动态对比增强MRI无创分层非小细胞肺癌PD-L1表达
本研究前瞻性纳入38例局部晚期非小细胞肺癌患者,评估DCE-MRI药代动力学参数能否分层PD-L1表达。结果显示,在50%阈值下,PD-L1低表达组的Ktrans和Kep中位数显著高于高表达组,ROC-AUC为0.71-0.76;ETM联合Georgiou AIF和Peak-Gradient BAT估计是最佳药代动力学配置。
要点
- PD-L1 TPS<50%组的Ktrans中位数(0.25 vs 0.12 min⁻¹)和Kep中位数(1.09 vs 0.59 min⁻¹)显著高于TPS≥50%组。
- Ktrans和Kep区分PD-L1高/低表达的ROC-AUC为0.71-0.76,诊断准确性中等。
- PD-L1 TPS 1%阈值下,各药代动力学参数组间差异无统计学意义(p>0.05)。
核心结论
- DCE-MRI药代动力学参数可能作为无创分层NSCLC PD-L1高/低表达的影像生物标志物。
- ETM联合Georgiou AIF和Peak-Gradient BAT估计是时间各向异性DCE-MRI序列的最佳药代动力学配置(中位R²=0.79)。
研究设计与样本
- 前瞻性研究,2021年4月至2023年5月连续纳入38例局部晚期NSCLC患者(III A-C期,T≥2)。
- 采用1.5T扫描仪(MAGNETOM Aera,Siemens Healthcare)行自由呼吸TWIST DCE-MRI,钆特酸葡胺0.2 mL/kg以3-4 mL/s静脉注射。
- 以22C3 pharmDx检测的PD-L1 TPS为参考标准,按1%和50%两个阈值分组。
- 比较18种药代动力学模型配置(Tofts变体×AIF×BAT估计方法),以决定系数R²评估拟合质量。
关键影像表现/征象
- PD-L1 TPS<50%组的Ktrans中位数(0.25 vs 0.12 min⁻¹,p=0.02)、Ktrans第90百分位(0.74 vs 0.44 min⁻¹,p=0.01)、Ktrans标准差(0.32 vs 0.23 min⁻¹,p=0.01)显著高于TPS≥50%组。
- PD-L1 TPS<50%组的Kep中位数(1.09 vs 0.59 min⁻¹,p=0.02)和第90百分位(2.21 vs 1.87 min⁻¹,p=0.04)显著高于TPS≥50%组。
- Ktrans和Kep与PD-L1表达呈负相关,区分PD-L1高/低表达的ROC-AUC为0.71-0.76。
- 双变量logistic回归显示median(Kep)、median(Ktrans)和SD(Ktrans)为独立预测因子(p<0.05),不受组织学类型或淋巴结状态影响。
诊断标准与关键数值
- PD-L1表达缺失/存在阈值:TPS<1%为缺失,TPS≥1%为存在;该阈值下各药代动力学参数组间差异无统计学意义(p>0.05)。
- PD-L1高表达/低表达阈值:TPS≥50%为高表达,TPS<50%为低表达;Ktrans和Kep在低表达组显著更高,ROC-AUC 0.71-0.76。
- 最佳药代动力学配置:扩展Tofts模型(ETM)联合Georgiou AIF和Peak-Gradient BAT估计,中位R²=0.79。
临床应用与阅片要点
- DCE-MRI药代动力学参数(Ktrans、Kep)可用于无创评估NSCLC PD-L1高/低表达,辅助治疗决策。
- 阅片时关注Ktrans和Kep参数图,PD-L1高表达肿瘤可能表现为较低的Ktrans和Kep值。
- 推荐使用ETM联合Georgiou AIF和Peak-Gradient BAT估计提取时间各向异性DCE-MRI序列的参数。
- PD-L1 1%阈值下药代动力学参数无显著分层价值,不宜用于判断免疫治疗资格。
局限性
- 本研究为单中心研究,样本量相对较小,结果可能不能完全代表更大的人群,需要其他中心的数据进行外部验证以确保普遍性和可靠性。
- 肺部MRI的可用性低限制了其广泛临床使用。
- 保守的读者间一致性分析仅具指示性,可能产生假阴性,需要在更大的人群中进行严格验证。
- Kep和Ktrans区分PD-L1低表达与高表达的诊断准确性为中等,提示其潜在用途但并非确定性。
- 未来研究应纳入更大的多中心队列并采用标准化方案以确认这些发现。
全文中译15 节 · 点击展开
引言
肺癌是全球最常见的癌症,也是全球癌症相关死亡的主要原因[1]。非小细胞肺癌(NSCLC)占所有肺癌病例的近85%。在NSCLC中,靶向程序性细胞死亡蛋白1(PD-1)或其配体(PD-L1)的免疫检查点抑制剂(ICIs)与化疗相比显示出更高的疗效和更低的毒性[2–4]。然而,只有20–50%的患者获得长期积极的治疗反应[5, 6]。这凸显了在给予ICIs之前进行准确患者分层以优化治疗结果的重要性。美国国家综合癌症网络(NCCN)目前建议根据PD-L1表达对NSCLC患者进行免疫治疗分层,PD-L1表达通过对病理样本进行免疫组织化学(IHC)分析确定的肿瘤比例评分(TPS)来判定[7]。例如,帕博利珠单抗(一种PD-L1抑制剂)治疗的主要适应证为:(1)作为PD-L1 TPS ≥ 50%的转移性NSCLC的一线治疗;(2)用于肿瘤表达PD-L1(TPS ≥ 1%)的转移性NSCLC患者,在疾病进展后或化疗后治疗[8]。此外,大量临床试验已证明PD-L1 TPS对治疗反应的预测价值[4, 9]。
然而,活检操作具有显著风险,且可能不能代表肿瘤的整体PD-L1状态[10]。因此,需要非侵入性、更安全且可重复的替代方法来评估PD-L1表达。
近年来,动态对比增强MRI(DCE-MRI)因其提取肿瘤生物学特征的潜力而受到显著关注。DCE-MRI提供肿瘤微血管特性的信息,如灌注和通透性,并已应用于多种癌症类型,包括乳腺、头颈部和胃部肿瘤[11–14]。
肺部MRI历来因该器官的固有特性(如低质子密度和运动伪影)而具有挑战性。然而,MRI序列的最新进展,如梯度性能的改善和自由呼吸采集,增加了对肺部MRI的兴趣。据我们所知,尚无研究探讨NSCLC中DCE-MRI药代动力学参数与PD-L1表达之间的相关性。
本研究的主要目的是探究DCE-MRI药代动力学参数是否可对NSCLC中的PD-L1表达进行分层。次要目的是为设计用于各向异性时间分辨率快速采集的DCE-MRI序列确定药代动力学模型的最佳配置。
材料与方法
患者数据
本研究按照《赫尔辛基宣言》进行,并获得Fondazione IRCCS Policlinico San Matteo机构伦理委员会批准。所有参与研究的受试者均获得了知情同意。
从2021年4月至2023年5月,我们前瞻性连续入组了诊断为局部晚期NSCLC(根据TNM分类第八版,III A-C期,且T ≥ 2)的患者队列。排除标准为:(1)依从性不足以确保完成MR检查;(2)在接受MRI前接受过任何治疗;(3)缺乏PD-L1表达检测。PD-L1表达通过22C3 pharmDx检测(Agilent Technologies)[15]进行定量,TPS根据指南[16]进行评估。肿瘤按以下方式分类——(1)PD-L1表达的有/无(TPS ≥ 1%和TPS < 1%)以及(2)PD-L1高表达/低表达(TPS ≥ 50%和TPS < 50%)。
MRI采集方案
MRI使用1.5特斯拉扫描仪(MAGNETOM Aera;Siemens Healthcare)并采用18通道表面线圈进行。扫描序列包括容积式内插屏气检查(VIBE)T1序列和自由呼吸DCE序列。DCE-MR采集(表1)基于具有交错随机轨迹的时间分辨血管造影(TWIST)。以临床标准剂量0.2 mL/kg的钆特酸葡甲胺(Dotarem)团注,以3–4 mL/s的速率静脉注射(图1)。
图像预处理与分割
为减少因呼吸和心脏运动引起的运动误差,我们采用了SimpleITK的微分同胚 demons 配准滤波器[17]。肿瘤勾画以半自动方式进行。首先,一位经验丰富的放射科医师使用ITK-SNAP软件(http://www.itksnap.org)在增强前VIBE图像上分割肿瘤。随后使用SimpleITK的非刚性BSpline配准技术将分割掩膜与DCE-MRI系列对齐,并对任何误差进行手动校正。
动脉输入函数
我们探索了Weinmann、Parker和Georgiou提出的三种常用群体动脉输入函数(AIFs)。每种均具有参数化函数形式,通过汇总从高时间分辨率DCE-MRI采集的受试者个体AIFs而制定[18–20](补充材料(SM),第S1节)。
团注到达时间估计
将团注到达时间(BAT,t0)估计纳入药代动力学模型以增强拟合。为确保稳定性,BAT使用应用于肿瘤衍生平均时间-信号强度曲线(TIC)的自动BAT估计方法进行初始化。评估了三种常用方法:线性-线性(LL)、线性-二次(LQ)和峰值-梯度(PG)(图2)(SM,第S2节)。
药代动力学建模
我们研究了Tofts双室模型的两种广泛使用的变体——标准Tofts模型(TM)和扩展Tofts模型(ETM)——以表征肿瘤微血管特性。药代动力学参数,包括Ktrans(容积转移速率)、Kep(外排速率常数)、Ve(细胞外血管外分数)和Vp(血浆容积分数,仅存在于ETM中),使用信赖域反射算法[21]进行优化以拟合时间-浓度曲线(TCC)。基于体素(肿瘤整体)的药代动力学建模步骤可概括如下:(1)将体素(肿瘤平均)TIC转换为体素(肿瘤平均)TCC;(2)优化模型参数以拟合测量的体素(肿瘤平均)TCC;(3)对于体素分析,进一步计算目标病灶内非坏死体素的中位数、第90百分位数和标准差(SD);(4)进行统计(拟合质量)分析(SM,第S3节)。
拟合质量分析
为确定时间各向异性序列的最佳药代动力学建模方法,我们使用肿瘤平均TIC在三个不同层次的Tofts模型设计中研究了常用选择:(1)Tofts变体——标准或扩展,(2)输入人群AIF——Weinmann、Parker或Georgiou,以及(3)BAT估计方法——LL、LQ或PG,共同构成18种不同配置。
为量化拟合质量,我们使用了决定系数R2。通过排除R2 ≤ 0的体素,我们消除了肿瘤内坏死或离群(拟合不良)体素的影响。
阅片者间一致性
从肿瘤体素提取的一阶药代动力学参数可能因肿瘤勾画的变化而产生变异。为解决这一问题,我们对随机抽取的10例患者进行了阅片者间一致性分析。第二位经验丰富的放射科医师独立在DCE-MR图像上进行手动分割。使用一致性相关系数(CCC)评估一致性,CCC > 0.85的特征被归类为高度可重复。
统计分析
我们进行了Kruskal-Wallis H检验,以评估提取的一阶药代动力学特征在肿瘤组织学亚组之间是否存在显著差异。进行Mann–Whitney U检验以检查PD-L1缺失/存在组(PD-L1阈值设为1%)和高表达/低表达组(PD-L1阈值设为50%)之间差异的显著性。p值 < 0.05被认为具有统计学意义。估计受试者工作特征曲线下面积(ROC-AUC)以评估判别性能。所有统计分析使用Python(v3.7.5)和SciPy软件包。基于Python的实现以开源形式提供,可在https://github.com/sithin-unipv/lungmr_pk.git获取(访问日期:25/09/24)。
混杂因素分析
为评估组织学和淋巴结状态作为混杂因素对统计学显著药代动力学参数的潜在影响,我们使用逻辑回归进行了双变量分析,并针对淋巴结状态和组织学进行了调整。
结果
共纳入38例患者。其中,男性28例(74%),女性10例(26%)。所有患者均为白种人,平均年龄为68 ± 9岁。肺腺癌14例(36%),肺鳞状细胞癌12例(32%),低分化非小细胞肺癌(NSCLC)12例(32%)。其中,25例(66%)PD-L1表达(≥ 1%),13例(34%)PD-L1高表达(≥ 50%)。表2总结了患者的主要特征。
通过将18种不同的模型配置拟合到平均肿瘤时间-强度曲线(TIC)上,估算药代动力学参数——Ktrans、Kep、Ve和Vp(仅限ETM)。R2的中位数范围为0.06至0.79(表3)。采用Georgiou动脉输入函数(AIF)和PG BAT估算方法的ETM药代动力学模型为最佳性能配置,R2中位数为0.79。该配置随后用于提取ETM参数图。
Kruskal-Wallis H检验显示,不同肿瘤组织学类型之间从参数图提取的一阶药代动力学特征无统计学显著差异(p > 0.05)(表S1)。读者间一致性分析显示,特征中位数(Ktrans)、中位数(Kep)、中位数(Ve)、第90百分位数(Ve)和标准差(Ve)具有高度可重复性(CCC:0.90–0.96)(表S2)。
对于PD-L1表达的50%阈值,从Ktrans和Kep图提取的特征存在显著差异。对于Ktrans,PD-L1低表达组中以下特征观察到较高值:中位数(0.25 vs. 0.12 min−1,p = 0.02)、第90百分位数(0.74 vs. 0.44 min−1,p = 0.01)和标准差(0.32 vs. 0.23 min−1,p = 0.01)。同样,对于Kep,PD-L1低表达组中以下特征观察到较高值:中位数(1.09 vs. 0.59 min−1,p = 0.02)和第90百分位数(2.21 vs. 1.87 min−1,p = 0.04)(表4)。
针对1%阈值的Mann–Whitney U检验显示无统计学显著性(p > 0.05)(表5)。图3展示了本研究中识别的显著特征的分布和ROC-AUC。图4展示了示例病灶提取的参数图。值得注意的是,使用平均肿瘤TIC估算的ETM参数接近参数图中位数估计值(表S3)。
对临床显著特征进行的双变量逻辑回归分析显示,中位数(Kep)、中位数(Ktrans)和标准差(Ktrans)是独立预测因子(p < 0.05),不受组织学类型或淋巴结状态的影响(表S4)。
讨论
本研究利用非小细胞肺癌(NSCLC)患者的短周期时间各向异性肺动态对比增强磁共振成像(DCE-MRI)序列,探讨药代动力学参数在PD-L1表达分层中的作用。此外,我们针对该自定义序列确定了合适的药代动力学配置,包括Tofts模型类型的选择、BAT估计方法和群体动脉输入函数(AIF)。我们根据两个PD-L1 TPS阈值对患者进行分类:(1)PD-L1 ≥ 1%,反映免疫治疗的临床适用标准;(2)PD-L1 ≥ 50%,常用于识别PD-L1高表达、更可能从免疫治疗中获益的患者。我们的结果表明,Ktrans和Kep值与PD-L1表达呈负相关,并在区分PD-L1高表达方面显示出中等准确度。采用PG BAT估计方法和Georgiou AIF的ETM是表现最佳的药代动力学配置。
DCE-MRI可通过将药代动力学模型拟合于对比剂浓度曲线来量化灌注和微血管参数 [22]。从ETM获得的主要定量参数包括:Ktrans,即对比剂从血浆漏入血管外细胞外间隙(EES)的体积转移常数;Kep,即对比剂回流至血浆的速率常数;Ve,即EES体积分数;以及Vp,即血浆体积分数 [23]。由于血管异常是恶性肿瘤的主要特征之一,DCE-MRI已被广泛评估用于推断与这些疾病相关的药代动力学参数 [24]。然而,由于其临床应用有限以及肺部MRI的技术挑战,关于DCE-MRI应用于肺部肿瘤的文献数量相对较少。
在Wang等人的研究中,升高的Ktrans值与更好的治疗反应呈正相关,使接受免疫治疗的不可切除III期NSCLC患者获得延长的无进展生存期(PFS)和总生存期(OS)[25];Sridharan等人表明Ktrans具有可重复性,并能检测NSCLC病灶中治疗引起的早期变化,支持其用于评估对放疗和靶向治疗的生物学反应 [26]。关于组织学分化,Guo等人发现Ktrans是区分小细胞肺癌与非小细胞肺癌、以及腺癌与鳞状细胞癌的有前景的参数 [27]。Zou等人证明,某些Ktrans和Kep特征在评估NSCLC中表皮生长因子受体(EGFR)基因突变状态以及血管内皮生长因子(VEGF)和EGFR蛋白表达方面是可靠的 [28]。此前尚无研究探讨肺癌中DCE-MRI参数与PD-L1表达之间的相关性。
我们的结果显示,与PD-L1 TPS≥50%组相比,PD-L1 TPS<50%患者的Kep和Ktrans值显著更高,具有中等诊断准确性,且独立于组织学类型和淋巴结状态等混杂因素。非小细胞肺癌(NSCLC)与许多其他肿瘤一样,以促血管生成因子上调为特征。这导致形成异常血管网络,由于内皮细胞连接缺陷和通透性诱导因子(如血管内皮生长因子(VEGF))的过度产生,血管通透性增加[29, 30]。Ktrans是一个结合血流量和通透性的参数,已被证明在极高通透性条件下(如肿瘤中所见)可反映血流量[31];此外,在该患者队列中,使用钆特酸——一种易于穿过内皮壁的亲脂性对比剂——进一步增加了通透性[32]。Kep与微血管密度相关,Ktrans和Kep参数均可反映肿瘤增殖潜能[33, 34]。因此,我们的结果表明,与PD-L1低表达肿瘤相比,PD-L1高表达肿瘤可能具有较低的血流量和 reduced microvessel density。这一发现与Bortolotto等[35]的研究一致,该研究报告了D*值——代表体素内不相干运动弥散加权成像(IVIM-DWI)中灌注相关弥散系数——与PD-L1表达之间的负相关[35]。此外,我们的结果与Franz等的研究一致,他们证明了喉癌中血管生成(以CD31为标志)与PD-L1表达之间的负相关[36]。一种可能的解释是,PD-L1高表达肿瘤中可能存在的更多免疫细胞浸润[37]与血管通透性增加相关,导致局部微循环中血液淤滞和血流量减少。然而,药代动力学模型提供的结果往往难以从生理学角度解释[32]。值得注意的是,在PD-L1 TPS阈值为1%时,各组之间未发现Kep或Ktrans具有统计学显著相关性。
PD-L1表达状态对于确定患者是否应接受免疫治疗作为一线或二线治疗是必要的。1%阈值确立了免疫检查点抑制剂(ICIs)的适用资格,而50%阈值识别出从靶向PD-1/PD-L1轴的ICIs一线单药治疗中获益最大的患者。对于PD-L1<50%,ICIs联合化疗的联合治疗是实现更快缓解的首选方案。这使得50%阈值尤为重要,因为它为个体化治疗提供了患者分层。
我们进行了读者间一致性分析,以评估药代动力学特征对分割变异的可重复性。半自动和手动方法允许肿瘤勾画具有更大的变异性。使用高CCC阈值(CCC>0.85),我们保守地将中位Ktrans和Kep测量值确定为高度可重复,肿瘤逐例平均分析的一致结果进一步支持了这一点,强化了它们作为稳健影像生物标志物的可靠性。
TWIST序列可加速DCE-MRI协议,呼吸困难患者(如肺癌患者)对该协议的耐受性更好。我们的次要终点是为这一特定序列确定合适的Tofts模型配置,涉及模型类型、AIF和BAT估算方法。双室药代动力学模型将对比剂动力学描述为两个腔室——血管间隙和EES——之间的相互作用。TM与ETM的关键区别在于,后者通过在拟合方程中纳入Vp来扩展标准Tofts模型,这在肺实质等组织中尤为重要,因为这些组织中高密度的血管会影响对比剂动力学。
AIF是指对比剂在动脉中的浓度随时间的变化,是药代动力学模型的关键输入[38],可以是受试者特异性的或基于人群的。我们测试了基于人群的AIF,因为采集是以肿瘤为焦点的,使得受试者特异性评估不可行。此外,TWIST协议在时间上具有各向异性,降低了对受试者特异性AIF估算的准确性,因为它需要固定的高时间分辨率。
BAT代表静脉注射后对比剂到达目标血管所需的时间[39]。忽略该参数会损害药代动力学拟合质量[40]。虽然定量成像生物标志物联盟(QIBA)建议在AIF中校正这一延迟,但在易受噪声影响的短时各向异性间隔TIC中估算BAT可能具有挑战性[41]。因此,我们将该延迟作为额外参数纳入药代动力学模型。
我们的分析显示,使用Georgiou或Parker AIF并结合PG BAT估算的ETM可能更适合时间各向异性的TWIST协议(R2 ~ 0.79)。后续研究可从这些结果中获益,将其与同期文献整合,以简化肺癌背景下DCE序列的分析流程。
本研究鉴于其初步和探索性性质,存在若干局限性。首先,这是一项单中心研究,样本量相对较小。因此,研究结果可能不能完全代表更大的人群,需要利用来自其他中心的数据进行外部验证,以确保其普遍性和可靠性。其次,肺部MRI的可及性较低限制了其广泛临床应用的可行性。然而,DCE可能是评估肿瘤内在特性的有前景的序列,也可与其他MRI序列联合使用。MRI可以定期重复,即使在治疗期间也可以,且不使用电离辐射;此外,该DCE-MRI协议可在较短的扫描时间内完成,因此可以很容易地纳入MR检查。第三,保守的读者间一致性分析仅具有指示性,可能产生假阴性,需要在更大的人群中进行严格验证。最后,Kep和Ktrans值在区分PD-L1低表达和高表达方面的诊断准确性为中等,提示其潜在效用,但并非确定性。未来研究应致力于纳入更大规模、多中心、采用标准化协议的队列以确认这些发现。
结论
定量DCE-MRI参数是非侵入性分层NSCLC中PD-L1高表达的潜在影像生物标志物。我们强调了一种在不同药代动力学模型组合中进行选择的方法,并确定了时间各向异性DCE-MRI序列最合适的配置。
补充信息
电子补充材料
引用
- Messana G, Bortolotto C, Thulasi Seetha S, et al. Non-invasive PD-L1 stratification in non-small cell lung cancer using dynamic contrast-enhanced MRI. Eur Radiol. 2025. PMID: 40146425. doi:10.1007/s00330-025-11524-1
- 全文:PMC12350491(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12350491/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。