计算机断层扫描影像组学预测胃癌微卫星不稳定状态与免疫治疗反应
本研究基于术前增强CT构建影像组学模型预测胃癌MSI状态,训练集304例、两个外部测试集分别48例和43例,模型AUC分别为0.952、0.835和0.879。在68例接受免疫治疗的晚期胃癌患者中,影像组学评分是PFS的独立预测因子(HR 0.145,95%CI 0.032-0.657,p=0.012)。
要点
- 基于4个影像组学特征构建的模型在训练集预测MSI状态AUC为0.952,外部测试集1为0.835,外部测试集2为0.879。
- 影像组学评分高的患者PFS更长(HR 0.145,95%CI 0.032-0.657,p=0.012),高评分组部分缓解率34.2%高于低评分组11.4%(p=0.041)。
- 影像组学评分与CD8+ T细胞正相关(R=0.74,p=0.013),与M2型巨噬细胞负相关(R=-0.67,p=0.028)。
核心结论
- 基于CT的影像组学模型可有效预测胃癌MSI状态和免疫治疗结局,可能作为个性化治疗决策的无创工具。
- 影像组学评分是免疫治疗后PFS的独立预测因子(HR 0.145,95%CI 0.032-0.657,p=0.012),高评分组PFS较低评分组显著延长(p=0.019)。
- 高影像组学评分组部分缓解率34.2%高于低评分组11.4%(p=0.041),但两组总生存差异无统计学意义(p=0.365)。
研究设计与样本
- 回顾性研究,训练集来自同济医院304例胃癌手术患者,外部测试集1来自襄阳市中心医院48例,外部测试集2来自TCIA公共数据集43例。
- 结局队列纳入同济医院68例接受至少两个周期一线免疫治疗的不可切除晚期胃癌患者。
- 术前2周内行腹部增强CT,采用GE、Siemens、Toshiba、Philips等多款扫描仪,基于门静脉期图像手动勾画全肿瘤VOI。
- 提取1313个影像组学特征,经ICC>0.75筛选保留1201个,卡方检验筛选190个,LASSO十折交叉验证最终选出4个特征。
- 以随机森林构建影像组学模型(AUC 0.95,其他分类器0.70-0.77),结合年龄、临床分期、cT分期、cN分期、肿瘤位置和影像组学评分构建临床-影像组学模型。
关键影像表现/征象
- 最终选取的4个特征为original_shape_Maximum2DDiameterRow、log_sigma_3_mm_3D_glszm_GrayLevelVaiance、wavelet_LHH_firstorder_Mean和wavelet_LLL_firstorder_90Percentile。
- 训练集中MSI-H组影像组学评分均值0.68±0.15高于MSS组0.32±0.14(p<0.001)。
- 外部测试集1中MSI-H组评分均值0.53±0.15高于MSS组0.39±0.16(p=0.003)。
- 外部测试集2中MSI-H组评分均值0.50±0.16与MSS组0.41±0.17差异无统计学意义(p=0.110)。
- 高影像组学评分与T细胞活化调节、细胞因子交互作用、淋巴细胞分化增殖相关基因上调相关。
诊断标准与关键数值
- 影像组学模型预测MSI状态AUC在训练集为0.952(95%CI 0.931-0.973),外部测试集1为0.835(95%CI 0.722-0.947),外部测试集2为0.879(95%CI 0.774-0.984)。
- 临床-影像组学模型AUC在训练集为0.966(95%CI 0.951-0.982),外部测试集1为0.739(95%CI 0.596-0.883),外部测试集2为0.670(95%CI 0.493-0.846)。
- 训练集中临床-影像组学模型AUC 0.966高于影像组学模型0.952(p=0.008),外部测试集2中临床-影像组学模型AUC 0.670低于影像组学模型0.879(p=0.020),外部测试集1中两者差异无统计学意义(p=0.123)。
- 影像组学评分预测PFS的AUC为0.768,X-tile确定的截断值为0.384。
临床应用与阅片要点
- NCCN指南推荐对所有新诊断胃癌患者检测MSI状态。
- MSI状态目前主要通过手术切除或胃镜活检标本的免疫组化和二代测序评估。
- 影像组学评分可作为无创补充手段用于术前预测MSI状态并辅助免疫治疗决策。
- 外部测试集2中阳性预测值较低,可能与CT采集异质性、使用阳性肠道对比剂及样本量小有关。
局限性
- 外部测试集2预测性能欠佳,可能归因于CT采集的异质性,尽管预处理阶段已重采样和标准化以尽量减少不同CT厂商间的异质性。
- 使用阳性肠道对比剂和其他CT采集参数的潜在变异,以及样本量小,可能部分解释外部测试集2中较低的阳性预测值。
全文中译16 节 · 点击展开
引言
胃癌(GC)以高度异质性和预后不良为特征,其药物治疗一直是医学研究中具有挑战性的焦点[1, 2]。近年来,随着免疫治疗和靶向治疗的出现,胃癌的管理逐渐变得更加精准[3]。微卫星不稳定性(MSI)状态是预测免疫治疗反应的新兴生物标志物。微卫星高度不稳定(MSI-H)胃癌传统上被认为是免疫治疗的有利人群[4],这是由于MSI-H肿瘤中免疫细胞浸润水平较高[5]。多项临床试验的数据已证实MSI-H GC患者对免疫治疗的高反应率[6]。美国食品药品监督管理局(FDA)已批准帕博利珠单抗(一种抗程序性死亡-1(PD-1)抗体)用于治疗包括GC在内的MSI-H实体瘤[7]。美国国家综合癌症网络(NCCN)指南建议对所有新诊断的GC患者进行MSI状态检测[8]。因此,MSI状态的诊断对于临床指导GC患者的免疫治疗至关重要。
目前,MSI状态主要通过免疫组织化学(IHC)和下一代测序(NGS)在手术切除或胃镜活检获得的标本上进行评估[9]。然而,术后获得的MSI状态信息对术前治疗方案的制定影响有限[10]。此外,活检和手术均为有创操作,可能使患者面临手术相关并发症的风险[11]。因此,开发一种无创方法以准确、动态地评估MSI状态显然具有重要价值。影像组学是一种前瞻性无创技术,可从医学影像中提取多维定量特征,以探索肿瘤生物学的深层信息[12, 13]。影像生物标志物在多种癌症类型中的预测能力已在许多研究中得到证实,尤其是在预测免疫治疗反应方面[14]。在此基础上,研究人员已验证了影像组学特征与结直肠癌MSI状态之间的强相关性[15]。尽管近期有几项研究尝试开发基于CT的无创影像组学模型来预测GC的MSI状态[16, 17],但样本量有限,且未能将其模型与治疗反应或患者生存相关联,也缺乏对潜在基因组学解释的充分研究[16, 17]。
本研究旨在开发并验证一种基于治疗前CT图像的影像组学模型,用于预测GC患者的MSI状态和免疫治疗反应,并通过分析Shapley值和转录组测序数据,进一步探索该影像组学模型潜在的基因组学特征和免疫浸润谱。
材料与方法
研究患者
本回顾性研究经华中科技大学同济医学院附属同济医院机构审查委员会(批准号:TJ-IRB20201221)和襄阳市中心医院(批准号:2016L10518)批准,并豁免知情同意。
为开发并外部验证影像组学模型,我们回顾性收集了2018年1月至2023年12月期间在两家医院(包括同济医院和襄阳市中心医院)接受胃癌(GC)手术切除的患者数据。纳入和排除标准见补充材料。符合条件的GC患者还从癌症影像档案和癌症基因组图谱(TCIA/TCGA)数据库中选取。在本研究中,同济医院的数据用作训练集以构建影像组学模型,而襄阳市中心医院和TCGA/TCIA数据库的数据用作外部测试集(研究设计见图1和图S1)。来自TCGA/TCIA数据库的数据包含转录组测序信息,进一步用于探索我们影像组学模型的潜在基因组学特征和免疫浸润机制。本研究遵循METRICS [18]和CLEAR(影像组学研究评价清单)[19]的标准化影像组学分析方案。METRICS评分的详细文件已在补充材料中提供。
为评估影像组学模型的预后价值,我们回顾性纳入了来自同济医院的另一个结局队列。纳入2018年1月至2023年12月期间接受至少两个周期免疫治疗作为一线治疗的不可切除晚期GC患者,且具有可用的基线CT和临床随访数据。
CT图像采集
腹部增强CT扫描于术前2周内使用以下扫描仪之一进行:LightSpeed VCT、Optima CT660/680、Discovery CT750HD、Revolution(GE Healthcare)、SOMATOM Force(Siemens Healthineers)、Aquilion ONE CT(Toshiba Medical Systems Corporation)和Brilliance iCT256(Philips)。具体参数详见补充材料。
肿瘤分割、影像组学特征提取与选择
肿瘤分割由一位在腹部影像方面具有3年经验、对临床病理信息不知情的研究人员使用3D slicer软件(版本5.0.3)在门静脉期图像上进行,在每个层面上手动勾画整个肿瘤并融合以创建感兴趣体积(VOIs)。所有分割结果进一步由一位专攻腹部影像10年的资深放射科医师确认,分歧通过共识解决。
影像组学特征提取与选择使用内部软件(MItalytics后处理软件(FISCA Healthcare))进行。所有VOIs各向同性重采样至1 × 1 × 1 mm体素大小。亨氏单位重采样至64个bins。
首先,我们进行了的一致性检验并计算了组内相关系数(ICC)。选择观察者内和观察者间重复性良好(ICC > 0.75)的影像组学特征。随后,采用卡方检验进行单因素分析,以进一步筛选与MSI状态显著相关的特征。最后,通过应用十折交叉验证方法和最小绝对收缩与选择算子回归(LASSO)方法,获得与MSI-H强烈相关的最终最优影像组学特征。
模型构建与验证
将LASSO分析确定的特征纳入四种不同的分类器,包括朴素贝叶斯、逻辑回归、支持向量机和随机森林,以构建四种不同的模型。在训练阶段,应用重复十折交叉验证来优化特征选择和参数调优。在四个候选模型中,最终选择受试者工作特征曲线下面积(AUC)值最高的模型作为后续影像组学模型构建的最优分类器。计算每位患者的后验概率,即影像组学模型估计的患者属于预定义临床类别的可能性[20],并将其用作影像组学评分(Radscores)。Radscores较高的胃癌(GC)患者更可能为MSI-H。进行单因素逻辑回归分析以确定MSI-H亚型的显著临床预测因素,从而开发临床-影像组学模型。
通过受试者工作曲线(ROC)评估模型的预测性能。计算灵敏度、特异度和总体准确率。采用校准曲线和决策曲线分析(DCA)评估模型的临床有效性。
Radscores的预后意义
在结局队列中,根据X-tile软件确定的截断值将患者分为高Radscores组和低Radscores组。X-tile算法通过对Radscores分布与生存的所有可能分割进行迭代测试来确定截断值[21]。所选截断值对应于通过log-rank检验评估的与生存终点统计关联最大的点。生成Kaplan–Meier生存曲线并使用log-rank检验进行比较。应用ROC分析评估Radscores预测总生存期(OS)和无进展生存期(PFS)的准确性。
放射转录组学分析
根据X-tile软件定义的截断值,将TCIA/TCGA队列中的患者分为低Radscores组和高Radscores组。通过Wilcox检验鉴定高Radscores和低Radscores患者之间的差异表达基因(DEGs)。然后,进行基因本体论(GO)和京都基因与基因组百科全书(KEGG)分析,以确定与Radscores相关的潜在分子通路。
统计方法
使用Mann–Whitney U检验和Student's t检验比较连续变量,而使用卡方检验比较分类变量。使用R软件(版本4.1.0)和SPSS软件(版本21.0)进行统计分析。在所有分析中,p值小于0.05被认为具有统计学意义。
结果
数据基线特征
本研究共纳入395例符合条件的GC患者,其中304例来自同济医院,作为训练集;48例来自襄阳市中心医院,43例来自TCGA/TCIA数据集,作为外部测试集。表1总结了训练集和外部测试集中患者的临床病理特征。表2显示了训练集中患者按MSI状态分布的特征。在训练集中,151例患者为MSI-H GC,这些患者更可能为女性、年龄较大、临床分期较早、肿瘤位置更靠近胃下部(表2,所有p < 0.05)。
影像组学模型的构建及诊断效能评估
对每个VOI,初步提取1313个影像组学特征,经一致性检验后保留1201个ICC大于0.75的影像组学特征。随后,对这1201个特征通过卡方检验进行单因素分析,确定190个特征与MSI-H组和MSS组显著相关。最后,通过LASSO分析确定4个特征,包括original shape Maximum 2D Diameter Row、log sigma 3 mm 3D glszm GrayLevel Vaiance、wavelet LHH firstorder Mean和wavelet LLL firstorder 90Percentile。将这4个特征纳入4种不同的分类器,随机森林分类器获得了最高的AUC值(0.95 vs 其他分类器0.70–0.77,表S1)。因此,选择随机森林模型构建影像组学模型,并计算每位患者的Radcores。在训练集中,MSI-H组的Radscores高于MSS组(均值:0.68 ± 0.15 vs 0.32 ± 0.14;p < 0.001),外部测试集1(均值:0.53 ± 0.15 vs 0.39 ± 0.16;p = 0.003)和外部测试集2(均值:0.50 ± 0.16 vs 0.41 ± 0.17;p = 0.110)中亦呈相同趋势。
多因素logistic回归分析提示,年龄、临床分期、cT分期、cN分期、肿瘤位置和Radscores是MSI-H亚型的独立预测因素(图2A)。整合这6个变量构建了临床-影像组学模型,并以列线图形式展示于图2B。ROC分析(图2C–E,表3)显示,纳入临床因素后,临床-影像组学模型在训练集中的AUC优于影像组学模型(0.966 [95% CI:0.951,0.982] vs 0.952 [95% CI:0.931,0.973];p = 0.008),在外部测试集2中亦优于影像组学模型(0.670 [95% CI:0.493,0.846] vs 0.879 [95% CI:0.774,0.984],p = 0.020),而在外部测试集1中,临床-影像组学模型与影像组学模型的AUC之间无显著差异(0.739 [95% CI:0.596,0.883] vs 0.835 [95% CI:0.722,0.947],p = 0.123)。三个数据集中模型的DCA和校准曲线分析见图S2。
影像组学评分对免疫治疗结局的预测价值
共纳入68例胃癌(GC)患者进入结局队列。患者基线特征列于表S2。治疗反应参照修改版实体瘤疗效评价标准(mRECIST)评估,12例(18%)患者达到部分缓解(PR),48例(70%)为疾病稳定(SD),8例(12%)为疾病进展(PD)。PR组患者的基线影像组学评分高于SD和PD组患者(均值:0.56 ± 0.19 对 0.38 ± 0.18;p = 0.009)(图3A)。
随访结束时,43例患者死亡,60例患者出现疾病进展。所有患者的中位OS为14.8个月(范围3至41个月),中位PFS为9个月(范围2至36个月)。多因素COX回归分析提示高影像组学评分(HR:0.145,95% CI:0.032,0.657;p = 0.012)是免疫治疗后PFS的独立预测因素(表4)。在结局队列中,影像组学评分预测PFS的AUC为0.768(图3B)。
使用X-tile软件确定的截断值0.384,将患者分为高影像组学评分组和低影像组学评分组。Kaplan–Meier曲线显示,高影像组学评分组患者的PFS显著长于低影像组学评分组(p = 0.019,图3C)。此外,高影像组学评分患者的部分缓解率(34.2%)明显高于低影像组学评分患者(11.4%)(p = 0.041,图3D)。然而,高影像组学评分与低影像组学评分患者之间的OS差异无统计学意义(p = 0.365,图3E)。
影像组学评分的基因表达差异分析和功能富集分析
为探究Radscore的生物学基础,利用TCGA/TCIA数据库中43例GC患者的转录组数据和匹配的CT图像进行放射基因组学分析。高Radscore组与低Radscore组之间的差异表达基因(DEGs)见图4A。GO功能和KEGG通路分析提示,高Radscore与参与T细胞活化调节、细胞因子相互作用以及淋巴细胞分化和增殖的基因上调相关(图4B、C)。基因集变异分析表明,低Radscore表型在侵袭性肿瘤相关标志中显著富集,如MTORC信号、MYC信号和PI3K-AKT-MTOR信号通路(图4D)。总体而言,这些结果与其不良的治疗反应和预后相一致。
Radscore的免疫细胞浸润模式及免疫富集分析
由于上述功能富集分析显示Radscores与免疫相关信号传导相关,我们进一步对Radscores进行了免疫细胞浸润和免疫富集分析。结果表明,与低Radscores患者相比,高Radscores患者的CD8+ T细胞浸润更高(p = 0.017),但M2型巨噬细胞含量低于低Radscores患者(p = 0.030)(图5A)。同时,相关性分析显示Radscores与CD8+ T细胞呈正相关(R = 0.74,p = 0.013),与M2型巨噬细胞呈负相关(R = −0.67,p = 0.028)(图5B)。此外,Radscores与多个HLA基因的表达之间观察到正相关(图5C)。最后,我们评估了Radscores与免疫检查点(包括CTLA4、PD-1、PD-L1、TIM3、LAG3和TIGIT)之间的关系。然而,Radscores与这些现有的免疫治疗反应生物标志物之间无显著关联(图5D)。
讨论
在本研究中,构建了一个基于增强CT的放射组学模型,用于无创预测胃癌患者的MSI状态,在训练集和两个外部测试集中均表现良好。此外,我们的放射组学模型能够对胃癌患者进行分层以预测免疫治疗疗效。值得注意的是,我们基于数据库RNA测序的研究结果揭示了与我们的放射组学模型相关的潜在分子功能特征和免疫浸润谱(主要是免疫相关信号传导)。
影像组学正日益被认为是一种关键的虚拟活检方法,可提供裸眼无法辨识的有价值数据[22, 23]。增强CT在胃癌(GC)的临床分期中发挥关键作用,现已成为胃癌患者术前常规检查[22, 24]。大量研究强调了基于CT的影像组学技术在预测胃癌患者术前病理和生存方面的预测价值[25–27],因为该技术无创且可应用于无法接受手术的患者[28]。尽管既往研究已提出基于微卫星不稳定性(MSI)的类似预测模型[29],但本研究纳入了更大数量的病例,进行了多步骤特征选择,并通过多中心队列对外部验证了影像组学模型的稳健性。我们的影像组学模型在外部测试数据集1中取得了相当良好的预测性能;然而,在外部测试数据集2中性能欠佳,这可能归因于CT采集的异质性,尽管在数据预处理阶段我们对所有图像进行了重采样和标准化以最小化不同CT厂商间的异质性。然而,使用阳性肠道对比剂及CT采集参数的其他潜在变异,以及样本量较小,也可能部分解释了外部测试数据集2中较低的正预测值(PPV)。无论如何,影像组学模型在预测MSI状态方面表现良好,结果相对稳定且可重复,提示我们的方法可能适用于其他胃癌患者。此外,多因素逻辑回归分析表明,Radscore、年龄、临床分期和肿瘤位置是胃癌MSI状态的独立预测因子,这与既往报道一致[30, 31]。将Radscore与上述在常规临床实践中易于获取且无创的临床因素相结合后,构建了临床-影像组学模型,并展现出强大的预测性能。
免疫治疗是胃癌(GC)最重要的全身治疗手段之一,但并非所有患者都对免疫治疗有应答,且经过验证的治疗应答标志物有限[32]。此外,在无应答人群中使用免疫治疗会增加免疫相关不良事件(irAEs)的风险[33],因此开发可靠的预测性生物标志物以识别可从免疫治疗中获益的优势人群具有重要意义。MSI状态传统上被认为是免疫治疗应答的生物标志物[34–36]。尽管既往研究已建立了基于MSI的影像组学模型[28],但很少有既往研究在随访队列中验证模型预测免疫治疗应答和预后的性能[37]。我们的研究表明,高Radscore(可能提示MSI-H状态)与接受免疫治疗的GC患者延长的PFS相关,提示我们的模型能够预测免疫治疗疗效。我们进一步揭示了CT影像衍生的Radscore、MSI状态与免疫治疗后临床结局之间的潜在联系,这可能促进基于影像组学的MSI状态识别应用于临床实践,并具有指导筛选最可能对免疫治疗有应答的患者的潜力。然而,我们的影像组学模型在基于OS的风险分层中未显示出显著贡献,可能是因为结局队列中患者数量有限,以及OS与许多其他因素相关,如年龄、合并症和其他后线治疗选择。
目前,探索影像组学的生物学意义仍是一项科学挑战[31]。既往很少有研究开发并验证具有生物学解释的CT影像组学模型用于GC治疗前MSI状态和免疫治疗疗效的预测[38]。结合可用的公共数据库资源和生物信息学算法的优势,可能揭示影像组学表型与肿瘤生物学之间的潜在联系[39]。放射转录组学分析结果表明,我们的影像组学模型与T细胞活化和趋化因子调控相关。进一步的相关性分析显示,Radscore主要与CD8+ T细胞和M2型巨噬细胞相关。在肿瘤微环境(TME)中,CD8+ T细胞在杀伤肿瘤细胞中发挥主要作用[40],而M2型巨噬细胞有助于形成免疫抑制性微环境,这两种类型的细胞均影响免疫治疗应答[41–43]。这些结果从免疫浸润的角度部分解释了模型对免疫治疗疗效的预测,并为模型预测治疗疗效和指导个体化免疫治疗提供了理论依据。此外,模型与免疫检查点(常规标志物)之间缺乏相关性,提示影像组学模型可作为新的标志物,独立或与常规标志物联合用于指导免疫治疗。
然而,本研究存在若干局限性。首先,影像组学模型基于回顾性数据构建,可能引入选择偏倚。为缓解这一问题,我们在包含两家外部机构的独立数据集上进行了严格验证,并在分析中对临床病理因素进行了校正。其次,数据集和队列的样本量有限,未来需要更大样本的前瞻性研究来进一步探讨模型的泛化能力,并可应用深度学习等其他建模算法。最后,需要更大样本的放射转录组学分析来验证本研究的发现。
结论
我们开发并外部验证了一种用于无创评估胃癌(GC)微卫星不稳定(MSI)状态的CT影像组学模型。该影像组学模型能够有效预测GC患者对免疫治疗的反应及结局,或可作为个体化治疗决策的潜在工具。值得注意的是,该影像组学模型主要与免疫相关信号通路的调控相关。
补充信息
电子补充材料
引用
- Li Z, Ding Z, Lian Y, et al. Computed tomography radiomics to predict microsatellite instability status and immunotherapy response in gastric cancer. Insights Imaging. 2025. PMID: 40813941. doi:10.1186/s13244-025-02050-1
- 全文:PMC12354409(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12354409/
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。