文献速递腹部技术与安全CT

基于CT的影像组学预测不可切除胃癌对PD-1/PD-L1抑制剂联合化疗的治疗反应

CT-based radiomics for predicting the treatment response to PD-1/PD-L1 inhibitors combined with chemotherapy in unresectable gastric cancer.
PubMed 文献 · Insights Imaging · 2026-03-12

这项回顾性双中心研究纳入368例接受PD-1/PD-L1抑制剂联合化疗的不可切除胃癌患者,构建基于门静脉期CT的影像组学模型。Radscore在训练、内部验证和外部验证队列的AUC分别为0.868、0.816和0.793,逻辑回归联合模型AUC分别为0.886、0.831和0.826,并构建列线图。免疫浸润分析显示Radscore与活化CD4+记忆T细胞、调节性T细胞和CD8+ T细胞浸润相关。

要点

  • 门静脉期CT影像组学评分可无创预测不可切除胃癌对PD-1/PD-L1抑制剂联合化疗的反应。
  • 逻辑回归联合模型在内部和外部验证队列AUC分别为0.831和0.826,稳定性优于XGBoost。
  • Radscore与活化CD4+记忆T细胞、CD8+ T细胞浸润正相关,与B记忆细胞负相关。

核心结论

  • 基于CT的影像组学列线图在不可切除胃癌个体化免疫治疗策略制定中显示出应用前景。
  • Radscore与免疫细胞浸润的关联为其预测能力提供了生物学依据。

研究设计与样本

  • 回顾性双中心研究,纳入368例接受PD-1/PD-L1抑制剂联合化疗的不可切除胃癌患者。
  • 训练队列231例、内部验证队列97例来自中心1(郑州大学第一附属医院,2019年5月至2024年2月),外部验证队列40例来自中心2(山东大学第二医院,2021年1月至2023年1月)。
  • 基于门静脉期CT图像提取851个影像组学特征(107个原始特征和744个小波变换特征),经ICC≥0.75筛选、去除Pearson相关系数≥0.95的冗余特征后行LASSO回归(10折交叉验证)选取15个特征构建Radscore。
  • 采用逻辑回归、XGBoost、支持向量机、朴素贝叶斯和随机森林五种机器学习算法构建联合模型,以iRECIST标准评估治疗反应。
  • 免疫浸润分析使用TCGA-STAD数据集443例胃癌患者中最终选取的29例,CT图像来自TCIA。

关键影像表现/征象

  • 原文未报告具体影像征象,模型基于门静脉期CT提取的影像组学特征构建。
  • Radscore在治疗反应组显著高于无反应组,三个队列比较均p<0.001。

诊断标准与关键数值

  • 影像组学特征模型预测治疗反应的AUC:训练队列0.868、内部验证队列0.816、外部验证队列0.793。
  • 逻辑回归联合模型预测治疗反应的AUC:训练队列0.886、内部验证队列0.831、外部验证队列0.826。
  • 临床模型预测治疗反应的AUC:训练队列0.538、内部验证队列0.571、外部验证队列0.535。
  • 多因素逻辑回归中治疗周期数OR=1.20(95%CI 1.07–1.35,p=0.001),CA72-4状态OR=0.50(95%CI 0.28–0.91,p=0.024)。
  • 列线图公式:Logit(p)=−2.97815+0.1672362×治疗周期数−0.9394547×CA72-4+4.3234098×Radscore,其中CA72-4为二分类变量(0=正常,1=异常)。

临床应用与阅片要点

  • 列线图已部署为在线交互工具,输入治疗周期数、CA72-4状态和Radscore可获得个体化免疫治疗反应概率预测。
  • 示例病例中,基线Radscore为0.9244596、CA72-4正常的53岁女性IV期胃腺癌患者,预测反应概率在治疗0周期为73.5%、4周期为84.4%,随访CT示胃原发灶和肝转移灶明显缩小。
  • 示例病例中,基线Radscore为−0.02143386、CA72-4异常的55岁男性IV期胃腺癌患者,预测反应概率在治疗0周期为1.8%、6周期为4.7%,随访CT示贲门病灶和胃肝韧带淋巴结明显增大。
  • 校准曲线和决策曲线分析显示模型预测与实际结局一致性良好,在较宽阈值概率范围内可产生净临床获益。

局限性

  • 原文未报告局限性。
全文中译18 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. 2026 Mar 12;17:66. doi: 10.1186/s13244-026-02214-7

引言

胃癌仍然是全球重大的健康负担,位居全球第五大常见恶性肿瘤和第四大癌症相关死亡原因[1]。虽然手术干预为早期疾病提供了良好的预后,但绝大多数(60–70%)患者就诊时已处于晚期,无法进行根治性切除[2, 3]。对于不可切除的晚期胃癌,传统化疗方案的生存获益有限,中位总生存期通常低于1年[4, 5]。免疫治疗的出现,特别是PD-1/PD-L1抑制剂,真正彻底改变了治疗格局[6]。值得注意的是,KEYNOTE-062等试验表明,在PD-L1阳性的晚期胃癌患者中,帕博利珠单抗联合化疗可显著延长生存期[7]。因此,该联合方案已成为主要临床指南推荐的一线治疗[8–10]。

尽管取得了这些进展,准确预测该联合治疗的治疗反应仍然是一个关键的临床挑战。目前的预测性生物标志物,如PD-L1表达和微卫星不稳定(MSI)状态,需要侵入性活检或手术标本[11]。这些操作固有地受到肿瘤异质性、处理时间长和成本较高等问题的限制,从而阻碍了它们在常规临床实践中的广泛采用和应用[12, 13]。因此,开发非侵入性、可靠且具有成本效益的预测工具,以识别最可能从该联合治疗中获益的患者,至关重要。

影像组学是一种从医学图像中提取可量化数据的技术,已成为一种有前景的非侵入性方法,用于评估肿瘤特征和预测治疗结果[14, 15]。近年来的研究开始探索CT影像组学在表征胃癌肿瘤免疫微环境和预测免疫治疗疗效方面的潜力[16–20]。一些研究侧重于通过将影像组学特征与特定免疫成分(如CD8+ T细胞浸润或中性粒细胞与淋巴细胞比值(NLR))相关联来间接预测免疫治疗反应[16, 17]。然而,这种间接方法可能本质上无法捕捉肿瘤-免疫相互作用的全部复杂性,而且其验证往往局限于较小的免疫治疗队列,可能限制了预测准确性。其他研究直接采用CT影像组学来预测免疫治疗结果[19, 20],但这些研究受限于样本量小,且缺乏对能够解释预测性影像组学特征的生物学基础的探索。关键的是,专门针对预测目前标准的PD-1/PD-L1抑制剂联合化疗方案反应的研究仍然明显匮乏。

因此,本研究旨在开发和验证一种基于CT的影像组学模型,用于预测不可切除胃癌患者对当前标准联合治疗的治疗反应。此外,我们将探讨影像组学特征与肿瘤免疫微环境之间的关系,阐明其预测免疫治疗反应的生物学机制。

材料与方法

这项回顾性双中心研究获得了当地伦理委员会的批准(2021-KY-1070-002),并豁免了书面知情同意的要求。

患者选择

我们回顾性分析了中心1(郑州大学第一附属医院)2019年5月至2024年2月期间7604例连续患者的临床数据。按照文本S1中规定的纳入和排除标准,我们确定了328例符合条件的患者进行进一步分析。随后通过分层随机抽样按7:3的比例将这些患者分为训练队列(n = 231)和内部验证队列(n = 97)。此外,外部验证队列由中心2(山东大学第二医院)2021年1月至2023年1月期间的40例患者组成。患者招募过程的详细信息见图1。

为了从免疫微环境的角度探讨放射组学模型的生物学可解释性,我们使用癌症基因组图谱(TCGA)TCGA-STAD数据集中443例胃癌患者的数据进行了分析。临床和转录组数据获取自TCGA官方网站(https://portal.gdc.cancer.gov/),相应的CT图像来源于癌症影像档案(TCIA,https://www.cancerimagingarchive.net/)。该队列所应用的纳入和排除标准在文本S1中进行了全面概述,最终选定29例患者纳入研究。

图1 入组患者流程图 查看原图 ↗

免疫治疗方案和疗效评估

免疫治疗方案的详细信息见文本S2。治疗反应采用免疫实体瘤疗效评价标准(iRECIST)[21]进行评估。iRECIST标准包括免疫完全缓解(iCR)、免疫部分缓解(iPR)、免疫疾病稳定(iSD)和免疫确认的疾病进展(iCPD)。达到iCR或iPR的患者被归为治疗反应组,而表现为iSD或iCPD的患者被归为非反应组。

CT图像采集与分析

CT成像方案和参数详见表S1。L.X.和L.L.分别拥有10年和6年的胃肠道肿瘤影像学经验,他们对CT影像特征进行了独立评估。对于定性评估,任何初始分歧均通过联合审阅达成共识来解决。一位资深放射科医师(G.J.,拥有40年经验)可对任何未解决的分歧进行仲裁。对于定量测量,取两位观察者测量值的平均值。观察者被告知该研究涉及胃癌患者,但对其他临床和治疗细节保持盲法。评估了以下CT影像特征:(1)肿瘤位置;(2)肿瘤大小;(3)CT值;(4)强化程度;(5)强化模式;(6)临床分期。这些特征评估标准的更详细描述见文本S3。

与治疗反应相关的临床放射学特征

采用两阶段流程,利用训练队列数据识别治疗反应的临床独立预测因素。首先,对每个临床和CT特征进行单变量逻辑回归分析,以评估其与治疗反应的个体关联。在第二阶段,将单变量分析中显示出有希望关联的变量(定义为p < 0.2)推进多变量分析。最终模型中保留的p < 0.05的变量被认为是治疗反应具有统计学意义的独立预测因素。

影像组学特征提取与选择

图像处理和感兴趣区(ROI)分割的详细信息见文本S4。基于每个手动勾画的ROI,我们提取了851个影像组学特征,其中包括107个原始特征和744个小波变换特征。影像组学特征的可靠性使用组间和组内相关系数(ICC)进行评估。为评估组间一致性,LP和LL从训练队列中随机选择的30例患者组成的队列中独立勾画ROI并提取特征。为评估组内一致性,LL在间隔2周后重新勾画ROI并重新提取特征。

利用训练队列,我们对提取的特征进行降维,以确定用于构建影像组学 signature 的最佳子集。该过程包括以下步骤:首先,我们保留ICC ≥ 0.75的特征用于进一步分析;接下来,我们移除Pearson相关系数为0.95或更高的冗余特征,最后,我们采用具有10折交叉验证的最小绝对收缩和选择算子(LASSO)方法。

模型构建与评估

基于临床独立预测因素,使用逻辑回归算法开发了一个临床模型。影像组学评分(Radscore)利用所选特征及其加权系数计算。此外,采用五种机器学习算法构建整合独立预测因素和Radscore的联合模型:逻辑回归、极端梯度提升(XGB)、支持向量机(SVM)、朴素贝叶斯(NB)和随机森林(RF)。机器学习模型的超参数设置和所使用的R包已在文本S5中详细说明。

模型的效能通过受试者工作特征(ROC)曲线的曲线下面积(AUC)进行评估。不同模型的AUC值通过DeLong检验进行比较。基于AUC值和DeLong检验结果,确定最佳机器学习模型,从而开发列线图。校准曲线用于验证预测概率与观察概率之间的一致性,并进行Hosmer-Lemeshow拟合优度检验以评估过拟合的可能性。此外,进行决策曲线分析(DCA)以确定模型的临床实用性。

免疫细胞浸润评估

对于TCGA队列中的29例患者,ROI由LL按照与主要队列相同的标准进行勾画。随后提取放射组学特征,并根据从训练队列得出的放射组学特征计算每位患者的Radscore。利用RNA测序数据,我们采用IOBR包定量评估22种不同免疫细胞类型的丰度,包括T细胞、B细胞和巨噬细胞。为阐明放射组学特征的生物学基础,我们对每位患者的Radscore与22种定量免疫细胞类型的丰度进行了Spearman秩相关分析。

统计分析

统计分析使用R软件(版本4.2.2)进行。采用Shapiro–Wilk检验评估定量数据的正态性。正态分布变量以均值±标准差表示,非正态数据以中位数(四分位距)表示。采用独立样本t检验或Mann–Whitney U检验比较治疗反应组。分类变量以频率描述,并采用Pearson卡方检验、连续性校正或Fisher精确检验进行分析。

结果

基线特征

本研究共纳入368例诊断为胃腺癌的患者。表1总结了患者的基线特征。三个队列之间的基线临床特征未观察到显著差异(均p > 0.05)。

表1 患者的基线特征 查看原表 ↗

与治疗反应相关的临床放射学特征

逻辑回归分析结果见表2。在初始单因素筛选中,若干变量符合预先设定的纳入标准p < 0.2,进入进一步分析。这些候选预测因素包括治疗周期数、肿瘤位置、门静脉期CT值、血小板、中性粒细胞、血小板与淋巴细胞比值及CA72-4状态。在多因素逻辑回归模型中对这些变量进行调整后,仅有两个因素成为治疗反应的统计学显著独立预测因素:治疗周期数(OR = 1.20;95% CI:1.07–1.35;p = 0.001)和CA72-4状态(OR = 0.50;95% CI:0.28–0.91;p = 0.024)。这些变量随后被用于构建临床模型。

表2 训练队列中逻辑回归分析结果 查看原表 ↗

放射组学特征构建

共去除439个ICC低或特征间相关性高的特征,剩余412个特征用于分析。LASSO回归筛选出15个最优放射组学特征用于构建放射组学特征(图S1,表3)。各队列中Radscore的分布见图2。值得注意的是,在所有三个队列中,治疗反应组的Radscore均显著高于无反应组(所有比较p < 0.001)(图2)。

图2 不同队列中胃癌患者Radscore的分布,以及反应组与无反应组之间Radscore的比较分析。a、d 训练队列;b、e 内部验证队列;c、f 外部验证队列 查看原图 ↗
表3 放射组学特征 查看原表 ↗

模型构建与性能比较

各模型的性能指标,包括AUC、准确率、敏感性和特异性,见表4。Radscore的性能在训练队列、内部验证队列和外部验证队列中的AUC分别为0.868、0.816和0.793,显著优于临床模型(AUC分别为0.538、0.571和0.535;DeLong检验,所有p < 0.05,详见表S2)。

随后使用五种机器学习方法构建了一个联合模型,其性能的详细比较见表4,相应的ROC曲线见图3。在训练队列中,XGBoost模型表现出最高的AUC(0.991),但在内部验证队列和外部验证队列中表现出23.3%和28.7%的显著性能波动。相比之下,逻辑回归模型在内部验证队列(0.831)和外部验证队列(0.826)中均取得了最高且最稳定的AUC值,AUC变化分别仅为6.2%和6.8%。比较所有模型的DeLong检验完整结果见表S2,证实逻辑回归联合模型凭借其高准确性和稳定性的平衡成为最优选择。

表4 不同机器学习模型的诊断性能 查看原表 ↗
图3 不同模型的受试者工作特征曲线(ROC)。a 训练队列;b 内部验证队列;c 外部验证队列 查看原图 ↗

列线图的构建与评价

选择逻辑回归联合模型构建动态列线图,用于治疗反应的可视化和临床预测。最终模型由以下方程定义:Logit(p) = −2.97815 + 0.1672362 × 治疗周期数 − 0.9394547 × CA72-4 + 4.3234098 × Radscore(注:p代表达到治疗反应的概率;CA72-4为二分类变量,0 = 正常,1 = 异常)。此外,为最大限度地提高其可及性和易用性,该列线图已部署为交互式网络应用程序,公开访问地址为:https://zpc0v0.shinyapps.io/DynNomapp/。该在线工具使临床医生能够输入患者个体数据(治疗周期数、CA72-4状态和Radscore),即时获得个性化的免疫治疗反应概率预测(图4)。

随后我们评估了最终列线图和仅影像组学模型的校准度和临床实用性。校准曲线表明,两个模型生成的预测在评估治疗反应时与实际结局高度一致,表现出强一致性。Hosmer-Lemeshow检验结果显示预测结局与观察结局之间无显著差异(所有p > 0.05),提示模型拟合良好(图5)。DCA曲线进一步表明,利用两个模型的预测来指导临床干预可在广泛的阈值概率范围内为患者带来净临床获益(图5)。

图4 动态列线图预测胃癌患者对PD-1/PD-L1抑制剂联合化疗治疗反应的临床应用示例。病例1:一名53岁女性胃腺癌IV期患者,CA72-4状态正常,Radscore为0.9244596。a 基线增强CT显示胃贲门及胃小弯处肿块(箭头),可见肝内转移灶(箭头)。b 将CA72-4状态(正常)和Radscore(0.9244596)输入动态列线图,治疗周期0时预测缓解概率为73.5%,治疗周期4时增至84.4%。c 患者接受4个周期联合治疗。随访增强CT显示胃原发肿块及肝内转移灶均显著缩小。病例2:一名55岁男性胃腺癌IV期患者,CA72-4状态异常,Radscore为−0.02143386。d 基线增强CT显示贲门处胃壁增厚(箭头)及胃肝间隙肿大淋巴结(箭头)。e 将CA72-4状态(异常)和Radscore(−0.02143386)输入动态列线图,治疗周期0时预测缓解概率为1.8%,治疗周期6时增至4.7%。f 患者接受6个周期联合治疗。随访增强CT显示贲门病灶及胃肝淋巴结显著增大 查看原图 ↗
图5 影像组学模型和逻辑回归模型的校准曲线和决策曲线。a、d 训练队列;b、e 内部验证队列;c、f 外部验证队列 查看原图 ↗

免疫浸润分析

TCGA队列中29例患者的中位Radscore确定为−0.71,四分位距为−1.18至−0.20。Spearman秩相关分析(图6)显示,Radscore与活化CD4+记忆T细胞(r = 0.506,p = 0.005)和CD8+ T细胞(r = 0.372,p = 0.047)呈正相关,而与B记忆细胞呈负相关(r = −0.439,p = 0.017)。

图6 Spearman秩相关分析结果。横轴代表Radscore,纵轴代表不同类型免疫细胞 查看原图 ↗

讨论

本研究成功开发并验证了一种基于CT的影像组学列线图,该列线图在预测不可切除胃癌的免疫治疗反应方面表现出稳健的预测性能和泛化能力。重要的是,Radscore与肿瘤免疫微环境显著相关,为其预测能力提供了生物学基础,并为其指导治疗决策的临床应用提供了理论基础。

尽管传统临床和影像学特征是不可切除胃癌管理中不可或缺的部分,但其在预测免疫治疗疗效方面的效用往往有限。既往研究主要集中于将MSI和PD-L1状态等生物标志物与临床病理特征相关联[22–25],或分析临床因素对免疫治疗结局的影响[26]。例如,有研究将转移器官数量[27]和外周血生物标志物如NLR[17]与免疫治疗疗效相关联。其他研究表明,年龄、肿瘤分期以及CA125和CA 72-4等肿瘤标志物是术后辅助免疫治疗预后的显著预测因素[28]。双能CT等新兴影像技术提供了新的参数,如碘摄取量,已在预测免疫治疗反应方面显示出前景[29, 30]。在本研究中,尽管治疗周期和CA72-4水平在多因素分析中成为独立预后因素,但将其纳入影像组学模型并未显著改善预测效果。这凸显了传统临床特征在捕捉肿瘤异质性和预测个体治疗反应方面的局限性。未来的模型应整合全面的临床参数和多模态影像特征,以实现更精准和个性化的治疗决策。

近年来,基于CT的影像组学已成为一种有价值的无创工具,用于评估肿瘤异质性并预测不可切除胃癌的免疫治疗结局,提供了比传统方法更全面的途径。Sun等[16]和Huang等[17]的研究分别证明了影像组学通过预测CD8+细胞浸润和瘤内NLR水平来表征肿瘤免疫微环境的潜力,这些指标与免疫治疗反应相关。此外,已有研究直接利用CT影像组学预测免疫治疗结局。例如,Liang等[20]和Huang W等[31]分别开发了预测PD-1抑制剂治疗反应和无进展生存期的影像组学列线图和影像生物标志物,其AUC值令人鼓舞,且与M1巨噬细胞浸润等免疫成分相关。在此基础上,本研究特别聚焦于预测PD-1/PD-L1抑制剂联合化疗标准方案的治疗反应。我们从门静脉期CT图像中提取影像组学特征,并利用LASSO算法构建了与免疫治疗反应显著相关的影像组学模型。结果表明,Radscore在区分不同治疗反应的患者组方面表现出优异的预测性能,在三个队列中AUC值分别达到0.868、0.816和0.793。校准曲线和DCA进一步证实了其可靠性和临床适用性。这些发现与既往研究一致,表明CT影像组学能够识别与免疫治疗反应相关的影像特征。

机器学习算法的应用对于从复杂的放射组学数据中开发稳健的预测模型至关重要[32]。在本研究中,我们评估了五种主流的机器学习算法。虽然大多数模型在训练队列中表现出良好的预测性能(AUC > 0.7),但其稳定性存在差异。值得注意的是,XGBoost模型尽管在训练队列中取得了最高的AUC(AUC = 0.991),但在验证队列中表现出显著的性能下降(AUC分别为0.760和0.707),表明其存在过拟合倾向。相比之下,逻辑回归模型展现出更优的泛化能力,在所有队列中均保持了一致的高AUC值(0.886、0.831和0.826),且变异性极小。这凸显了在临床应用中严格进行模型选择和外部验证的至关重要性。逻辑回归模型强大的预测准确性和临床实用性,经校准曲线和DCA进一步证实,使其被选用于构建可视化列线图,为临床医生提供了辅助个性化治疗决策的直观工具。

肿瘤免疫微环境的组成和功能状态在决定免疫治疗结局中起着至关重要的作用[33]。关键效应细胞如CD8+ T细胞与有利的应答相关[34],而CD4+ T细胞提供关键支持[35]。相反,调节性T细胞(Tregs)通常介导免疫抑制和耐药[36],而B细胞的作用可能较为复杂[37]。我们对TCGA数据的分析显示,Radscore与活化的CD4+记忆T细胞(r = 0.506,p = 0.005)和CD8+ T细胞(r = 0.372,p = 0.047)呈正相关,与B记忆细胞呈负相关(r = −0.439,p = 0.017)。这些发现表明,高Radscore反映了一个更加促炎、抗肿瘤免疫的微环境,而低Radscore可能提示免疫抑制性微环境。这意味着Radscore捕获了肿瘤免疫微环境(TIME)的内在特征,从而可作为免疫治疗敏感性的标志物,并为个性化治疗策略提供有价值的见解。

应承认若干局限性。首先,本研究的回顾性性质以及相对有限的样本量可能引入选择偏倚并影响研究结果的普适性。其次,所采用的机器学习算法虽然有效,但未纳入更先进的深度学习技术,而后者可能带来进一步的提升。最后,TCGA/TCIA队列分析同样为回顾性研究且基于较小的样本量,需谨慎解读并进一步验证。

总之,我们开发并验证了一个稳健的基于CT的放射组学列线图,用于预测不可切除胃癌的免疫治疗应答。我们的研究结果揭示了Radscore与肿瘤免疫微环境之间的显著关联,提供了机制层面的见解。未来研究应利用更大规模的多模态数据集和先进算法来提升模型的预测精度。

补充信息

电子补充材料

引用

  1. Zhan PC, Yang S, Li LM, et al. CT-based radiomics for predicting the treatment response to PD-1/PD-L1 inhibitors combined with chemotherapy in unresectable gastric cancer. Insights Imaging. 2026. PMID: 41817625. doi:10.1186/s13244-026-02214-7
  2. 全文:PMC12982818(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12982818/

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。