近日，湖北省肿瘤医院刘玉林、欧武陵教授团队在国际顶级期刊《Science Advances》（《科学进展》）发表重要研究成果《使用SHAP的可解释动态定量血管形态特征用于抗血管生成治疗反应预测》。研究基于临床常规增强CT影像，搭建了一套可解释人工智能预测模型，实现肺癌抗血管生成治疗疗效的早期、无创评估，为肺癌患者个体化治疗提供了全新的影像学途径。

    该论文第一、通讯作者单位均为湖北省肿瘤医院，通讯作者为放射科首席专家刘玉林教授、胸部肿瘤内科一病区欧武陵教授。放射科胡奎技师、胸部肿瘤内科一病区主治医蔡茜博士生、刘玉林教授硕士研究生徐佳为共同第一作者。

    01. 临床痛点

    抗血管治疗疗效差异大，早期预判工具亟待破局

    抗血管生成治疗是晚期肺癌综合治疗中十分关键的一环，常常与化疗、免疫治疗、靶向治疗联合使用。其核心原理是通过阻断血管内皮生长因子信号通路，修剪掉肿瘤周围渗漏、不成熟的异常血管，重构规整的血管网络，从而改善肿瘤内部供血环境，帮助化疗药物和免疫细胞更好地抵达病灶，达到抑制肿瘤生长的目的。然而，在真实临床场景中，不同患者的治疗效果差异巨大，仅有40%-70%的患者可以从中获益，部分患者不仅没有治疗收益，还要承受药物带来的毒副作用。同时，传统用来预测抗血管治疗效果的AI模型如同“黑箱子”，使用的是缺乏明确临床意义的影像特征，不便于医生理解其判断依据从而及时调整治疗方案。临床上一直缺少便捷可靠的早期评估手段，帮助医生提前筛选潜在获益人群。

    02. 技术破局

    可解释AI模型破解“黑箱”，实现疗效早期精准预判

    为破解这一临床痛点，医院多学科交叉团队开展联合攻关，以医院163例晚期肺癌患者数据为基础，研发出一套端到端全自动AI分析工作流：依托医院日常的增强CT检查；深度学习自动分割肿瘤、瘤周三维血管网络，提取治疗前后动态血管形态特征，捕捉抗血管药物带来的血管重塑变化；引入SHAP可解释AI算法，每一次预测都可溯源、可视化，把AI计算结果对应到CT解剖影像，解决传统影像组学解释性差的痛点。

（图二）基于SHAP的血管特征贡献及治疗前后瘤内瘤周血管三维改变

    为验证模型的可靠性，研究团队还引入武汉协和医院82例病例作为外部验证。这些病例覆盖了多种真实临床联合治疗方案，且外部队列的CT扫描参数、扫描时相与训练集存在差异，充分检验了模型在真实临床场景下的泛化能力。

    研究结果显示，将治疗前的基础影像与治疗后的血管动态变化结合分析，模型的预测准确率显著优于传统预测模型（delta merge模型内部验证AUC可达0.842，外部验证AUC达到0.806）。这证实：治疗过程中肿瘤血管的重塑变化，是判断抗血管治疗效果的核心信号——发现血管变得越规整、越简洁，说明药物正在有效发挥、效果更好。

    国际多学科顶级综合学术期刊，自然科学领域顶尖学术平台