整合多模态数据以实现肺粘液性腺癌的精确分型和预后评估

摘要 背景 肺粘液性腺癌（PMA）是一种罕见的肺腺癌亚型，缺乏全面的病理分类和预后因素。在本研究中，我们引入了一种多模态机器学习框架，旨在提高PMA分型的准确性并预测PMA患者的预后。材料与方法 本回顾性研究纳入了175例手术切除的原发PMA病例，并收集了患者的人口统计学、组织病理学、CT影像和基因组数据。采用LASSO正则化逻辑回归模型进行组织学分类，并采用Cox比例风险模型进行生存预测，并进行内部验证。结果 纯粘液性腺癌表现出较小肿瘤尺寸、下叶定位、淋巴结转移缺失、STAS、早期病理阶段、CEA ≤ 5ng/mL和EGFRE19突变的较高发生率（P值分别为0.043、0.014、0.044）。此外，Kaplan-Meier曲线显示低风险组与高风险组在标定图得分上的结局显著不同（P < 0.0001）。结论 与混合粘液性和分泌粘液型相比，肺纯粘液性腺癌表现出较低的恶性程度。本研究中开发并验证的标定图模型在预测PMA的组织学亚型和生存率方面表现出卓越的效果，为临床医生在诊断和治疗决策中提供了宝贵的指导。