非小细胞肺癌（NSCLC）是肺癌的主要类型，约占所有肺癌的85%，而大部分NSCLC患者的总体存活率仍相对较低。例如，经历了一线化疗后，所有Stage IV患者的中位生存时间可能只有8-10个月。对NSCLC患者化疗后生存期的预测研究对临床的治疗管理和生活质量提升具有重要价值。根据以往研究，临床因素（如年龄、性别、肿瘤分期、疾病进展、突变状态等）、影像组学和深度学习特征都可以显著影响化疗后的生存期。对这些因素的统计学研究有助于提供个性化的生存预测，对临床中有不同生存风险的患者制定差异化的治疗方案。

Nomogram可以提供一种图形化的工具，用于生存分析中基于多因素分析的预测。它可以将复杂的数学方程式转化为简单易读的图表，方便临床医生和研究人员理解和使用。Nomogram能够整合多个变量预测一种特定疾病的生存期或疾病复发的风险，用户通过在相应的参考线上标记每个变量的值，然后计算总和得分，就可以从该图形工具直接得到患者的预期生存期或疾病复发的风险评估。

近期，Cancer Imaging 杂志在线发表了由东北大学医学与生物信息工程学院齐守良教授团队的题为Nomograms integrating CT radiomic and deep learning signatures to predict overall survival and progression-free survival in NSCLC patients treated with chemotherapy的研究论文。该研究整合了临床TNM分期、CT影像组学特征和深度学习特征，构建了一个预测和评估NSCLC患者化疗后总生存时间（OS）和无进展生存期（PFS）的模型。该论文第一作者是博士生畅润笙同学，通讯作者是齐守良教授。

该生存期预测模型应用了三种类型的特征：1）包括性别、年龄、吸烟史、病理分型、肿瘤位置和TNM分期的临床特征；2）从肿瘤内（S1）和肿瘤周围区域（S2）提取的影像组学特征；3）三个深度学习模型特取的深度学习特征（S3、S4和S5）。应用X-tile将所有特征分为过表达组和欠表达组，分析KM生存曲线。接下来应用单变量和多变量COX回归模型对特征进行生存风险比率计算，得到可以预测总生存期和无进展生存期的特征，最后将这些特征拟合为Nomogram。

该研究发现，TNM分期，S2和S3特征是影响OS和PFS的重要预后因素。S2 (OS：HR (95%)，2.26 (1.40-3.67)；PFS：(HR (95%)，2.23 (1.36-3.65))在区分过表达和欠表达的患者方面都表现出最佳效果。在OS的Nomogram图中，训练组和验证组的C-index（95% CI）分别为0.74（0.70-0.79）和0.72（0.67-0.78）。在PFS的Nomogram图中，训练组和验证组的C-index（95% CI）分别为0.71（0.68–0.81）和0.72（0.66–0.79）。且该生存期预测模型比传统TNM分期模型预测OS和PFS的总体净效益更高。

综上所述，整合了TNM分期、影像组学特征和深度学习特征的Nomogram可以预测接受化疗的NSCLC患者的生存期。瘤周影像组学特征和深度学习特征在预测OS和PFS方面均优于传统TNM分期模型。该Nomogram模型优点是非侵入性且费用低廉，可以从常规检查中获取的化疗前CT图像进行分析和评估，从而对患者进行个性化治疗方案指导。