这篇文档属于类型a，即报告了一项单篇原创研究。以下是针对该研究的学术报告：

作者与机构

该研究由Benjamin Hunter、Mitchell Chen、Prashanthi Ratnakumar等多位作者共同完成，研究团队来自英国多家知名机构，包括Imperial College London、The Royal Marsden NHS Foundation Trust、University College London Hospitals等。研究于2022年11月10日发表在期刊eBioMedicine上，文章标题为“A radiomics-based decision support tool improves lung cancer diagnosis in combination with the Herder score in large lung nodules”。

学术背景

该研究的主要科学领域是肺癌的早期诊断，特别是针对大肺结节（≥15 mm）的恶性风险分类。大肺结节的恶性风险最高，但现有的风险模型（如Brock和Herder评分）在分类大结节时表现不佳。研究团队旨在开发一种结合深度学习和传统影像组学（radiomics）的集成分割和分类流程，以提高大肺结节的恶性风险分类准确性。研究背景包括：大结节的恶性风险较高，但现有指南（如英国胸科学会BTS指南）对大结节的分类不够精确，尤其是在Herder评分为10-70%的中等风险组中，临床决策存在较大不确定性。

研究流程

研究分为以下几个主要步骤： 1. 数据收集与预处理：研究从英国五个中心招募了502名患者，最终纳入499名患者，共838份CT扫描数据。数据分为训练集（70%）和测试集（30%）。研究使用nnU-Net模型进行肺结节的自动分割，并开发了一种影像组学特征分类模型，称为大结节影像组学预测向量（LN-RPV）。 2. 模型开发与验证：研究团队使用TexLab 2.0软件提取了666个影像组学特征，并通过单变量逻辑回归和LASSO回归筛选出两个关键特征，构建了LN-RPV模型。模型在测试集中的AUC（曲线下面积）为0.83，表现优于中位放射科医生（AUC 0.75）。 3. 外部验证：研究还使用国际公开数据集（LIDC-IDRI、LungX等）对LN-RPV进行了外部验证，结果显示模型在外部测试集中的AUC为0.75，保持了较好的分类性能。 4. 临床决策支持：研究设计了一种决策支持工具，将LN-RPV与Herder评分结合，用于识别Herder评分为10-70%的中等风险组中的高风险结节。在测试集中，82%的恶性结节被正确识别为高风险，可能被推荐进行早期干预。

主要结果

1. 模型性能：LN-RPV在测试集中的AUC为0.83，显著高于Brock评分（AUC 0.67），与Herder评分（AUC 0.83）相当。在外部验证集中，LN-RPV的AUC为0.75，表现出较好的泛化能力。
2. 自动分割性能：nnU-Net模型在测试集中的Dice得分为0.86，表明其自动分割性能接近人工分割。
3. 决策支持工具：在Herder评分为10-70%的中等风险组中，LN-RPV成功识别了82%的恶性结节，显著提高了早期干预的可能性。

结论与意义

该研究开发了一种基于影像组学的大肺结节分类模型（LN-RPV），其在恶性风险分类中的表现优于现有的Brock评分，并与Herder评分相当。通过结合Herder评分，LN-RPV能够有效识别中等风险组中的高风险结节，为临床决策提供了有力支持。该模型的科学价值在于其能够通过非侵入性方法提高肺癌早期诊断的准确性，尤其是在PET扫描不可用或延迟的情况下。此外，研究还建立了一个多中心的AI研究管道，为未来的肺癌早期诊断研究提供了重要参考。

研究亮点

1. 创新性：研究首次针对大肺结节（15-30 mm）开发了专门的影像组学分类模型，填补了现有指南在大结节分类中的不足。
2. 高效性：LN-RPV仅包含两个关键特征，简化了风险分类流程，减少了临床医生的工作负担。
3. 广泛应用性：研究不仅在英国多个中心进行了验证，还通过国际公开数据集进行了外部验证，证明了模型的泛化能力。
4. 临床价值：研究设计的决策支持工具能够显著提高中等风险组中恶性结节的识别率，为早期干预提供了重要依据。

其他有价值的内容

研究还讨论了影像组学特征的生物学意义，认为LN-RPV的两个关键特征（结节表面体积比和灰度共生矩阵相关性）可能反映了结节的扩散性和肿瘤内异质性，与肿瘤的免疫浸润和缺氧状态相关。这一发现为未来研究提供了新的方向，可能有助于进一步理解肺癌的生物学机制。