作为肺癌的一种常见亚型，肺腺癌的诊断在临床实践中具有重要意义，特别是在区分非侵袭性腺癌（Pre-IA）和侵袭性腺癌（IAC）方面。这一区分至关重要，因为这两种病变对应着不同的临床治疗策略：Pre-IA通常需要患者进行随访以观察结节的进展情况，从而制定后续的治疗方案，而IAC一般来说需要进行手术干预。本研究针对肺腺癌的侵袭性分类问题，提出了一种基于影像组学特征的深度因子分解机模型（Radiomic Feature Deep Factorization Machine，RFDFM）。RFDFM模型结构包括了多个关键技术要点：首先，首次在医疗影像领域中引入了因子分解机模块，有效建模了不同影像组学特征之间的相互作用，提高了预测性能；其次，采用低层次特征融合卷积神经网络，最小化信息损耗，增强特征利用效率；此外，在特征融合过程中应用元素级注意力机制，动态为特征分配权重，突出关键特征，提高模型的拟合效率等。

为了验证本文所提方法的有效性，我们收集了来自某三甲医院的791名肺腺癌患者的1,052个结节样本。实验表明本文所提出的RFDFM方法在区分Pre-IA和IAC方面可以达到94.2%的AUC。消融实验的结果也表明，RFDFM模型相较于其他模型具有更高的性能表现，进一步证实了其在侵袭性肺腺癌分类中的重要性。

本研究的创新性成果在于提出了一种结合深度学习和因子分解机的新型模型，有效解决了传统方法在处理影像组学特征时的局限性，为肺结节诊断领域带来了新的思路和方法。这一研究不仅在理论上为基于深度学习的肺结节筛查工作提供了新的研究思路，也在肺癌早期诊断和治疗的实践中展现了显著的应用潜力。