放射组学亚型预测I期肺腺癌生存与化疗获益:一项多中心研究
该研究基于两个独立中心496例I期肺腺癌患者的术前CT提取1218个放射组学特征,用K-means聚类建立3个亚型。Cluster 2为高危亚型,总生存显著更差(HR=15.71,p<0.001,对比Cluster 0),并伴全身炎症-免疫失衡;I期患者中亚型与辅助化疗存在显著交互(交互p<0.001,Cluster 2 vs Cluster 0),IB期Cluster 2患者从辅助化疗获得显著生存获益(交互p=0.003 vs Cluster 0)。
要点
- 基于术前CT放射组学特征的K-means聚类可分出3个I期肺腺癌亚型,Cluster 2为高危亚型。
- Cluster 2总生存显著更差(HR=15.71,95%CI 6.81–36.23,p<0.001,对比Cluster 0)。
- IB期Cluster 2患者从辅助化疗获得显著生存获益(交互p=0.003 vs Cluster 0)。
核心结论
- 基于CT放射组学特征的无监督聚类亚型系统可识别伴全身炎症-免疫失衡的高危I期肺腺癌患者。
- 这些亚型可预测高危IB期患者从辅助化疗中获得的差异生存获益,支持个体化术后治疗策略。
研究设计与样本
- 多中心研究,共纳入496例I期肺腺癌患者,其中上海胸科医院431例(2009年3月至2016年5月)、新华医院65例(2015年2月至2021年3月)。
- 术前非增强胸部CT采用4种扫描仪型号,按各机构常规临床HRCT方案在扫描仪控制台以标准高分辨率肺算法重建。
- 提取1218个放射组学特征(一阶强度统计、形状描述符、二阶纹理特征及小波与高斯拉普拉斯变换后的高阶特征),经z-score标准化后用K-means聚类(k=3)。
- 以总生存(OS)为主要结局,采用多变量Cox回归与治疗-亚型交互分析评估预后价值及辅助化疗获益,并分析外周血营养-炎症指标。
关键影像表现/征象
- Cluster 2相比其他亚型中位年龄更大(63岁,p=0.015)、男性比例更高(51例,60.0%,p=0.003)、吸烟者更多(28例,32.9%,p<0.001)。
- Cluster 2中实体/微乳头病理比例更高(7例,8.2%,p<0.001)、肿瘤2–4 cm比例更高(68例,80.0%,p<0.001)、IB期比例更高(51例,60.0%,p<0.001)、VPI比例更高(33例,38.8%,p<0.001)。
- Cluster 2接受辅助化疗比例更高(17例,20.0%,p=0.038)。
- 三个亚型总生存差异有统计学意义(p<0.001),且在贴壁型(p<0.001)、腺泡/乳头型(p<0.001)、实体/微乳头型(p=0.028)中一致。
- 按肿瘤大小分层,1–2 cm(p<0.001)、2–3 cm(p<0.001)、3–4 cm(p<0.001)各层内三个亚型总生存差异有统计学意义,0–1 cm层无统计学意义(p=0.133)。
诊断标准与关键数值
- K-means聚类最优簇数为3(k=3),聚类一致性R²为0.9978,平均ARI为0.9978(标准差0.0025),随机标签置换ARI接近0。
- Cluster 2对比Cluster 0的总生存HR=15.71(95%CI 6.81–36.23,p<0.001),为独立预后因素。
- I期患者中亚型与辅助化疗交互显著(Cluster 2 vs Cluster 0:交互p<0.001);IB期Cluster 2患者辅助化疗获显著OS获益(Cluster 2 vs Cluster 0:交互p=0.003)。
- IA期亚组未检出显著交互(Cluster 2 vs Cluster 1:交互p=0.247)。
临床应用与阅片要点
- 作者认为该CT放射组学亚型系统可分层预后并识别可能从辅助化疗获益的I期肺腺癌患者,支持影像学层面的个体化治疗决策。
- Cluster 2与全身炎症-免疫失衡相关:SII与NLR显著高于Cluster 0(SII Bonferroni校正p=0.030;NLR Bonferroni校正p=0.006),LMR显著低于Cluster 0(Bonferroni校正p=0.044)。
- PNI在三个亚型间差异无统计学意义(p=0.124)。
- 营养-炎症指标分析仅基于上海胸科医院431例患者。
局限性
- 营养-炎症指标分析仅纳入上海胸科医院431例患者,未覆盖全部496例队列。
全文中译16 节 · 点击展开
引言
肺腺癌(LUAD)是全球最常见的肺癌亚型[1],约占所有肺癌病例的50%[2, 3]。虽然手术是早期LUAD的主要治愈手段[4, 5],但切除术后生存结局差异显著。日本肺癌登记联合委员会的数据显示,I期各亚型的5年生存率呈下降趋势,IB期患者仅为71.5%,提示预后相对较差[6]。对于具有高危病理特征(如低分化、脉管侵犯或脏层胸膜侵犯(VPI))的IB期患者,建议术后辅助化疗[7, 8]。然而,这种基于肿瘤-淋巴结-转移(TNM)分期系统的方法不能充分反映肿瘤异质性,限制了准确的风险评估。因此,迫切需要更精确的预后工具来改善术后管理并优化辅助治疗策略。
近年来,计算机断层扫描(CT)衍生的影像组学特征已成为肺癌诊断和预后评估的有价值工具[9–11]。我们此前使用监督学习开发了一个影像组学模型,该模型被证明可有效用于I期LUAD患者的风险分层和预测辅助化疗的生存获益[12]。然而,这些方法往往受限于对预定义标签的依赖和可解释性降低,限制了其揭示新亚型或识别潜在生物学异质性的能力。相比之下,无监督学习技术(如聚类分析)具有无需预定义标签即可识别与预后和肿瘤微环境相关的影像组学亚型的潜力,从而有效克服这些限制[13]。在可用的无监督算法中,本研究选择了K-means聚类。它基于影像组学特征模式将患者划分为离散亚组,提供相对简单且可解释的划分,应用于标准化特征时具有良好的可重复性,并已在既往影像组学研究成功用于亚型发现、结局分层以及与特定分子和病理特征相关亚组的识别。例如,Perez-Johnston等对I期LUAD患者的术前CT图像采用共识聚类,识别出四种不同的影像组学亚型,其生存结局存在显著差异[14]。值得注意的是,高危组进一步以侵袭性分子特征为特点,包括STK11突变和PI3K通路激活。同样,Wen等证实IA期LUAD的影像组学特征可反映不同的肿瘤生物学行为,如侵袭性、隐匿性淋巴结转移和组织学分级[15]。
基于放射组学亚型能够反映肿瘤内在生物学特征这一观察结果,我们进一步试图探究全身宿主因素如何在生物学上为影像衍生的风险分组提供背景。越来越多的证据表明,营养状态和癌症相关炎症反应与疾病进展和生存结局密切相关[16–18]。因此,在放射组学亚型之间刻画全身营养-炎症指数可能为影像衍生的风险分组提供生物学背景,有助于解释为何某些亚型与不良结局相关。然而,放射组学亚型与全身营养-炎症状态之间的关系仍未被充分探索。此外,放射组学亚型预测辅助化疗反应的能力尚未被充分理解。因此,本研究旨在开发基于无监督聚类的放射组学分层系统,以识别I期LUAD高危患者,并检验这些亚型与全身营养-炎症指数的关联。此外,本研究评估各亚组对辅助化疗的差异反应,以更有效地为个体化治疗策略提供依据。
材料与方法
研究设计与患者人群
本研究获得上海市胸科医院伦理委员会批准(批准号KS1596,日期2019年8月28日)和新华医院伦理委员会批准(批准号XHECD-2021-137,日期2021年10月18日)。由于使用去标识化数据,免除书面知情同意要求。本研究遵循第9版国际肺癌研究协会(IASLC)TNM分类以识别I期LUAD患者[19, 20]。手术LUAD患者的排除标准包括:(1)存在多原发LUAD;(2)未行肺叶切除术;(3)诊断为原位腺癌(AIS)或微浸润性腺癌(MIA);(4)缺乏术前两周内获取的高分辨率CT(HRCT)图像;(5)术后一个月内死亡;(6)失访。共有496例患者纳入研究,包括2009年3月至2016年5月期间在上海市胸科医院治疗的431例患者,以及2015年2月至2021年3月期间在新华医院治疗的65例患者。两个队列的详细筛选标准和患者招募流程见附图S1。
临床病理特征
本研究收集的临床病理变量包括年龄、性别、吸烟史、肿瘤位置、病理亚型、肿瘤大小、TNM分期、VPI和淋巴血管侵犯(LVI)。LUAD的组织学亚型根据IASLC/美国胸科学会(ATS)/欧洲呼吸学会(ERS)标准进行分类[21]。肿瘤分期基于第9版IASLC肺癌分期分类[19, 20]。基于外周血的营养和炎症标志物包括预后营养指数(PNI)、全身免疫炎症指数(SII)、淋巴细胞与单核细胞比值(LMR)和中性粒细胞与淋巴细胞比值(NLR)。PNI计算如下:PNI = 白蛋白(g/L)+ 5 × 淋巴细胞计数(109/L)。基于炎症的指数计算如下:SII = 血小板 × 中性粒细胞/淋巴细胞;LMR = 淋巴细胞/单核细胞;NLR = 中性粒细胞/淋巴细胞[22]。
随访方案与临床结局评估
所有患者在最初2年内每3个月随访一次,此后每6个月随访一次。临床评估包括体格检查、血液检查、胸部CT、腹部CT或超声。此外,每年进行全身骨扫描和头部CT或磁共振成像。在本研究中,主要结局为总生存期(OS),定义为从根治性手术至任何原因死亡的时间。
CT数据采集与影像组学特征检测
所有扫描均在患者仰卧位、屏气条件下于深吸气末采集。非增强胸部CT检查使用以下四种扫描仪型号之一进行:Discovery CT750HD(GE Healthcare)、Revolution CT(256排探测器,GE Healthcare)、Brilliance(64排探测器,Philips Healthcare)和uCT S160(16排探测器,United Imaging)。采用高分辨率CT(HRCT)方案,参数如下:探测器准直宽度0.625–1.25 mm,螺距因子0.64,重建层厚0.625–1.25 mm无间隔,矩阵大小512 × 512或1024 × 1024,视野(FOV)范围350至400 mm,管电压120 kVp,管电流220至300 mA。所有用于影像组学分析的图像均在各机构常规临床HRCT方案下,使用厂商提供的标准高分辨率肺算法直接在扫描仪控制台上从原始原始数据进行重建。未专门为本研究进行额外的回顾性重建、核函数修改或离线后处理。
肿瘤感兴趣区(ROI)由一名放射科医师(具有10年胸部CT经验)使用3D Slicer软件(v4.8.0,Brigham and Women's Hospital,美国)在术前CT图像上于体素水平手动勾画。这些分割随后由第二名资深放射科医师(具有30年胸部影像学经验)审阅并验证。
影像组学特征提取使用AK平台(Analysis Kit,v3.3.0,GE Healthcare)进行,该平台符合影像生物标志物标准化倡议(IBSI)。共提取1218个定量特征,包括一阶强度统计量、基于形状的描述符,以及由灰度共生矩阵、游程矩阵、尺寸区域矩阵和依赖矩阵衍生的二阶纹理特征,还包括经小波变换和高斯拉普拉斯变换后获得的高阶特征。在特征提取过程中,体素尺寸(平面内像素间距和层厚)从DICOM数据中获取并用于在物理空间中计算特征,因此矩阵大小为512 × 512或1024 × 1024的CT扫描均以其原生分辨率进行分析,未进行额外的上采样或下采样。
影像组学特征预处理与聚类模型选择
本研究共纳入1218个影像组学特征。为考虑特征尺度的差异,所有特征在聚类前均采用z分数归一化进行标准化。在聚类过程中,我们评估了两种广泛认可的算法:采用k-means++初始化的K-means算法,限制最大迭代次数为100次;以及DBSCAN算法,其涉及使用k距离法调整eps参数并设定最小样本数为6。采用多标准框架评估这些模型所实现的特征空间划分的合理性和稳定性。共识矩阵的视觉检查表明,K-means的聚类性能明显优于DBSCAN。值得注意的是,由K-means得出的共识矩阵表现出较高的簇内共聚类频率和清晰的块对角模式。因此,K-means被确定为后续分析的最佳聚类方法。
最佳聚类数确定与稳定性验证
采用Calinski–Harabasz(CH)指数和轮廓系数确定K-means算法的最佳聚类数。随后通过执行30次具有不同随机初始化的独立K-means运行来评估聚类稳定性。可重复性使用聚类一致性R²和跨运行的平均调整兰德指数(ARI)进行量化,并与随机标签置换获得的ARI值进行比较。
统计分析
连续变量以中位数和四分位距(IQR)进行汇总。对于连续变量(包括年龄和营养炎症指标(PNI、SII、LMR和NLR))在三种影像组学亚型间的比较,首先使用Kruskal–Wallis检验评估整体差异。当整体检验具有统计学显著性时,在簇间进行事后成对Wilcoxon秩和检验,并对三次成对比较采用Bonferroni校正。分类变量以计数和百分比描述,并根据情况使用χ²检验或Fisher精确检验在影像组学亚型间进行比较。采用Kaplan–Meier生存曲线和log-rank检验评估簇间生存差异。采用多变量Cox比例风险模型估计风险比(HR)及其95%置信区间(CI)。所有统计分析和图形表示均使用R 4.4.1版本(R Foundation for Statistical Computing)和IBM SPSS Statistics 26.0版本(IBM Corp.,Armonk)进行,双侧p值小于0.05被认为具有统计学显著性。
结果
患者的基线特征
本研究纳入了来自两个中心的496例LUAD患者。队列的中位年龄为60岁,其中228例(46.0%)为男性。相当比例的患者,即424例(85.5%),为非吸烟者。大多数患者被归类为腺泡/乳头状病理亚组[n = 408(82.3%)],而67例(13.5%)被确定为贴壁型,21例(4.2%)被归类为实体/微乳头状型。肿瘤大小的分布如下:19.0%的患者肿瘤大小为0–1 cm,45.4%的患者肿瘤大小为1–2 cm,26.4%的患者肿瘤大小为2–3 cm,9.3%的患者肿瘤大小为3–4 cm。关于癌症分期,383例(77.2%)被归类为IA期,113例(22.8%)为IB期。在整个队列中,86例(17.3%)存在VPI,13例(2.6%)存在LVI。此外,60例(12.1%)接受了辅助化疗。辅助化疗方案从两个中心的电子病历系统中检索获得,包括以铂类为基础的双药化疗,即顺铂或卡铂联合长春瑞滨、紫杉醇、吉西他滨或培美曲塞。根据三种影像组学亚型分组的基线临床病理特征总结于表1,聚类间两两比较(聚类1 vs 聚类0、聚类2 vs 聚类0、聚类2 vs 聚类1)的Bonferroni校正p值见补充表S1。
LUAD的三种影像组学亚型
K-means聚类分析确定了最佳聚类数为三个(k = 3),其有效地将整个队列划分为三种不同的影像组学亚型(图1A、B)。三聚类方案还显示出极好的稳定性,聚类一致性R²为0.9978,平均ARI为0.9978(标准差0.0025),而随机标签置换产生的ARI值接近0,支持所识别的影像组学亚型具有高可重复性。图1C展示了与三个聚类各自相关的代表性CT影像和临床病理特征。聚类0包含207例患者(41.7%),聚类1包含204例患者(41.1%),聚类2包含85例患者(17.1%)(表1和图2)。与其他聚类相比,聚类2的中位年龄显著更大(中位:63岁;p = 0.015)。值得注意的是,聚类2表现出更高比例的男性[n = 51(60.0%);p = 0.003]、吸烟者[n = 28(32.9%);p < 0.001]以及实体/微乳头状组织学类型个体[n = 7(8.2%);p < 0.001]。此外,该聚类的特征为肿瘤大小2–4 cm者比例更高[n = 68(80.0%);p < 0.001]、IB期疾病[n = 51(60.0%);p < 0.001]和VPI[n = 33(38.8%);p < 0.001]。此外,与其他聚类相比,聚类2中接受辅助化疗的患者比例显著更高[n = 17(20.0%);p = 0.038]。
影像组学亚型作为总生存期(OS)的独立预测因素
Kaplan–Meier分析结合log-rank检验显示,三个聚类之间的OS差异具有统计学显著性(p < 0.001;图3A)。这些生存差异在各病理亚型中一致观察到:贴壁型(p < 0.001;图3B)、腺泡/乳头型(p < 0.001;图3C)和实性/微乳头型(p = 0.028;图3D)。此外,按肿瘤大小进行的亚组分析表明,在肿瘤大小为1–2 cm(p < 0.001;图3F)、2–3 cm(p < 0.001;图3G)和3–4 cm(p < 0.001;图3H)的患者中,各聚类之间的生存差异显著。在聚类2中,不同分期(IA期:p < 0.001;IB期:p < 0.001;图3I、J)以及伴有VPI(p < 0.001;图3K)的患者与其他两个聚类相比OS更差。多变量Cox回归分析进一步证实影像组学亚型为独立预后因素,其中聚类2相对于聚类0表现出最高的死亡风险(HR = 15.71,95% CI:6.81–36.23,p < 0.001;表2)。
影像组学亚型的营养-炎症状态
为了阐明放射组学亚型与全身营养-炎症状态之间的关系,我们对来自上海胸科医院队列的431例患者的外周血营养-炎症指标进行了分析。如图4所示,全局Kruskal–Wallis检验显示,三种放射组学亚型之间在SII、LMR和NLR方面存在显著差异,而PNI无显著差异(p = 0.124)。在采用Bonferroni校正的事后两两Wilcoxon秩和检验中,与Cluster 0相比,Cluster 2的SII和NLR显著更高、LMR显著更低(SII:Bonferroni校正p = 0.030;LMR:Bonferroni校正p = 0.044;NLR:Bonferroni校正p = 0.006),而其他两两比较均未达到统计学显著性。值得注意的是,被确定为高危亚型的Cluster 2呈现出独特的炎症特征,表现为SII升高、LMR降低和NLR升高。
基于放射组学亚型的辅助化疗获益分析
我们进一步检验了放射组学亚型在确定三个聚类中辅助化疗获益方面的预测价值。在I期患者中,不同放射组学亚型与辅助化疗之间观察到显著的交互作用(Cluster 2 vs Cluster 0:交互作用p < 0.001;图5A),提示放射组学亚型可能作为化疗获益的预测因子。随后对IA期和IB期患者进行了亚组分析。在IA期亚组中,未检测到显著交互作用(Cluster 2 vs Cluster 1:交互作用p = 0.247;图5B)。相比之下,Cluster 2中的IB期患者从辅助化疗中获得了显著的OS获益(Cluster 2 vs Cluster 0:交互作用p = 0.003;图5C)。
讨论
在本研究中,我们利用无监督聚类分析开发了一种创新的基于CT的放射组学亚型分类系统,该系统与早期LUAD的预后及患者的营养-炎症状态显著相关。具体而言,Cluster 2与更高的死亡风险相关。重要的是,Cluster 2中接受辅助化疗的患者与未接受此类治疗的患者相比,OS得到改善,这一优势在IB期疾病患者中尤为明显。这些发现表明,我们的放射组学亚型不仅能为早期LUAD提供有效的预后分层,还有助于识别最可能从辅助化疗中获益的患者。
据我们所知,本研究首次证明了影像组学亚型与全身营养-炎症状态之间存在显著关联。SII是一种综合指标,整合了中性粒细胞、淋巴细胞和血小板的协同作用。NLR反映促肿瘤炎症与抗肿瘤免疫应答之间的平衡[23]。值得注意的是,SII和NLR水平升高表明存在以中性粒细胞过度活化和淋巴细胞功能障碍为特征的免疫失衡[24]。大量临床证据已表明,SII和NLR升高与多种实体瘤中较差的OS显著相关[23, 25, 26]。在本研究中,归入Cluster 2的患者与Cluster 0患者相比表现出更高的SII和NLR水平,提示该亚型以显著的炎症-免疫失衡为特征。这种失衡可能是导致肿瘤进展和不良预后的关键因素[26]。此外,LMR是反映淋巴细胞与单核细胞之间平衡的关键指标。LMR降低提示抗肿瘤免疫应答受损及促肿瘤微环境的形成[27, 28]。在本研究中,Cluster 2患者中观察到的LMR降低表明该组呈现出以淋巴细胞功能受抑制和肿瘤相关巨噬细胞介导的免疫抑制为特征的微环境。综上所述,这些发现提示与Cluster 2相关的炎症-免疫失衡是其更具侵袭性行为和不良预后的基础。此外,它们为该高危亚型制定个体化治疗策略提供了潜在的生物学依据。
本研究发现了不同影像组学亚型对辅助化疗反应的显著差异。这些结果强调了超越传统TNM分期进行患者分层的重要性。值得注意的是,归入低风险Cluster 0的患者未从辅助化疗中获益,而且治疗后OS显著降低。相反,高风险Cluster 2的患者从化疗中获得了显著的生存优势。从全身营养-炎症和免疫学特征的角度来看,Cluster 0患者表现出较低的全身炎症负荷,其特征为低SII、高LMR和低NLR。这一特征提示存在预先存在的有效抗肿瘤免疫应答[29]。在这种情况下,化疗的非特异性细胞毒性作用可能损害具有功能的免疫效应细胞,特别是抗肿瘤CD8+ T淋巴细胞,从而破坏原本有效的免疫微环境,最终抵消潜在的治疗获益[30–32]。对于Cluster 2中的高风险患者,我们提出化疗获益的双重机制。首先,它直接根除具有高复发风险的微转移病灶。其次,它可能通过耗竭免疫抑制性细胞成分间接促进抗肿瘤免疫功能的恢复[33]。因此,对于Cluster 2患者,化疗的强大细胞毒性作用似乎超过了其对免疫功能的不利影响,从而产生临床获益。
本研究系统探讨了影像组学聚类在评估肿瘤相关营养-炎症、预后分层和治疗决策中的意义。然而,必须承认若干局限性。首先,本研究的回顾性设计引入了潜在的选择偏倚,可能影响可重复性。其次,尽管我们的队列来自两个中心,但所有符合条件的患者均用于模型开发,且没有可用的独立外部验证集。因此,本研究的数据来源相对有限,所提出的影像组学亚型的普适性应谨慎解读,并需在其他机构更大规模、前瞻性收集的队列中加以确认。第三,尽管基于CT的影像组学特征提取在临床实践中可行且广泛可及,但其受限于分辨率和软组织对比度,可能影响某些纹理特征的准确性。此外,这一回顾性多扫描仪队列使用了未统一的采集和重建设置(包括512×512和1024×1024两种矩阵大小),尽管采用了符合IBSI的提取和特征标准化,仍可能在影像组学特征中引入残余变异。未来研究可通过整合多模态影像数据(如正电子发射断层扫描(PET)-CT)来增强影像组学特征的全面性和精确性。最后,本研究受限于缺乏分子生物学证据。具体而言,缺乏基因突变谱和其他分子特征限制了对影像组学亚型背后生物学机制的深入理解。未来研究应整合单细胞测序和空间转录组学等先进技术,以阐明不同影像组学聚类的分子基础,从而提高研究结果的可解释性和稳健性。
结论
总之,本研究通过无监督聚类成功开发了基于CT的早期LUAD影像组学亚型分类系统。该系统不仅有效地将患者分层为不同的预后组,还显示出与全身炎症-营养状态的明确关联。高风险亚型与炎症标志物升高相关,并从辅助化疗中表现出显著的生存获益,尤其是在IB期患者中。这些发现强调了影像组学亚型在指导个体化术后治疗策略方面的潜力。
电子补充材料
补充信息
引用
- Tao G, Wang D, Cheng X, et al. Radiomic subtypes predict survival and chemotherapy benefit in stage I lung adenocarcinoma: a multicenter study. Insights Imaging. 2026. PMID: 41770412. doi:10.1186/s13244-026-02228-1
- 全文:PMC12953834(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12953834/
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。