来自南方医科大学南方医院和斯坦福大学医学院

2020-Annals of Surgery（IF=9分）

目的：基于深度学习使用术前CT预测胃癌辅助化疗的疗效和获益

方法：多中心，回顾性研究。训练集457例。验证集1158例。作者开发了一种新的深度神经网络S-Net使用术前CT特征预测胃癌辅助化疗患者的DFS和OS。同时使用nomogram结合影像特征、临床病理特征预测生存预后。

结果：深度学习下的CT特征(DeLIS)在验证集与DFS和OS是相关的。High-DeLIS组在II期胃癌患者可见辅助化疗与DFS获益有关(HR=0.362，95%CI 0.149-0.882)；整合临床病例特征后可进一步提升预测效能（C-indices提高至0.792和0.802)；High＆Intermediate-DeLIS组在III期胃癌患者同样可见辅助化疗与DFS的获益（HR=0.661，95%CI 0.442-0.843) (HR=0.633, 95%CI 0.433-0.925)。而在Low-DeLIS组，II、III期患者辅助化疗均未见生存获益，但有预测作用（P interaction=0.048（DFS，II期）, 0.016（0.016，III期）。

结论：图像特征能够帮助识别胃癌辅助化疗的获益人群。

这种新型的深度神经网络由2部分构成，一是multi-level feature stream fusion，二是multi-scale feature pooling. 与传统的深度卷积神经网络不同的是，S-net引入了multi-level features stream fusion。这样设计的基本原理是：底层特征（例如，局部边缘，纹理）和深层特征（例如，病灶的总体概貌）都是生存分析的有用信息。因此它能够提取和整合复杂的肿瘤表型多尺度图像特征。为了减少过拟合，作者团队使用了几种策略，包括增加数据量、批标准化、早停法、内部交叉验证等。为了探究哪些图像区域和特征类型对于预测模型是重要的，作者使用了梯度加权类激活映射的方法。

首先使用X-tile确定了深度学习特征与OS之间关系的最佳cut-off值,通过c-index和ROC分析评估准确性。在训练集中，作者结合影像学特征和临床病例特征构建了nomogram，以单纯临床病理特征的nomogram作为对照，并在验证集中做进一步校准和测试。将预测的生存曲线和实际生存曲线做对比。采用预测误差曲线和Integrated Brier评分以评价模型的综合性能。

作者根据DeLIS评分将II期和III期胃癌病人分为三个组：high，intermediate and low。为了降低选择偏倚和混杂因素的干扰，作者使用了倾向性匹配评分（PSM）。接受或不接受化疗者以1：1匹配，匹配变量有：年龄、性别、肿瘤分化程度、CEA、CA199、位置、T分期（浸润深度）、N分期（淋巴结情况）、大小、LAUREN分型。除了三分位数，作者还额外测试使用中位数作为cut-off值，以及测试在没有匹配的情况下深度学习特征的预测价值。

基于不同的原始增强CT图像，DeLIS评分高低、生存预后之间的梯度差异。

在训练集中确定了cut-off值为-0.040。high-DeLIS和low-DeLIS生存预后差别明显。在验证集中进行测试，呈现类似的结果。

将DeLIS 评分作为一个因素，结合临床病理信息进行多元Cox回归分析：

在训练集和验证集中，DeLIS均为DFS和OS的独立预后因素。在以整体分期（II、III、IV期）、T分期、N分期、等级、大小、组织学亚型定义的各亚组中，不论训练集和验证集，High与Low DeLIS组在DFS和OS上都呈现显著的统计学差异。

如果单独使用DeLIS预测DFS和OS，在验证集中，C-index分别是0.719和0.724。如果结合四个临床病理危险因数（肿瘤分化、浸润深度、淋巴结转移、远处转移），可提升至0.792和0.802。

结果显示，对于II期和III期胃癌，high-DeLIS组接受辅助化疗能够获得DFS的改善。而low-DeLIS组II期III期患者接受辅助化疗均无DFS获益。有趣的来了，对于intermediate-DeLIS组，II期患者无法从化疗中改善DFS，但III期患者接受辅助化疗能获益。