基于¹⁸F-FDG PET与薄层CT影像组学联合机器学习的非小细胞肺癌EGFR突变预测：一项列线图模型的构建与验证

2025年12月13日获悉，发表于Frontiers in Oncology上一项研究，提出一种基于¹⁸F-FDG PET与薄层CT影像组学特征，结合多种机器学习算法构建的预测模型，并进一步整合临床与影像学特征形成可视化列线图，为EGFR突变状态的无创预测提供了新工具。尽管已有多个研究尝试构建基于影像组学的EGFR预测模型，但多数研究仅采用单一建模方法，可能影响模型的稳健性与泛化能力。本研究在此基础上推进了一步，不仅比较了四种机器学习算法的效能，还进一步将最优影像组学模型与临床、影像学特征整合，构建出具有较高临床实用性的联合预测模型与可视化列线图。该研究表明，基于¹⁸F-FDG PET与薄层CT的影像组学，结合机器学习算法，能够有效预测NSCLC患者的EGFR突变状态。通过整合影像组学、临床及影像学特征所构建的联合模型与列线图，不仅展现了优越的预测准确性，更具备良好的校准度与临床实用性。这一非侵入性、可视化的预测工具，有望成为现有基因检测方法的有力补充，助力临床医生更早、更准地识别EGFR突变人群，优化治疗决策，推动NSCLC的精准诊疗进程。