组学联合模型将风险分为四层：低危（恶性概率<5%）、中低危（5%-20%）、中高危（20%-50%）、高危（>50%），不同分层对应不同的随访间隔与干预策略：低危人群可延长至2年随访，高危人群则建议直接进行活检或手术切除。该模型在临床验证中使38%的低危患者避免了不必要的频繁CT随访，同时使91%的高危患者得到了及时干预，显著提升了诊疗效率。（二）多模态特征融合的性能提升单一模态的影像特征难以全面反映肺结节的生物学特性，多模态特征融合成为提升风险分层性能的重要方向。目前融合方式主要包括影像组学与临床组学融合、影像组学与代谢组学融合、影像组学与基因组学融合三类。影像组学与临床组学的融合是最易实现的路径，通过将深度放射组学特征与患者年龄、吸烟指数、慢阻肺病史、肿瘤家族史、肿瘤标志物水平等临床特征进行拼接，经特征筛选后构建联合模型，通常可使模型AUC提升2%-5%。影像组学与PET-CT代谢特征的融合则能够同时捕捉结节的形态信息与代谢活性信息，18F-FDGPET的SUV值、代谢体积等参数与CT深度特征的融合模型，在直径<10mm的磨玻璃结节恶性鉴别中，AUC较单一CT模型提升8%-10%。影像组学与基因组学的融合则进入了“放射基因组学”范畴，通过挖掘深度放射组学特征与EGFR、KRAS、ALK等驱动基因突变的关联，不仅能够预测良恶性，还能预测基因突变类型，为靶向治疗方案选择提供参考，2024年已有研究实现了基于CT深度特征的肺腺癌EGFR基因突变预测，准确率达82%。（三）模型可解释性的临床信任建立深度学习模型的“黑箱”特性是阻碍其临床应用的重要瓶颈，临床医师需要了解模型的决策依据，才能信任模型的输出结果。目前深度放射组学模型的可解释性研究主要包括特征层面的可解释性与决策层面的可解释性两类。特征层面的可解释性通过类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等方法，可视化模型决策过程中关注的影像区域，验证模型是否聚焦于结节的恶性征象区域（如毛刺、分叶、实性成分等）。2025年国内团队开发的可解释深度放射组学平台，能够自动标记模型判断为恶性的关键影像区域，并与放射科医师关注的恶性征象区域进行匹配，匹配度达89%，显著提升了医师对模型结果的接受度。决策层面的可解释性则通过建立特征重要性排序，明确哪些特征对最终风险评分的贡献最大，如模型输出某结节为高危时，同时显示“分叶征权重35%，毛刺征权重28%，实性成分占比权重22%”等贡献度排名，便于医师结合临床经验进行二次判断。四、现有挑战与未来研究方向尽管基于深度学习的肺结节放射组学研究已取得显著进展，但距离大规模临床落地仍存在诸多挑战。首先是数据标准化问题，不同中心的CT扫描参数（管电压、管电流、层厚、重建算法）差异较大，导致深度特征的可重复性不足，虽然自监督学习一定程度上提升了跨域泛化能力，但尚未建立统一的图像标准化预处理流程与特征校准方法。其次是标注质量问题，肺结节的良恶性金标准多依赖病理结果，而良性结节通常缺乏手术病理，导致数据集存在标签偏倚，且不同病理类型的肺结节（如腺癌、鳞癌、良性肉芽肿、错构瘤等）在影像特征上存在重叠，增加了特征提取的难度。第三是监管审批问题，深度学习医疗AI产品的FDA、NMPA审批需要严格的多中心临床验证数据，目前多数研究仍属于回顾性研究，缺乏前瞻性、大样本、多中心的临床证据支持其临床获益。未来研究方向主要包括四个方面：一是开发更具医学可解释性的深度学习模型，将临床先验知识嵌入网络结构设计，使深度特征与临床可识别的影像征象建立对应关系，进一步提升模型的临床接受度；二是构建跨模态、跨尺度的特征融合体系，结合liquidbiopsy（液体活检）的循环肿瘤细胞、ctDNA等生物标志物，实现从影像到分