Diagnostic accuracy of CT-based radiomics for predicting occult lymph node metastasis in early-stage lung adenocarcinoma: a systematic review and meta-analysis.
CT 放射組學預測早期肺腺癌隱匿性轉移的外部驗證 AUC 達 0.80，展現非侵入式演算法潛力。
- 內部驗證預測隱匿性淋巴結轉移 AUC 達 0.89，外部驗證仍維持 0.80。
- 基於增強 CT 訓練的放射組學模型 AUC 為 0.81，顯著優於平掃 CT 的 0.73。
- 模型泛化能力受限於影像前處理差異，跨機構驗證時特異度容易出現衰退。
一項涵蓋 6,349 名早期肺腺癌患者的最新分析指出，結合 CT 影像放射組學與機器學習預測隱匿性淋巴結轉移，其內部驗證的 AUC 達 0.89。在面對外部驗證時，模型 AUC 仍維持在 0.80 的水準，初步證實了非侵入式影像特徵分析在輔助分期上的技術潛力。
傳統 CT 與 PET/CT 面臨微小轉移檢測瓶頸
肺癌是全球癌症死亡的主因之一，其中非小細胞肺癌佔總發病率約 85%，而肺腺癌是最常見的亞型。在這類患者中，淋巴結轉移相當普遍，整體發生率約為 40%。在早期肺腺癌的治療中，部分患者在術前影像檢查時被歸類為無淋巴結轉移的臨床 N0 期，但在術後病理分析卻發現存在隱匿性淋巴結轉移（OLNM，指術前常規影像未能發現的淋巴結轉移）。
傳統的術前淋巴結評估依賴支氣管內視鏡超音波引導下經氣管壁細針抽吸，雖然是標準流程但具侵入性。非侵入性方法主要依賴電腦斷層掃描（CT）與正子造影（PET/CT）。儘管 18F-FDG PET/CT 在分期上優於單純 CT，但受限於空間解析度與部分體積效應，對於微觀轉移的偵測能力依然有限，且高昂的成本也限制了常規使用。同時，常規 CT 掃描對於早期微轉移的敏感度與特異度也被認為未達理想標準。
整合 6,349 筆病患資料的 CT 放射組學評估
為解決影像解析度帶來的限制，放射組學（Radiomics，從醫學影像中提取大量高維度定量特徵的技術）結合機器學習，成為預測腫瘤特徵的新工具。研究團隊系統性搜尋了多個學術資料庫，最終納入 10 篇聚焦於 CT 放射組學預測早期肺腺癌 OLNM 的研究，全數資料來源為中國，涵蓋 6,349 名病理證實為臨床 I-II 期的患者。
納入的研究導入了多種機器學習與深度學習演算法，包括支持向量機（SVM）、XGBoost、邏輯迴歸，以及 ResNet 與 DLRad 等深度學習架構。影像前處理階段最常使用 z-score 正規化與 HU（Hounsfield Unit）值正規化，並利用 LASSO 或主成分分析（PCA）進行特徵篩選。在影像分割方法上，有 8 項研究採用手動標註腫瘤區域，僅有少數研究導入半自動或全自動分割系統。
外部驗證 AUC 達 0.80 但敏感度降至 0.72
統合分析顯示，CT 放射組學在檢測 OLNM 上具備良好的鑑別力。在內部驗證隊列中，模型的合併敏感度為 0.85，特異度為 0.78，而總結受試者工作特徵曲線下面積（AUC）高達 0.89。這意味著演算法在最初訓練與測試的同源數據集上表現優異。
當模型面對外部驗證隊列時，數據表現出現一定程度的衰退。外部驗證的合併敏感度降至 0.72，特異度為 0.75，AUC 則下降至 0.80。這種表現落差反映了機器學習模型在跨機構應用時的技術侷限。儘管如此，分析指出在 50% 的驗前機率下，外部驗證中模型若給出陽性結果，能將 OLNM 的驗後機率提升至 74%；若為陰性結果，則能將機率降至 27%，依然具備中等程度的確認價值。
增強 CT 協議與腫瘤直徑對模型效能的影響
為了找出研究間的異質性來源，研究團隊在外部驗證隊列中進行了亞組分析。數據顯示，CT 掃描協議對模型效能有顯著影響：基於增強 CT（Enhanced CT）訓練的模型 AUC 為 0.81，顯著優於平掃 CT（Unenhanced CT）的 0.73。這可能因為對比劑能更清晰地突顯腫瘤邊界與內部組織異質性，從而提供更豐富的空間特徵。
樣本量與腫瘤大小同樣是影響指標的關鍵。在樣本量小於 1,000 人的研究中，模型 AUC 達 0.83；而在大於等於 1,000 人的大型研究中，AUC 降至 0.78，且特異度明顯偏低。這暗示小樣本研究可能存在過度擬合（Overfitting，模型在訓練資料表現好但在新資料表現差）的現象，而大型多中心數據引入的硬體差異增加了預測難度。此外，腫瘤直徑大於等於 2 公分的組別（AUC 0.82）在預測表現上優於小於 2 公分的組別（AUC 0.77），顯示較大的腫瘤能釋放更明確的異質性信號。
機器學習跨資料集泛化能力的技術挑戰與未來
分析結果證實了 CT 放射組學的確能捕捉到肉眼難以察覺、與淋巴結微小轉移相關的紋理特徵。其維持在高水準的敏感度，讓這項技術具備潛力成為排除潛在隱匿性轉移的數位輔助工具，協助醫療人員在術前制定更精確的清掃策略。
然而，現階段的模型仍高度依賴開發數據集的特徵分佈。研究間在 CT 擷取參數、重建演算法以及分割策略上的差異，都會直接改變體素（Voxel）層級的信號強度，進而影響萃取出的特徵權重。為了推動這些預測演算法真正進入診療流程，未來亟需建立標準化的影像處理流水線，並在更廣泛的跨國人群中進行前瞻性多中心驗證，以確保模型具備足夠的泛化能力。
放射組學預測微小轉移的外部驗證 AUC 達 0.80，但影像前處理流水線的標準化，將是演算法能否規模化落地的決定性關鍵。