EUVIMEDEUVIMED entdecken
Systematische ÜbersichtOpen Access · CC BY 4.0

Artificial Intelligence Models to Predict Recurrence Risk Prediction in Early-Stage Non-Small Cell Lung Cancer: A Systematic Review

Modelle der künstlichen Intelligenz zur Vorhersage des Rezidivrisikos bei frühem nichtkleinzelligem Lungenkarzinom: systematische Übersichtsarbeit

Yichen Yang, Hongbo He iD, Chengyuan Yu iD, Peyman Sardari Nia iD

European Journal of Cardio-Thoracic Surgery · 05.02.2026 · 68 (2)

DOI: 10.1093/ejcts/ezag072 ↗

Auf einen Blick

Die Übersichtsarbeit fand: Modelle mit multimodalen Daten schnitten besser ab als Modelle mit nur einer Datenart. Die berichteten AUC-Werte lagen bei 0,72–0,94.

Fragestellung

Wie gut sagen KI-Modelle das postoperative Rezidivrisiko bei frühem nichtkleinzelligem Lungenkarzinom voraus, und welchen Effekt hat die Integration verschiedener Datenmodalitäten?

Methode

Systematische Suche in PubMed, Embase und Web of Science bis 30. April 2025; 17 Originalstudien wurden eingeschlossen. Verzerrungsrisiko mit PROBAST+AI beurteilt.

Ergebnisse

Random Forest und Random Survival Forest zeigten robuste Leistungen bei Einzeldaten. Multimodale Daten verbesserten die Modellleistung (AUC 0,72–0,94); DeepRePath erreichte 0,94, GNN bei CT-Daten 0,785.

Einschränkungen

Gefahr des Overfittings; 7 Studien im Entwicklungs- und 13 in der Validierungsphase mit hohem Bias-Risiko.

Schlussfolgerung der Autor:innen

Die Modelle zeigten eine vielversprechende Genauigkeit für die Rezidivrisikobewertung bei frühem nichtkleinzelligem Lungenkarzinom; multimodale Daten verbesserten die Generalisierbarkeit.

Kernaussagen

  • Multimodale Daten verbesserten die Modellleistung.
  • AUC-Reichweite: 0,72–0,94.
  • Overfitting und Bias-Risiko waren häufig.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Systematische Übersicht in der Zeitschrift European Journal of Cardio-Thoracic Surgery, online erschienen am 28.01.2026. Verfasst von Yichen Yang und 3 weiteren Autor:innen. Beteiligte Einrichtung: Department of Cardiothoracic Surgery, Heart and Vascular Center, Maastricht University Medical Center, Maastricht 6229 HX, The Netherlands. Hauptthemen laut MEDLINE: Carcinoma, Non-Small-Cell Lung, Lung Neoplasms, Neoplasm Recurrence, Local, Predictive Learning Models. Die Arbeit wurde bisher 4-mal zitiert (Crossref) und nennt 43 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objectives

The purpose of this study was to systematically evaluate predictive models for assessing the risk of postoperative recurrence in patients with early-stage non-small cell lung cancer, and to determine the effect of integrating different data modalities on model performance.

Methods

A systematic search of PubMed, Embase, and Web of Science databases up to April 30, 2025 identified eligible studies. Seventeen original studies were included after screening 2672 records and reviewing 133 full texts. Data extraction focused on study characteristics, types of data used, modelling strategies, and predictive performance. Risk of bias was assessed using the Prediction model Risk of Bias Assessment Tool (PROBAST)+artificial intelligence (AI) tool.

Results

Random forest and random survival forest models performed robustly on single-modality data, while the integration of multimodality data significantly improved model performance (area under the curve [AUC] range: 0.72-0.94). Notably, the DeepRePath model based on XGBoost achieved an AUC of 0.94 in pathological image analysis, while graph neural networks also performed well in multicentre CT data analysis (AUC 0.785). However, models generally face the risk of overfitting. PROBAST+AI tool assessments revealed that 7 studies were classified as high-risk during the model development phase due to improper sample handling, while 13 studies exhibited high bias risk during the validation phase due to insufficient test set size (<100) or reliance on apparent performance.

Conclusions

Predictive models show promising accuracy for recurrence risk assessment in early-stage non-small cell lung cancer, with multimodal data integration improving generalizability. PROSPERO CRD42024629196.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Carcinoma, Non-Small-Cell LungLung NeoplasmsNeoplasm Recurrence, LocalPredictive Learning ModelsHumansRisk AssessmentNeoplasm StagingRandom ForestArea Under CurvePredictive Value of TestsLogistic ModelsPostoperative Period

Stichwörter der Autor:innen

AI modelNSCLCearly-stagerecurrence risk

Autor:innen und Institutionen

  • Department of Cardiothoracic Surgery, Heart and Vascular Center, Maastricht University Medical Center, Maastricht 6229 HX, The Netherlands.
  • Department of Cardiothoracic Surgery, Cardiovascular Research Institute Maastricht (CARIM), Maastricht University, Maastricht 6229 HX, The Netherlands.

ORCID-Profile: Hongbo He, Chengyuan Yu, Peyman Sardari Nia

Zitieren

APA

Yang, Y., He, H., Yu, C., & Sardari Nia, P. (2026). Artificial Intelligence Models to Predict Recurrence Risk Prediction in Early-Stage Non-Small Cell Lung Cancer: A Systematic Review. European Journal of Cardio-Thoracic Surgery, 68(2). https://doi.org/10.1093/ejcts/ezag072

Vancouver

Yang Y, He H, Yu C, Sardari Nia P. Artificial Intelligence Models to Predict Recurrence Risk Prediction in Early-Stage Non-Small Cell Lung Cancer: A Systematic Review. European Journal of Cardio-Thoracic Surgery. 2026;68(2). doi:10.1093/ejcts/ezag072

BibTeX
@article{Yang2026,
  author = {Yang, Yichen and He, Hongbo and Yu, Chengyuan and Sardari Nia, Peyman},
  title = {Artificial Intelligence Models to Predict Recurrence Risk Prediction in Early-Stage Non-Small Cell Lung Cancer: A Systematic Review},
  journal = {European Journal of Cardio-Thoracic Surgery},
  year = {2026},
  volume = {68},
  number = {2},
  doi = {10.1093/ejcts/ezag072}
}
Kostenlos starten →