MRI影像组学在肺癌中的研究进展.pdf

综述Reviews磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/MRI影像组学在肺癌中的研究进展尹猛1，秦文恒2，孙占国2*作者单位：1.济宁医学院临床医学院，济宁 272013；2.济宁医学院附属医院医学影像科，济宁 272029*通信作者：孙占国，E-mail：中图分类号：R445.2；R734.2 文献标识码：A DOI：10.12015/issn.1674-8034.2023.06.023本文引用格式：尹猛,秦文恒,孙占国.MRI影像组学在肺癌中的研究进展J.磁共振成像,2023,14(6):129-132,150.摘要 肺癌死亡率居恶性肿瘤首位，早期精准诊断并进行临床干预对提高患者生存率至关重要。CT、MRI、正电子发射计算机断层扫描/电子计算机断层扫描等传统影像学检查技术在肺癌临床评估中提供的信息有限，而影像组学能将影像数据转化为特征空间数据从而提供更加全面、深层次的信息，现已成为肺癌研究的新兴领域。本文对影像组学进行概述，并就MRI影像组学在肺癌诊断、鉴别诊断、病理亚型分型、基因突变状态预测、淋巴结转移预测及非手术治疗疗效评估的研究进展进行综述，以期为肺癌的精准诊治提供新的影像学参考。关键词 肺癌；影像组学；磁共振成像；诊断治疗；基因突变；淋巴结转移；疗效评估Research progress of MRI radiomics in lung cancerYIN Meng1,QIN Wenheng2,SUN Zhanguo2*1Clinical Medical College,Jining Medical University,Jining 272013,China;2Department of Medical Imaging,Affiliated Hospital of Jining Medical University,Jining 272029,China*Correspondence to:Sun ZG,E-mail:Received 14 Dec 2022,Accepted 6 May 2023;DOI:10.12015/issn.1674-8034.2023.06.023ACKNOWLEDGMENTS Shandong Medical and Health Science and Technology Development Program(No.202009011151);Incubation Project of Affiliated Hospital of Jining Medical University(No.MP-ZD-2020-003).Cite this article as:YIN M,QIN W H,SUN Z G.Research progress of MRI radiomics in lung cancerJ.Chin J Magn Reson Imaging,2023,14(6):129-132,150.Abstract The mortality rate of lung cancer ranks first among malignant tumors.Early accurate diagnosis and clinical intervention of lung cancer are significant to improve the survival rate of patients.Traditional imaging techniques such as CT,MRI and positron emission tomography/computed tomography(PET/CT)provide limited information in the clinical evaluation of lung cancer.However,radiomics can transform image data into feature space data to provide more comprehensive and in-depth information,which has become an emerging field of lung cancer research.This article aims to summarize the concept of radiomics and to review the research progress of radiomics in the diagnosis,differential diagnosis,pathological subtype classification,gene mutation status prediction,lymph node metastasis prediction,non-surgical treatment efficacy evaluation of lung cancer,in order to provide new imaging references for the diagnosis and treatment of lung cancer.Key words lung cancer;radiomics;magnetic resonance imaging;diagnosis and treatment;gene mutation;lymph node metastasis;therapeutic effect evaluation0前言肺癌死亡率居恶性肿瘤首位1，胸部CT是目前肺癌诊断、分期、疗效及预后评估的主要影像检查方法，但CT扫描具有电离辐射，对于需多次复查的患者存在一定风险。MRI检查对人体无电离辐射损伤，能进行多序列、多参数高软组织分辨率成像，现被广泛应用于实质性脏器肿瘤成像。然而，由于肺实质氢质子密度小、呼吸运动伪影大及组织界面磁场不均等因素的影响，肺部MRI的临床应用受到一定限制。近年来，随着MRI快速成像技术的发展，其在胸部病变中的应用潜力越来越被关注。目前，MRI对于肺部肿瘤的评估主要依靠形态学及部分功能定量成像，但这些信息并不足以全面反映肿瘤的异质性。肺癌MRI影像组学基于 MRI图像提取高通量影像组学特征，深度挖掘肿瘤的微观信息，能够为肺癌的诊断、治疗及预后评估提供更多依据，在肺癌的全面、精准评估中具有较大应用空间2。本文就MRI影像组学在肺癌诊断、鉴别诊断、病理亚型分型、基因突变状态预测、淋巴结转移预测及非手术治疗疗效评估中的研究进展作一综述，以期为肺癌的精准影像学评估提供新的参考。1MRI影像组学概述影像组学最早由LAMBIN2提出，即通过将影像数据转化为特征空间数据，更加全面、准确地反映肿瘤的异质性。MRI 影像组学的流程主要包括：图像采集、图像分割、特征提取及筛选、构建预测模型3-4。其中高质量以及标准化的影像图像是保证影像组学收稿日期：2022-12-14 接受日期：2023-05-06基金项目：山东省医药卫生科技发展计划项目（编号：202009011151）；济宁医学院附属医院“苗圃”科研计划项目（编号：MP-ZD-2020-003）129磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/综述Reviews数据分析准确性的前提5，CT、正电子发射计算机断层扫描/电子计算机断层扫描（positron emission tomography/computed tomography,PET/CT）影像组学的图像较为单一，而MRI影像组学凭借多序列、多参数成像优势，可使用的图像更为丰富。目前，肺部病变MRI影像组学多基于T1加权成像（T1 weighted image,T1WI）、T2加权成像（T2 weighted image,T2WI）、扩散加权成像（diffusion weighted imaging,DWI）及表观扩散系数（apparent diffusion coefficient,ADC），也有部分研究将纵向弛豫时间定量成像（T1 mapping）技术用于肺部病变影像组学的研究中6，但由于不同检查设备的扫描参数、扫描方式及图像重建方式存在较大差异，对上述图像质量影响较大，导致研究的可重复性偏低7。此外，在肺部MRI过程中，由于磁敏感伪影的影响，图像变形普遍存在，极大地影响了成像结果的准确性8。针对这一问题，有学者将快速自旋回波成像（turbo spin-echo,TSE）用于肺部病变，研究发现TSE序列可有效降低磁敏感伪影并减少图像形变9；也有研究表明，对MRI图像进行不均匀磁场校正及体素值的归一化处理，可有效提高图像质量，降低磁敏感伪影对肺部MRI影像组学研究结果的影响10。2MRI影像组学在肺癌中的应用2.1 MRI影像组学在肺癌诊断与鉴别诊断中的应用早期区分肺部病变的良恶性对临床管理方案的制订至关重要，MRI影像组学用于肺部良恶性病变鉴别的研究报道较多。WAN等11直接从132名患者（恶性 93例、良性 39例）的 T2WI图像中提取 3D和 2D特征，使用3种归一化方法、2种降维算法、3种特征选择方法及10种分类器建立了1260个模型，多个模型对于实性孤立性肺结节的鉴别诊断效能表现良好，其中影像组学特征与临床特征联合构建的模型曲线下面积（area under the curve,AUC）最高，达0.836。YAN 等6基于单因素分析及最小收缩和选择算子（least absolute shrinkage and selection operator,LASSO）对行 T1 mapping扫描的肺结节进行特征提取，最终筛选出5个组学特征，分别选择逻辑回归（logistic regression,LR）、支持向量机（support vector machine,SVM）及决策树等建立模型对肺结节进行良恶性区分，发现LR模型及SVM模型具有良好表现，AUC均达0.82。上述两项研究均仅针对单一序列图像进行分析，未能发挥MRI多序列成像的优势，具有一定的局限性。与T1WI、T2WI图像不同，DWI联合ADC图像可以定量评估水分子在病变组织中的扩散运动，间接反映组织微观结构变化，对肺部病变的定性诊断具有重要价值12。WANG等13使用递 归 特 征 消 除（recursive feature elimination,RFE）、t检验、LASSO 对 201 例（恶性 143 例、良性58例）患有肺部疾病患者的T1WI、T2WI及ADC图进行特征筛选，联合线性判别分析、SVM 及随机森林（random forest,RF）三种分类器建立单序列和多序列模型，结果显示多序列模型的诊断效能最高（AUC=0.88），且RFE联合SVM为最优模型。该研究不仅样本量较大，且比较了多种单序列模型与多序列模型之间的诊断效能，提高了模型的可靠性。综上所述，MRI影像组学可用于鉴别肺部良恶性病变，且多序列MRI图像中所蕴含的丰富影像组学信息对于模型诊断效能的提高至关重要，未来还可将影像组学与深度学习相结合，进一步提升模型对肺部病变的诊断能力。2.2 MRI影像组学在肺癌亚型分型中的应用肺 癌 可 分 为 小 细 胞 肺 癌（small cell lung cancer,SCLC）和非小细胞肺癌（non-small cell lung cancer,NSCLC），NSCLC又可分为鳞状细胞癌、腺癌和大细胞癌，不同肺癌分型的生物学特性存在差异，相应治疗方法也不同14-15。穿刺活检能够术前明确肺癌的病理分型，但其为有创检查且获取的病变组织有限，而影像学检查无创且能完整评估肿瘤特征，结合组学分析能够更客观地评估病变的异质性。郭炎兵等16搜集了 145 例肺癌患者的 T2WI 图像，使用LASSO进行特征筛选并建立区分NSCLC和SCLC的影像组学模型，训练组和验证组的AUC分别达0.874和0.786。TANG等17使用SVM-RFE对T2WI、DWI及ADC图像中提取的特征进行筛选，最终选出13个特征，采用logistics 回归建立 Radscore 模型，并将 Radscore与临床特征结合构建诺模图，发现该联合模型在NSCLC病理亚型的鉴别中表现出良好诊断效能（AUC=0.901）。因此，MRI影像组学特征可无创地鉴别肺癌的病理亚型分型，对肺癌患者的治疗方案具有指导意义。2.3 MRI 影像组学在肺癌基因突变状态预测中的应用近年来，分子靶向治疗药物在治疗NSCLC中取得了突破性进展，可以显著延长NSCLC患者的无进展生存期18，其中表皮生长因子受体（epidermal growth factor receptor,EGFR）基因突变及间变性淋巴瘤激酶（anaplastic lymphoma kinase,ALK）基因重排是目前较为成熟的治疗靶点19-20，因此治疗前预测基因突变状态具有重要价值。有学者将体素内不相关运动（intravoxel incoherent motion,IVIM）及扩散峰度成像（diffusion kurtosis imaging,DKI）结合直方图用于晚期肺腺癌 EGFR基因突变状态的预测，但该研究IVIM及DKI采用的b值缺乏统一标准，且直方图作为一阶特征并不能反映像素间的空间关系，因此其可靠性有待进一步证实21。然而，这为MRI技术用于预测肺癌EGFR基因突变状态奠定了临床实践基础。WANG等22对92例肺腺癌患者的T2WI、130磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/综述ReviewsDWI及ADC图像进行特征提取，建立5个EGFR基因表型的预测模型，结果显示在单序列模型中ADC的预测效果最好（AUC=0.722），多序列预测模型的预测效能明显提高（AUC=0.838）。唐兴等23回顾性分析 74例肺腺癌患者的T2WI、DWI及ADC图像，使用Student-t检验及SVM-RFE建立的EGFR基因表型预测模型AUC达0.826，且当联合性别因素建立预测模型时，预测符合率由75.7%提升至78.9%。以上两项研究均证实了MRI影像组学模型具有预测肺癌患者EGFR基因突变的潜力和价值，且结合临床特征能够提高模型的预测效能，但由于两项研究均为回顾性研究，受样本量的限制，模型未得到充分训练，因此其研究结果的可靠性尚需要大样本、多中心研究进行验证。肺癌常发生远处转移，其中脑是其最常见的转移部位24。LI 等25通过对肺癌脑转移瘤的 T1WI 增强、T2-液体衰减反转恢复（T2-fluid attenuated inversion recovery,T2-FLAIR）及 T2WI 图像进行影像组学分析，使用RF建立模型来预测ALK基因重排，结果显示基于脑转移瘤的影像组学特征能够预测肺癌的基因突变状态，其中T2-FLAIR图像模型的预测效能（AUC=0.991）显著高于其他序列。CHEN等26将110例肺癌患者脑转移瘤的T1WI增强及T2-FLAIR图像的组学特征与临床因素结合用于预测ALK基因重排，模型的AUC高达0.985。LI等25及CHEN等26的研究均表明根据肺癌患者脑转移瘤的影像组学特征能够较好地预测肺癌患者ALK基因重排。此外，CAO等27对肺癌患者脊柱转移瘤的 T1WI及 T2WI图像提取影像组学特征，结合年龄、血清癌胚抗原水平等临床因素建立诺模图，发现其能够有效预测EGFR基因突变亚型（AUC=0.90）。因此，当肺癌原发病灶不能用于明确基因突变状态时，可从其转移瘤的MRI图像中提取影像组学特征对原发肿瘤的基因突变状态进行预测。2.4 MRI影像组学在预测肺癌淋巴结转移中的应用淋巴结转移是肺癌最常见的转移途径，其与患者预后息息相关，术前明确是否存在淋巴结转移直接影响着肺癌的治疗及预后28。目前，肺癌术前判断淋巴结有无转移主要依赖胸部CT或PET/CT检查，其中CT主要基于淋巴结的大小、形态、强化特点等进行判断，PET/CT可进一步结合淋巴结代谢状态评估淋巴结转移状态，但其对转移性淋巴结检出的假阳性率较高29-31。近年来，有学者将MRI影像组学应用于肿瘤淋巴结转移的预测，这些研究多集中于乳腺癌、直肠癌、宫颈癌等领域32-34，而用于肺癌淋巴结转移预测的研究较少。王莹等35将磁共振三维超短回波时间成像（three-dimensional ultrashort echo time,3D-UTE）的影像组学模型用于NSCLC患者淋巴结转移的预测，对48例NSCLC患者肺部原发病灶的3D-UTE图像进行特征提取，并基于SVM建立预测模型（AUC=0.89），结果表明 MRI影像组学模型可以预测 NSCLC患者是否发生淋巴结转移。然而，该研究样本量较小且仅基于3D-UTE图像建立预测模型，有待进一步基于多模态MRI图像建立组学模型，扩大样本量、完善外部验证，以提高模型的预测效能及其可靠性。2.5 MRI影像组学在肺癌非手术治疗疗效评估和预测中的应用当前对于肺癌患者的治疗方法主要包括手术、化学治疗、放射治疗、靶向治疗以及免疫治疗，非手术患者规律随访，对疗效评估至关重要36-37。目前临床评估肺癌疗效主要采用基于CT的实体肿瘤疗效评价标准，但随着各种新兴治疗药物的应用，部分患者治疗早期可能出现病灶“假进展”表现38。既往研究表明，DWI参数与肿瘤的生长、坏死存在一定联系，通过分析肺癌患者非手术治疗前后的参数变化，能够准确地反映病变治疗后早期改变，从而对肺癌患者非手术治疗的疗效进行评估39-42。目前尚未见有将MRI影像组学用于肺癌非手术治疗疗效评估的研究报道。有学者从乳腺癌患者治疗前、后的影像图像中提取组学特征，发现纹理特征可用于乳腺癌患者新辅助化疗疗效评估43，表明MRI影像组学可用于癌症患者非手术治疗的疗效评估，为今后探索肺癌患者疗效评估提供了新的方向。另外，影像组学能够提供更全面的特征从而反映肿瘤整体的异质性，在肺癌治疗前对疗效进行预测。蒋洁智等44搜集了30例接受化疗的肺癌患者资料，根据实体肿瘤评价标准将患者分为治疗有效组及无效组，从患者化疗前 ADC 图像（b=600、800 和1000 s/mm）中提取特征，使用LASSO建立肿瘤疗效预测模型，发现影像组学模型预测肺癌化疗疗效的预测效能要高于单独的ADC值。因此，MRI影像组学对肺癌非手术治疗疗效的预测效能优于传统MRI，能够有效避免无效治疗给患者带来的负担。3挑战与展望综上所述，MRI 影像组学在肺癌中具有巨大潜能，同时也存在着诸多挑战。首先，当前影像组学的研究进展多为基于单中心、小样本的回顾性研究；其次，图像采集以及序列选择缺乏相应的统一标准，导致研究结论的一致性和可重复性存在不足45-46。尽管在现实世界中的应用面临着各种挑战，但随着MRI硬件设施、扫描序列的不断改进以及多中心、大样本研究的深入，影像组学作为传统的影像学与人工智能相融合的新兴领域，目前已在肺癌的诊断及鉴别诊断、病理亚型分型、基因突变状态预测、淋巴结转移预测及非手术治疗疗效评估等领域展现出巨大的应用潜能，相信今后MRI影像组学在肺癌诊疗的临床实践中必有一席之位。作者利益冲突声明：全体作者均声明无利益冲突。131磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/综述Reviews作者贡献声明：孙占国设计本研究的方案，对稿件的重要内容进行了修改；尹猛检索并查阅相关文献，分析、解释本研究的文献，起草和撰写稿件，对稿件内容进行修改；秦文恒设计本研究方案，对稿件的重要内容进行了修改；孙占国获得山东省医药卫生科技发展计划项目资金资助；秦文恒获得济宁医学院附属医院“苗圃”科研项目计划资金资助。全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。参考文献References1SIEGEL R L,MILLER K D,JEMAL A.Cancer statistics,2016J.CA A Cancer J Clin,2016,66(1):7-30.DOI:10.3322/caac.21332.2LAMBIN P,RIOS-VELAZQUEZ E,LEIJENAAR R,et al.Radiomics:extracting more information from medical images using advanced feature analysisJ.Eur J Cancer,2012,48(4):441-446.DOI:10.1016/j.ejca.2011.11.036.3SCAPICCHIO C,GABELLONI M,BARUCCI A,et al.A deep look into radiomicsJ.Radiol Med,2021,126(10):1296-1311.DOI:10.1007/s11547-021-01389-x.4MAYERHOEFER M E,MATERKA A,LANGS G,et al.Introduction to radiomicsJ.J Nucl Med,2020,61(4):488-495.DOI:10.2967/jnumed.118.222893.5LAMBIN P,LEIJENAAR R T H,DEIST T M,et al.Radiomics:the bridge between medical imaging and personalized medicineJ.Nat Rev Clin Oncol,2017,14(12):749-762.DOI:10.1038/nrclinonc.2017.141.6YAN Q Q,YI Y Q,SHEN J,et al.Preliminary study of 3 T-MRI native T1-mapping radiomics in differential diagnosis of non-calcified solid pulmonary nodules/massesJ/OL.Cancer Cell Int,2021,21(1):539 2022-12-13.https:/pubmed.ncbi.nlm.nih.gov/34663307/.DOI:10.1186/s12935-021-02195-1.7PFAEHLER E,ZHOVANNIK I,WEI L S,et al.A systematic review and quality of reporting checklist for repeatability and reproducibility of radiomic featuresJ.Phys Imaging Radiat Oncol,2021,20:69-75.DOI:10.1016/j.phro.2021.10.007.8WEYGAND J,FULLER C D,IBBOTT G S,et al.Spatial precision in magnetic resonance imaging-guided radiation therapy:the role of geometric distortionJ.Int J Radiat Oncol Biol Phys,2016,95(4):1304-1316.DOI:10.1016/j.ijrobp.2016.02.059.9MIKAYAMA R,YABUUCHI H,SONODA S,et al.Comparison of intravoxel incoherent motion diffusion-weighted imaging between turbo spin-echo and echo-planar imaging of the head and neckJ.Eur Radiol,2018,28(1):316-324.DOI:10.1007/s00330-017-4990-x.10LACROIX M,FROUIN F,DIRAND A S,et al.Correction for magnetic field inhomogeneities and normalization of voxel values are needed to better reveal the potential of MR radiomic features in lung cancerJ/OL.Front Oncol,2020,10:43 2022-12-13.https:/pubmed.ncbi.nlm.nih.gov/32083003/.DOI:10.3389/fonc.2020.00043.11WAN Q,ZHOU J X,XIA X Y,et al.Diagnostic performance of 2D and 3D T2WI-based radiomics features with machine learning algorithms to distinguish solid solitary pulmonary lesionJ/OL.Front Oncol,2021,11:683587 2022-12-13.https:/pubmed.ncbi.nlm.nih.gov/34868905/.DOI:10.3389/fonc.2021.683587.12彭琴,黄遥,唐威,等.不同病理亚型肺癌的体素内不相干运动扩散加权成像模型参数比较J.中华肿瘤杂志,2018,40(11):824-828.DOI:10.3760/cma.j.issn.0253-3766.2018.11.005.PENG Q,HUANG Y,TANG W,et al.Comparison of parameters for diffusion-weighted intravoxel incoherent motion imaging in lung cancer patients with different histopathological subtypesJ.Chin J Oncol,2018,40(11):824-828.DOI:10.3760/cma.j.issn.0253-3766.2018.11.005.13WANG X H,WAN Q,CHEN H J,et al.Classification of pulmonary lesion based on multiparametric MRI:utility of radiomics and comparison of machine learning methodsJ.Eur Radiol,2020,30(8):4595-4605.DOI:10.1007/s00330-020-06768-y.14LEE G,PARK H,BAK S H,et al.Radiomics in lung cancer from basic to advanced:current status and future directionsJ.Korean J Radiol,2020,21(2):159-171.DOI:10.3348/kjr.2019.0630.15BADE B C,DELA CRUZ C S.Lung cancer 2020J.Clin Chest Med,2020,41(1):1-24.DOI:10.1016/j.ccm.2019.10.001.16郭炎兵,党珊,段海峰,等.基于磁共振图像的影像组学特征对小细胞与非小细胞肺癌的鉴别诊断价值研究J.临床放射学杂志,2020,39(9):1776-1779.DOI:10.11877/j.issn.1672-1535.2019.17.13.01.GUO Y B,DANG S,DUAN H F,et al.The value of MR-based radiomics signature for differentiating small cell lung cancer from non-small cell lung cancerJ.J Clin Radiol,2020,39(9):1776-1779.DOI:10.11877/j.issn.1672-1535.2019.17.13.01.17TANG X,XU X P,HAN Z P,et al.Elaboration of a multimodal MRI-based radiomics signature for the preoperative prediction of the histological subtype in patients with non-small-cell lung cancerJ/OL.BioMed Eng OnLine,2020,19(1):5 2022-09-13.https:/doi.org/10.1186/s12938-019-0744-0.DOI:10.1186/s12938-019-0744-0.18WANG M N,HERBST R S,BOSHOFF C.Toward personalized treatment approaches for non-small-cell lung cancerJ.Nat Med,2021,27(8):1345-1356.DOI:10.1038/s41591-021-01450-2.19SANKAR K,GADGEEL S M,QIN A.Molecular therapeutic targets in non-small cell lung cancerJ.Expert Rev Anticancer Ther,2020,20(8):647-661.DOI:10.1080/14737140.2020.1787156.20NAGASAKA M,GADGEEL S M.Role of chemotherapy and targeted therapy in early-stage non-small cell lung cancerJ.Expert Rev Anticancer Ther,2018,18(1):63-70.DOI:10.1080/14737140.2018.1409624.21YUAN M,PU X H,XU X Q,et al.Lung adenocarcinoma:assessment of epidermal growth factor receptor mutation status based on extended models of diffusion-weighted imageJ.J Magn Reson Imaging,2017,46(1):281-289.DOI:10.1002/jmri.25572.22WANG Y Z,WAN Q,XIA X Y,et al.Value of radiomics model based on multi-parametric magnetic resonance imaging in predicting epidermal growth factor receptor mutation status in patients with lung adenocarcinomaJ.J Thorac Dis,2021,13(6):3497-3508.DOI:10.21037/jtd-20-3358.23唐兴,白国艳,王虹,等.基于多序列 MRI 影像组学预测肺腺癌EGFR 基 因 表 型 J.放 射 学 实 践,2021,36(8):1010-1015.DOI:10.13609/ki.1000-0313.2021.08.012TANG X,BAI G Y,WANG H,et al.Predictive value for EGFR gene phenotype of lung adenocarcinoma based on multi-sequences MRI ra-diomicsJ.Radiol Pract,2021,36(8):1010-1015.DOI:10.13609/ki.1000-0313.2021.08.01224EGUREN-SANTAMARIA I,SANMAMED M F,GOLDBERG S B,et al.PD-1/PD-L1 blockers in NSCLC brain metastases:challenging paradigms and clinical practiceJ.Clin Cancer Res,2020,26(16):4186-4197.DOI:10.1158/1078-0432.CCR-20-0798.25LI Y,LV X N,WANG B,et al.Differentiating EGFR from ALK mutation status using radiomics signature based on MR sequences of brain metastasisJ/OL.Eur J Radiol,2022,155:110499 2022-10-12.https:/doi.org/10.1016/j.ejrad.2022.110499.DOI:10.1016/j.ejrad.2022.110499.26CHEN B T,JIN T H,YE N R,et al.Radiomic prediction of mutation status based on MR imaging of lung cancer brain metastasesJ.Magn Reson Imaging,2020,69:49-56.DOI:10.1016/j.mri.2020.03.002.27CAO R,DONG Y,WANG X Y,et al.MRI-based radiomics nomogram as a potential biomarker to predict the EGFR mutations in exon 19 and 21 based on thoracic spinal metastases in lung adenocarcinomaJ/OL.Acad Radiol,2022,29(3):e9-e17 2022-10-12.https:/doi.org/10.1016/j.acra.2021.06.004.DOI:10.1016/j.acra.2021.06.004.28ETTINGER D S,WOOD D E,AISNER D L,et al.Non-small cell lung cancer,version 5.2017,NCCN clinical practice guidelines in oncologyJ.J Natl Compr Canc Netw,2017,15(4):504-535.DOI:10.6004/jnccn.2017.0050.29LEE J,KIM Y K,SEO Y Y,et al.Clinical characteristics of false-positive lymph node on chest CT or PET-CT confirmed by endobronchial ultrasound-guided transbronchial needle aspiration in lung ca