文献速递腹部技术与安全CT

多模态CT影像组学预测晚期胃癌PD-1抑制剂疗效:一项双中心验证研究

Multimodal CT radiomics predicts PD-1 inhibitor efficacy in advanced gastric cancer: a two-center validation study.
PubMed 文献 · Insights Imaging · 2025-10-31

该研究回顾性分析348例接受PD-1抑制剂联合化疗的晚期胃癌患者,从治疗前临床和CT影像组学特征构建临床模型、影像组学模型和临床-影像组学模型,并在内部(272例)和外部(76例)验证集中比较四种机器学习算法的预测性能。临床-影像组学模型联合逻辑回归算法在内部和外部验证集中AUC分别为0.94和0.85,表现优于单一模型,为早期预测疗效提供了可靠方法。

要点

  • 临床-影像组学模型联合逻辑回归在外部验证集AUC为0.85,优于临床模型(0.76)和影像组学模型(0.76)。
  • 影像组学模型采用线性支持向量分类时内部验证集AUC为0.88,外部验证集为0.76。
  • 纳入的临床特征包括中性粒细胞与淋巴细胞比值、CA72-4、远处转移、浆膜侵犯和动脉强化分数。

核心结论

  • 临床-影像组学模型联合逻辑回归算法能可靠有效地预测晚期胃癌患者对PD-1抑制剂联合化疗的早期反应。

研究设计与样本

  • 回顾性研究,共纳入348例接受PD-1抑制剂联合化疗的晚期胃癌患者,来自两个中心:中心A(山东省立医院)272例,中心B(山东省肿瘤医院)76例作为外部验证集。
  • 提取治疗前临床特征和CT影像组学特征,构建临床模型、影像组学模型和临床-影像组学模型,采用逻辑回归、线性支持向量分类、支持向量机和随机森林四种分类器。
  • 疗效参考标准为RECIST 1.1,将患者分为非PD应答者(CR、PR或SD)和PD应答者。

诊断标准与关键数值

  • 影像组学模型:线性支持向量分类算法在内部验证集AUC为0.88,外部验证集AUC为0.76。
  • 临床模型:逻辑回归算法内部验证集AUC为0.89,外部验证集AUC为0.76。
  • 临床-影像组学模型:逻辑回归算法内部验证集AUC为0.94,外部验证集AUC为0.85;线性支持向量分类外部验证集AUC为0.846。
  • 外部验证集中,临床-影像组学模型联合逻辑回归优于所有其他分类器。

临床应用与阅片要点

  • 作者认为,结合临床危险因素和影像组学特征的列线图模型可在治疗前为临床医生便捷地提供个体化治疗策略。
  • 本研究采用治疗前静脉期CT图像手动分割原发肿瘤区域提取影像组学特征,特征选择采用LASSO,保留ICC大于0.75的特征。

局限性

  • 作为回顾性研究,可能存在回忆偏倚。
  • 尽管样本量大于既往研究,未来可加入在线数据集和更多中心数据以更充分验证模型的泛化能力。
  • 尽管应用了重采样和归一化等预处理技术,模型性能仍可能受数据来源和CT制造商差异的影响。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2025 Oct 31;16:235. doi: 10.1186/s13244-025-02096-1

引言

胃癌(GC)是全球第五大常见恶性肿瘤,也是全球癌症相关死亡的第五大原因[1],但仍然是对人类健康的挑战。由于其起病隐匿、症状不典型、进展迅速,早期GC在治疗时往往已诊断为晚期[2]。

近年来,免疫治疗的兴起彻底改变了癌症治疗的格局,尤其是以抗程序性细胞死亡蛋白-1(抗PD-1)或抗程序性细胞死亡配体-1(抗PD-L1)为代表的免疫检查点抑制剂(ICIs)的出现。这些疗法在包括晚期胃癌(AGC)在内的多种恶性肿瘤的治疗中取得了重大进展[3]。目前,抗PD-1抑制剂已被正式批准用于多种癌症的临床应用[4],在当前的临床应用中,化疗联合免疫治疗已成为AGC患者的主要治疗策略。

尽管PD-1抑制剂联合化疗在某些AGC患者中已显示出优于单纯化疗的疗效[5],但仍有部分患者未能从中获益[6]。这些个体可能出现疾病进展、潜在的免疫相关不良事件[7]以及沉重的医疗费用负担。因此,迫切需要简单可靠的预测指标来识别可能从联合治疗中获益的患者。现有的预测生物标志物,如程序性死亡配体1(PD-L1)表达、肿瘤突变负荷(TMB)、微卫星高度不稳定(MSI-H)和错配修复(MMR)状态,可判断AGC患者是否适合免疫治疗[8–11]。然而,这些生物标志物通常需要通过活检获取,具有侵入性且费用高昂。相比之下,临床实验室检查和影像学特征的获取提供了一种更简单、非侵入性的替代方案。此外,由于肿瘤异质性[12],活检样本可能无法完全反映肿瘤的整体特征,而影像学检查可以在宏观层面反映肿瘤的整体特征。此前,Wang等[13]发现接受化疗的GC患者某些CT影像学特征的变化与病理缓解之间存在相关性。此外,多项研究探讨了外周血指标或其衍生的创新指标与GC患者免疫治疗疗效之间的关系[14, 15]。然而,大多数研究仅揭示了预测指标与临床结局之间的关联,仍缺乏联合评估模型或用多种生物标志物建立的综合预测模型。

作为一个新兴领域,影像组学被视为一种无创的数字活检技术,能够以高通量方式从医学图像中提取定量图像特征。这些特征可转化为可分析的定量数据,为肿瘤微环境特征及异质性提供更深入的见解[16–18]。既往一些研究已表明,影像组学提取的图像特征可作为生物标志物预测免疫治疗疗效,能够预测包括胃癌(GC)在内的多种癌症的免疫治疗反应[19–21]。然而,这些研究大多缺乏外部验证,影像组学模型的泛化能力难以得到验证[22]。此外,建模算法的差异可影响模型的预测性能[23]。

因此,本研究利用影像组学开发并验证了无创影像生物标志物。通过整合GC患者治疗前的临床特征和CT影像特征,我们建模并比较了不同算法模型预测PD-1抑制剂联合化疗反应的能力。识别最有效的模型有助于对可能从联合治疗中获益的患者进行早期分层,促进个体化治疗策略的实施。这有助于对联合治疗获益进行早期分层和个体化医疗管理。

材料与方法

患者纳入与排除标准

本研究经山东省立医院伦理委员会批准(伦理编号:NSFC:NO.2022-402)。由于本研究为回顾性研究,豁免知情同意。

经当地机构伦理委员会批准,AGC患者在两个中心(中心A:山东省立医院;中心B:山东省肿瘤医院)接受抗PD-1抑制剂联合化疗。

纳入标准:(1)经病理学确诊的胃癌;(2)同时接受至少四个周期的抗PD-1治疗联合化疗。(3)至少有一个可测量病灶符合实体瘤疗效评价标准(RECIST)1.1版。(4)具备抗PD-1联合化疗前后完整的CT影像数据。排除标准如下:(1)在PD-1抑制剂联合化疗前或期间接受胃部手术。(2)胃扩张不充分影响病灶测量。(3)临床病理资料不完整。图1显示了受试者入组流程图。

图1 显示受试者选择流程图 查看原图 ↗

治疗与研究评估

在本研究中,患者接受三周为一周期的PD-1抑制剂治疗,包括卡瑞利珠单抗、信迪利单抗、纳武利尤单抗、替雷利珠单抗和帕博利珠单抗,联合一线标准化疗。主要化疗方案包括SOX(替吉奥+奥沙利铂)、XELOX(卡培他滨联合奥沙利铂)和FOLFOX(亚叶酸钙、氟尿嘧啶和奥沙利铂)。PD-1抑制剂联合化疗的疗效由放射科医师在完成四个周期PD-1抑制剂联合化疗后约4周通过CT扫描进行评估。结果根据RECIST 1.1进行分组。结局包括完全缓解(CR)、部分缓解(PR)、疾病稳定(SD)和疾病进展(PD),所有患者被分类为非PD应答者(CR、PR或SD)和PD应答者。

通过影像归档和通信系统(PACS)获取患者首次PD-1抑制剂联合化疗前两周内及治疗四周期后的CT影像图像。从电子病历中提取基线临床数据(治疗开始前≤2周采集),包括性别、年龄、体重指数(BMI)、治疗方案、有无远处转移及实验室指标。实验室检测指标于首次PD-1抑制剂联合化疗前2周内采集,临床信息记录于表1。

两名具有3年以上腹部诊断经验的放射科医师独立审阅所有CT图像。CT图像特征包括以下内容:(1)肿瘤最大轴位厚度及最大轴位长度、主要部位(参照内镜检查结果:贲门、胃体、胃窦)及是否侵犯脏层腹膜;(2)胃周脂肪浑浊;是否存在肿大淋巴结(定义为上腹部短径超过1 cm的区域淋巴结);(3)CT值相关参数:于轴位图像上选取肿瘤最大截面(尽可能避开坏死及血管区域),分别测量平扫、动脉期、静脉期及延迟期的CT值。最终结果为两名医师测量数据的平均值。肿瘤动脉强化值(HUA = HUA − HUU)、静脉强化值(HUV = HUV − HUU)及动脉强化分数(AEF)=(HUA − HUU)/(HUV − HUU)× 100% [19](HUA代表动脉强化值;HUV代表静脉强化值;HUU代表平扫期病灶CT值。HUA代表动脉期CT值。HUV代表静脉期CT值[20]。

在本研究中,符合正态分布的连续变量以均数±标准差表示,非正态分布的连续变量以中位数(四分位间距,IQR)表示。分类变量以频数和百分比表示。所有检验均以双侧p < 0.05为差异有统计学意义。

我们利用临床信息和CT影像特征对每个变量进行单因素逻辑回归(LR)分析。随后,整合p < 0.05的变量,并对每个模型中的变量进行多重共线性评估。最终,两个模型中p < 0.05的指标被选为临床模型的变量。

表1 中心A队列与中心B队列的基线特征 查看原表 ↗

CT成像与图像分割

图像分析由两名分别具有3年以上和20年以上经验的胃肠道放射科医师完成。使用ITK-SNAP软件(RRID: SCR_017341; http://www.itksnap.org),我们在增强CT静脉期横断面图像上手动分割原发肿瘤区域,并将病灶区域勾画为感兴趣区(ROI)。评估中存在的分歧经讨论后重新评估以达成一致。

CT扫描方案见附录表S1。

影像组学特征提取与筛选

CT放射组学特征提取使用PyRadiomics工具包(版本3.1.0)完成。我们通过重缩放操作对CT图像进行归一化。图像以1×1×3 mm³的体素大小进行重采样,并使用B样条算法进行插值。所有分割图像均经过小波滤波和高斯拉普拉斯滤波处理。随后,将图像离散化至固定箱宽。从原始分割图像中共提取1051个放射组学特征,包括一阶统计量、形状描述符、灰度共生矩阵、灰度游程矩阵、灰度大小区域矩阵和灰度依赖矩阵。提取的放射组学特征通过z分数进行标准化。采用组内相关系数(ICC)评估观察者内和观察者间的可重复性。ICC值高于0.75的放射组学特征被保留用于进一步分析。0.75的特征。采用最小绝对收缩和选择算子(LASSO)进行特征选择,该方法能更好地解决分析中的多重共线性问题。筛选出的特征见表2。

模型建立与验证

为评估机器学习方法在预测局部AGC免疫治疗反应中的性能,我们利用临床危险因素、放射组学特征和临床-放射组学模型设计了三种模型:临床模型、放射组学模型和临床-放射组学模型。每种模型均采用四种机器学习方法进行建模(随机森林(RF)、支持向量机(SVM)、线性支持向量分类(Linear SVC)、逻辑回归(LR))。我们在中心A数据集中以8:2的比例使用10折交叉验证和网格搜索来寻找每种模型的最佳建模超参数。最优模型(基于训练集性能)在内部和外部队列(中心B)中进行了验证。

绘制受试者工作特征(ROC)曲线下面积(AUC)以评估各模型的判别预测能力。采用DeLong检验比较模型间的AUC值。

我们使用Python机器学习库(scikit-learn)和R统计平台(版本4.3.1)实现了所有特征分类方法。图2展示了放射组学分析的工作流程。使用MedCalc(版本22.21.0.0)进行统计分析。双侧p值小于0.05被认为具有统计学意义。统计分析使用SPSS(版本26)完成。

图2 放射组学及临床-放射组学模型构建流程图 查看原图 ↗

结果

共348例患者纳入最终分析。2019年6月至2023年6月期间,中心A共招募272例患者(206例非PD应答者和66例PD应答者),而中心B的76例患者(54例非PD应答者和22例PD应答者)构成外部验证队列。模型的稳健性在内部和外部验证集上进行了测试。

临床模型使用临床信息和CT影像特征中p值<0.05的指标构建,包括中性粒细胞与淋巴细胞比值(NLR)、糖类抗原72-4(CA72-4)、远处转移、浆膜侵犯(脏层腹膜)和AEF。基于RF、SVM、Linear SVC和LR的临床模型在内部验证集中的AUC分别为0.85、0.87、0.88和0.89。RF、SVM、Linear SVC和LR在外部验证集中的AUC分别为0.67、0.74、0.75和0.76(表2和图3)。基于LR的临床模型在内部验证集和外部验证集中均获得最高AUC。

在影像组学模型中,RF、SVM、Linear SVC和LR在训练集中的AUC分别为1.00、0.95、1.00和0.99。在内部验证集中,AUC分别为0.67、0.67、0.87和0.81。RF、SVM、Linear SVC和LR模型在外部验证集中的AUC分别为0.56、0.76、0.56和0.71(表2和图3)。基于Linear SVC的影像组学模型在内部验证集和外部验证集中均获得最高AUC。

与影像组学模型和临床模型相比,临床-影像组学模型在预测方面表现出更好的性能。在内部验证集中,LR模型性能最高(AUC = 0.94)。在外部验证集中,LR和Linear SVC的AUC最高,均为0.846(表2和图3)。LR模型在内部验证集和外部验证集中均取得最佳分类性能。决策曲线显示,列线图模型在进一步分析中比临床模型和影像组学模型具有更好的净获益率(图4)。生成列线图(图5)以可视化临床-影像组学模型。影像组学模型、临床模型和列线图模型所选特征及其相应系数已总结(表3)。

表2 临床模型、影像组学模型和临床-影像组学模型在训练队列和外部验证队列中的性能 查看原表 ↗
图3 临床模型中四种分类器预测pCR的ROC曲线:训练集(a)、内部验证集(b)和外部验证集(c)。影像组学模型中四种分类器预测pCR的ROC曲线:训练集(d)、内部验证集(e)和外部验证集(f)。临床-影像组学模型中四种分类器预测pCR的ROC曲线:训练集(g)、内部验证集(h)和外部验证集(i) 查看原图 ↗
图4 决策曲线分析曲线 查看原图 ↗
图5 临床-影像组学模型的列线图 查看原图 ↗
表3 影像组学模型、临床模型和列线图模型所选特征及其系数 查看原表 ↗

讨论

在本研究中,我们基于治疗前的临床和影像组学特征开发了多种模型(临床模型、影像组学模型和临床-影像组学模型),用于早期预测胃癌(GC)中PD-1抑制剂联合化疗的疗效。我们还比较了多种机器学习分类算法(RF、LR、SVM、Linear SVC)的性能。在这些模型中,整合了临床和影像特征的临床-影像组学模型相比临床模型或影像组学模型表现出更好的预测性能。此外,结合LR算法的临床-影像组学模型在内部验证集和外部验证集中均表现出一致的高预测能力,优于其他机器学习方法。

目前,探索利用影像学评估胃癌免疫治疗联合化疗疗效的研究有限。Liang等[24]回顾性收集了单中心87例患者的临床病理危险因素和影像特征数据,并建立了影像组学列线图。训练集和验证集的AUC分别为0.86和0.78;然而,其较小的样本量影响了泛化性。为解决这一局限性,我们纳入了更大的数据集并配有独立外部验证序列,以增强模型的泛化性。我们提出的临床-影像组学列线图是一种具有潜在临床应用价值的生物标志物。Wang等[25]使用249例患者的数据评估了多模态数据(临床和影像数据)在预测胃癌免疫应答模式中的协同效应。他们的发现与我们的结论一致,即纳入临床信息的临床-影像组学模型比影像组学模型具有更高的预测能力。这可能是因为单一组学数据无法捕捉免疫治疗应答的复杂性[26–29]。与Wang的研究[25]相比,我们的模型在外部验证集中获得了更高的AUC(0.85 vs. 0.81)。机器学习影像组学特征的计算受多种变化的影响,包括影像中心差异、CT扫描仪型号和扫描参数[30–32]。为减少数据异质性对模型预测能力的影响,我们使用了归一化、标准化和重采样的预处理技术[33–35]。

共筛选出19个CT影像组学特征,包括1个一阶特征、2个高斯变换特征和17个小波特征。一阶特征包括形态学特征和直方图特征,是直接基于原始图像像素灰度分布计算得出的。筛选出的一阶特征较少,可能是由于胃肠道腔器官的蠕动导致其形态学特征较不固定。小波特征捕捉高阶信息以及多尺度上的空间和频率分量分析。小波变换后的特征能够保留图像清晰度,有利于展示原始图像信息[36, 37]。总体而言,治疗前胃癌CT的一阶、高斯变换和小波特征从不同特征维度反映了肿瘤的异质性。

NLR、CA72-4、远处转移、浆膜浸润(脏层腹膜)和AEF与GC患者的免疫治疗反应相关,每一项均已被验证为预测性生物标志物。NLR与肿瘤微环境中耗竭CD8T细胞的密度呈正相关,反映T细胞功能的减弱[38]。CA72-4高表达通常提示AGC分期和不良预后。CA72-4可用于预测GC患者新辅助化疗、姑息性化疗和免疫抑制治疗的疗效[39, 40]。转移灶中的肿瘤细胞和肿瘤免疫微环境(TME)可能通过循环机制系统性调节远处原发肿瘤组织的免疫微环境[41]。因此,肿瘤转移状态影响免疫治疗的疗效[42]。此外,浆膜浸润(脏层腹膜)的有无和AEF也是预测治疗反应的重要因素。

在多种机器学习方法的比较中,我们发现在临床模型和临床-影像组学模型中,LR方法获得了最高的AUC(内部验证集0.89,外部验证集0.76;内部验证集0.94,外部验证集0.85)。在影像组学模型中,Linear SVC影像组学模型获得了最佳AUC(内部验证集0.88,外部验证集0.76)。这些发现表明,基于LR的临床-影像组学模型可能为GC患者免疫治疗后的临床决策和分层管理提供更有效的方法。逻辑回归是一种监督式机器学习方法,通过对数据集拟合sigmoid曲线来建立输入特征与输出概率之间的关系。与其他机器学习模型相比,LR具有更强的可解释性,在临床应用中具有优势[33]。

尽管如此,我们的研究存在若干局限性。首先,作为一项回顾性研究,它存在潜在的回忆偏倚。此外,尽管我们的研究规模大于既往研究,但未来研究中可加入在线数据集和更多中心的数据,以更充分地验证模型的泛化能力。再者,尽管应用了重采样和归一化等预处理技术,模型的性能仍可能受到数据来源和CT制造商差异的影响。

结论

总之,我们比较了多种机器学习分类器的预测性能,并证明了临床-影像组学模型在早期预测AGC患者PD-1抑制剂联合化疗内部和外部疗效方面的可行性。本研究提出的结合临床危险因素和影像组学特征的列线图模型可在治疗前方便地为临床医生提供个体化治疗策略。

补充信息

电子补充材料

引用

  1. Wang Z, Ma Y, Tan J, et al. Multimodal CT radiomics predicts PD-1 inhibitor efficacy in advanced gastric cancer: a two-center validation study. Insights Imaging. 2025. PMID: 41168541. doi:10.1186/s13244-025-02096-1
  2. 全文:PMC12575892(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12575892/

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。