文献速递胸部CT

定量CT纹理分析预测局部晚期或转移性NSCLC患者PD-L1表达

Quantitative CT texture analysis in predicting PD-L1 expression in locally advanced or metastatic NSCLC patients.
PubMed 文献 · Radiol Med · 2021-08-09

该回顾性研究纳入72例局部晚期或转移性NSCLC患者,在基线增强CT上手动勾画肿瘤VOI并提取40个影像组学特征,经LASSO和logistic回归构建两个Rad-Score模型分别预测PD-L1≥50%和1–49%。PD-L1≥50%模型由Skewness和GLZLM_LGZE组成,训练集和验证集AUC分别为0.811和0.789;PD-L1 1–49%模型由Sphericity、Skewness、Conv_Q3和GLZLM_GLNU组成,AUC分别为0.763和0.806。结论认为CT纹理分析所得Rad-Score有助于预测PD-L1表达并指导治疗选择。

要点

  • PD-L1≥50%模型由偏度(Skewness)和低灰度区域强调(GLZLM_LGZE)两个特征构成,训练集AUC 0.811、验证集AUC 0.789。
  • PD-L1 1–49%模型由球形度、偏度、Conv_Q3和灰度不均匀性(GLZLM_GLNU)构成,训练集AUC 0.763、验证集AUC 0.806。
  • 两个模型均在增强CT门静脉期图像上手动勾画全肿瘤体积后提取特征,偏度在两个模型中均被选中。

核心结论

  • 基于CT纹理分析构建的Rad-Score可用于预测晚期NSCLC患者的PD-L1表达状态,两个模型分别对应50%和1%两个临床常用cut-off值。
  • Rad-Score有望在PD-L1真实表达未知时(如无法活检、标本不足或表达随时间变化)辅助指导治疗选择。

研究设计与样本

  • 单中心回顾性研究,纳入2018年4月至2019年9月72例局部晚期或转移性NSCLC(IIIA–IV期)患者,初始177例经排除后入选。
  • 数据集随机分为训练集(2/3,48例)和验证集(1/3,24例)。
  • 采用64排CT行增强扫描,门静脉期(团注追踪,阈值100 HU后延迟60 s)采集,重建层厚1.0 mm。
  • 由两名分别有3年和10年胸部影像经验的放射科医师独立手动勾画全肿瘤VOI,使用LIFEx软件提取48个特征(每个勾画共96个)。
  • 以手术或活检标本免疫组化(Ventana PD-L1 SP263克隆)的肿瘤比例评分(TPS)为参考标准。

关键影像表现/征象

  • PD-L1≥50%患者偏度显著低于PD-L1<50%患者(1.98 vs. −2.97,p<0.01),负偏度提示像素分布峰值右移、多数像素呈高值。
  • PD-L1≥50%患者GLZLM_LGZE较低(0.200 vs. 0.134,p=0.119),反映三维空间低灰度区域的分布差异。
  • PD-L1≥1%肿瘤表现为更低的偏度、球形度和GLZLM_GLNU,提示病灶更不呈球形且微结构更均匀。

诊断标准与关键数值

  • PD-L1≥50%模型(Skewness+GLZLM_LGZE)cut-off值为−0.745,训练集AUC 0.811(95%CI 0.676–0.945),敏感度83%、特异度75%、PPV 61.9%、NPV 88.9%;验证集AUC 0.789(95%CI 0.579–0.999)。
  • PD-L1 1–49%模型(Sphericity、Skewness、Conv_Q3、GLZLM_GLNU)cut-off值为0.111,训练集AUC 0.763(95%CI 0.597–0.928),敏感度100%、特异度58.8%、PPV 81.6%、NPV 100%;验证集AUC 0.806(95%CI 0.548–1.000)。
  • PD-L1阳性染色定义为膜染色(强或弱、完整或不完整)的肿瘤细胞≥1%,每张切片至少评估100个存活肿瘤细胞。

临床应用与阅片要点

  • 可在增强CT门静脉期图像上勾画全肿瘤体积提取纹理特征,计算Rad-Score辅助预判PD-L1表达分层,为不宜活检或标本不足的患者提供无创参考。
  • 偏度降低提示PD-L1高表达可能性增加,阅片时可关注肿瘤像素直方图分布特征,但需结合模型整体评分而非单一特征。
  • 模型基于全肿瘤体积分析,可重复用于不同时间点评估PD-L1表达的潜在变化。

局限性

  • 样本量小(72例),PD-L1≥50%模型在验证集中Rad-Score组间差异仅呈边缘显著(−2.75 vs. 0.26,p=0.06)。
  • 多数患者PD-L1表达基于活检标本而非手术标本,可能不能完全反映整个病灶的真实表达。
  • 未分析治疗反应临床数据,未评估Rad-Score预测免疫治疗疗效的作用。
  • 单中心回顾性设计,外部泛化性有限。
全文中译11 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:Radiol Med. 2021 Aug 9;126(11):1425–33. doi: 10.1007/s11547-021-01399-9

引言

肺癌是全球男性和女性癌症死亡的主要原因,2018年估计新发病例为2,093,876例[1]。85%的肺癌为非小细胞肺癌(NSCLC),大多数患者诊断时已处于晚期[2]。如今,适合靶向治疗的局部晚期或转移性NSCLC患者的总生存期(OS)已显著延长[3]。

实体癌,如肺部肿瘤,能够通过在肿瘤细胞表面表达程序性死亡配体1(PD-L1)与淋巴细胞表面的程序性细胞死亡蛋白(PD-1)结合,从而逃避免疫细胞毒性反应。其结果是,肿瘤浸润淋巴细胞(TILs)受到抑制[4]。免疫检查点抑制剂是阻断PD-L1/PD-1结合的人源抗体,可改善免疫应答。

多项临床研究已表明,帕博利珠单抗(Pembrolizumab)——一种阻止PD-1/PD-L1结合的单克隆抗体——与更好的疾病控制和改善的OS相关,且与化疗相比,在晚期NSCLC患者中具有更低的毒性特征[5–9]。

然而,帕博利珠单抗的使用取决于肿瘤细胞中PD-L1的表达。根据美国国家综合癌症网络(NCCN)指南2021年第4版,对于无表皮生长因子受体(EGFR)和间变性淋巴瘤激酶(ALK)突变的患者,若PD-L1在≥50%的肿瘤细胞中表达,帕博利珠单抗被视为首选治疗[3, 5]。此外,PD-L1表达值在1%至49%之间的患者仍可能从PD-L1抑制剂治疗中获益,建议接受帕博利珠单抗联合化疗(卡铂或顺铂联合培美曲塞)的一线联合治疗[3, 6, 7]。

然而,活检样本上PD-L1表达的评估可能无法反映整个肿瘤中实际的生物标志物水平。事实上,不同研究已显示活检与切除标本之间PD-L1表达值一致性存在高度变异性,部分作者报道约为92%,而另一些作者报道则低得多,约为52%[10, 11]。尽管后一项研究在报告分析前变异方面不够明确,但显然这一方面需要进一步研究。目前免疫治疗仅适用于晚期NSCLC患者,与此一致的是,在日常实践中进行PD-L1染色的活检标本远多于切除标本。因此,PD-L1检测可能受到样本量有限的影響。约10%的NSCLC肿瘤在无PD-L1表达的情况下仍对PD-L1/PD-1抑制剂产生应答,这一事实可能部分归因于PD-L1表达异质性肿瘤活检标本的假阴性结果。因此,目前在该领域需要一种新的可靠诊断方法。

纹理分析(TA)是一种通过分析所分析图像中单个或多个像素或体素的灰度分布和相关性来定量评估肿瘤异质性的技术[12, 13]。多项研究已证明,在计算机断层扫描(CT)、磁共振成像(MRI)和正电子发射断层扫描(PET)等诊断图像上进行的TA在预测肿瘤特征或治疗反应方面具有潜在作用[14–17]。

因此,我们研究的目的是分别建立两个PD-L1表达值≥1%和≥50%的预测模型,两者均基于晚期NSCLC患者基线对比增强CT图像的影像组学特征所形成的评分,以便在术前或活检前阶段无创地识别可能从免疫治疗作为一线治疗中获益的患者。

方法

患者选择

在这项回顾性研究中,分析了2018年4月至2019年9月在本机构就诊的72例局部晚期或转移性NSCLC患者(根据美国癌症联合委员会TNM分期手册第8版定义,为IIIA–IV期)[18]。初始队列包括177例患者,其中51例因研究时PD-L1表达数据不可用而被排除,35例患有非NSCLC的肿瘤性病变,14例在组织学检查前缺乏对比增强CT扫描。5例患者因技术原因无法分析DICOM(医学数字成像和通信)图像。本研究获得了机构审查委员会的批准。

PD-L1表达的评估

肿瘤细胞的PD-L1表达通过免疫组织化学在石蜡切片上进行评估。染色使用Ventana PD-L1 SP263克隆(Ventana Medical Systems,图森,亚利桑那州,美国),采用自动免疫染色仪(Benchmark XT,Ventana Medical System,图森,亚利桑那州,美国)进行。

PD-L1表达通过肿瘤比例评分(TPS)进行评估,TPS定义为所检查切片中至少具有部分膜染色的存活肿瘤细胞占所有存活肿瘤细胞的百分比。阳性染色定义为肿瘤细胞中膜染色(强或弱、完整或不完整)百分比≥1%[19]。每张切片评估至少100个存活肿瘤细胞以确定染色肿瘤细胞的百分比,用于PD-L1评估。

CT方案及影像组学特征提取

CT检查使用64排CT(Somatom Sensation Cardiac或Somatom Definition,Siemens,福希海姆,德国)进行。所有检查均在静脉团注1.5 mL/kg碘美普尔350 mg/mL(Iomeron 350;Bracco,米兰,意大利)之前和之后进行,流速为2.5–4.0 mL/s,随后注射40 mL生理盐水。

使用自动团注跟踪技术在门静脉期采集增强后图像,从阈值(100 HU;ROI置于降主动脉)起延迟60秒。采集参数设置为120 kV、200 mAs、螺距1.5、准直0.6 mm、旋转时间0.5秒。所有数据以1.0 mm层厚重建。使用LIFEx软件(www.lifexsoft.org)[20]从门静脉期DICOM文件中提取影像组学特征。两位放射科医师(MD;SB)分别具有3年和10年胸部影像经验,独立手动勾画每个层面上原发灶的整个体积。每位放射科医师对另一操作者所选定的勾画均不知情。每个病灶获得两个勾画。图1显示了两个不同勾画病灶的示例。随后,软件自动提取影像组学特征。每个勾画共提取48个特征:16个从体积和直方图分析获得的一阶特征;7个使用灰度共生矩阵(GLCM)的二阶特征;25个高阶特征,其中11个来自灰度游程长度矩阵(GLRLM)、3个来自邻域灰度依赖矩阵(NGLDM)、11个来自灰度区域长度矩阵(GLZLM)。因此,我们从每个病灶共获得96个特征(每个勾画48个)。最有经验的放射科医师(S.B.)在首次分割数月后,对20例随机选择的患者重复了分割,且对其前次分割不知情。

图1 轴位CT图像显示两个肺部原发肿瘤,一个腺癌(ADK)(a)和一个鳞状细胞癌(SCC)(c);(b)和(d)分别显示相同病灶的勾画 查看原图 ↗

特征选择

在为构建两个基于Rad-Score的预测模型选择影像组学特征之前,使用组内相关系数(ICC)比较每个勾画获得的特征,以评估观察者间和观察者内变异性。为评估观察者内变异性,通过ICC比较同一操作者(S.B.)在20例随机选择样本的两个不同时间获得的特征,所有48个特征的ICC均≥0.75。通过比较两位不同操作者(S.B.和M.D.)在所有患者中对每个病灶获得的两个勾画所提取的特征,评估观察者间变异性。随后选择ICC≥0.75的特征(40/48个特征)。

对经验最丰富的放射科医师(S.B.)所勾画的轮廓中获得的其余40个特征进行进一步分析,以构建放射组学评分(Rad-Score)。随后,将人群分为两组,分别由2/3(训练队列,由48例患者组成)和1/3(验证队列,由24例患者组成)的患者构成。变量选择及两个预测模型(分别针对PDL1值<或≥1%以及<或≥50%)的构建在训练队列上进行,随后在验证队列上进行测试。由于特征存在高度共线性,对训练队列的40个特征采用最小绝对收缩和选择算子(LASSO)回归方法进行变量选择。该方法引入一种称为调优参数(λ)的惩罚项,能够对模型中变量的估计系数(β)进行惩罚,因此λ值越低,被选择的变量越多[21, 22]。使用R软件中的“glmnet”包执行LASSO回归。

统计分析

采用Mann–Whitney U检验比较连续变量,而分类变量则采用Fisher F检验或卡方检验(χ2)进行比较。在LASSO回归之后使用二元逻辑回归进一步筛选p值<0.10的变量,这些变量由此构成放射组学评分(Rad-Score),该评分通过所选特征的线性组合并以其各自系数加权,为每例患者计算得出[22–24]。使用进一步的二元逻辑回归检验Rad-Score与患者及肿瘤变量(如年龄、性别、吸烟状态和组织学类型)的关系。使用受试者工作特征(ROC)曲线对创建的模型进行分析,最佳截断值通过Youden指数计算。随后针对最佳截断值计算ROC曲线下面积(AUC)、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。然后将模型在验证队列上进行测试。所描述的所有步骤均执行两次,即分别针对PD-L1值<或≥1%以及<或≥50%。统计分析使用Macintosh版SPSS v.25软件(IBM,Armonk,NY,USA)进行。

结果

患者和肿瘤特征

免疫组织化学(IHC)分别在28例患者(38.9%)的活检样本、19例患者(26.4%)的支气管内超声(EBUS)引导下针吸样本以及11例患者(15.3%)肺叶切除术、12例患者(16.6%)楔形切除术和2例患者(2.8%)全肺切除术的手术标本(35例)上进行。总体而言,患者平均年龄为66.8岁,其中35例(48.6%)为男性,仅12例(16.7%)从未吸烟。原发肿瘤病灶的平均最大直径为45.6 ± 22.3 mm。61.1%的病例位于上叶,70.8%的患者位于右肺。最常见的组织学类型为腺癌(ADK)(47例患者,65.3%),而25例患者(34.7%)被诊断为鳞状细胞癌(SCC)。诊断时,22例患者(30.6%)处于IIIA期,20例患者(27.8%)处于IIIB期,6例患者(8.3%)处于IIIC期,24例患者(33.3%)处于IV期。

23例患者的PD-L1表达<1%,48例患者≥50%。患者和肿瘤特征在各组间总体均衡良好(表1)。

表1 基线人群特征 查看原表 ↗

用于PD-L1表达水平≥50%的Rad-Score及模型验证

LASSO回归方法能够将变量从40个缩减至4个,即偏度(Skewness)、球形度(Sphericity)、GLZLM_LGZE和GLZLM_GLNU。在训练队列中,PD-L1≥50%的患者偏度显著较低(1.98 vs. − 2.97,< 50% vs. ≥ 50%,p值:< 0.01),而其他变量无统计学显著差异(球形度:0.935 vs. 0.922,< 50% vs. ≥ 50%,p值:0.27;GLZLM_LGZE:0.200 vs. 0.134,< 50% vs. ≥ 50%,p值:0.119;GLZLM_GLNU 595.41 vs. 367.42,< 50% vs. ≥ 50%,p值:0.503)。二元逻辑回归进一步选择了偏度和GLZLM_LGZE,如表2所示。随后通过将以下公式(从二元逻辑回归分析外推得出)应用于训练队列的每位患者获得Rad-Score:随后,将Rad-Score与患者和肿瘤变量一起纳入模型,我们观察到Rad-Score是两个人群(PD-L1 < 50% vs. ≥ 50%)之间唯一显著的变量(表3)。然后,获得仅由Rad-Score组成的模型的ROC曲线,其AUC为0.811(95% CI 0.676–0.945)。计算得出的最佳截断值为− 0.745,灵敏度为83%,特异度为75%,PPV为61.9%,NPV为88.9%。随后将Rad-Score应用于验证队列,获得AUC为0.789(95% CI 0.579–0.999)(图2)。总体而言,在训练队列中,PD-L1 < 50%的患者Rad-Score显著低于≥50%的患者(− 1.591 vs. 0.0846;p值< 0.001),而在验证队列中显示出趋于显著的倾向(− 2.75 vs. 0.26;p值:0.06)。

表2 针对PD-L1表达值≥50%经LASSO回归后选择的特征 查看原表 ↗
表3 针对PD-L1表达值≥50%的预测模型 查看原表 ↗
图2 分类器在训练集和验证集中预测PD-L1表达水平≥50%的性能 查看原图 ↗

用于PD-L1表达水平≥1%的Rad-Score及模型验证

LASSO回归将变量数量从40个缩减至6个;具体而言,选择了偏度(Skewness)、球形度(Sphericity)、Conv_Q3、GLZLM_GLNU、NGLDM_Coarsness和GLRLM_LRLGE。在训练队列中,两组之间所选变量的值无显著差异(偏度− 1.95 vs. -− .51,< 1% vs. ≥ 1%,p值:0.886;球形度:0.944 vs. 0.923,< 1% vs. ≥ 1%,p值:0.08;Conv_Q3 82.1 vs. 80.2,< 1% vs. ≥ 1%,p值:0.843;GLZLM_GLNU 850.24 vs. 337.99 < 1% vs. ≥ 1%,p值:0.123;NGLDM_Coarsness 0.0014 vs. 0.0006 < 1% vs. ≥ 1%,p值:0.120;GLRLM_LRLGE 0.00037 vs. 0.00018 < 1% vs. ≥ 1%,p值:0.210)。二元逻辑回归选择了球形度、Conv_Q3、GLZLM_GLNU和偏度(表4)。随后通过应用以下从二元逻辑回归外推的公式构建Rad-Score:即使在这种情况下,Rad-Score也是模型中唯一显著的变量(表5)。从模型获得的ROC曲线AUC为0.763(95% CI 0.597–0.928)。最佳截断值为0.111,灵敏度为100%,特异度为58.8%,PPV为81.6%,NPV为100%。随后将Rad-Score应用于验证队列,其AUC为0.806(0.548–1.000)(图3)。总体而言,无论在训练队列(− 0.026 vs. 1.263;p值:0.002)还是验证队列(− 0.41 vs. 1.50;p值0.03)中,PD-L1 < 1%的患者Rad-Score均显著低于≥1%的患者。

表4 经LASSO回归筛选出的用于PD-L1表达值≥1%的特征 查看原表 ↗
表5 用于PD-L1表达值≥1%的预测模型 查看原表 ↗
图3 分类器在训练集和验证集中预测PD-L1表达水平≥1%的性能 查看原图 ↗

讨论

由于PD-1/PD-L1系统抑制剂的开发,PD-L1表达的评估在局部晚期或转移性肺癌患者中已变得至关重要[2–7]。KEYNOTE-024研究显示,在PD-L1表达水平≥50%的晚期NSCLC患者中,与化疗(CHT)相比,帕博利珠单抗(Pembrolizumab)与更长的无进展生存期(PFS)相关(中位10.3 vs. 6.0个月;HR 0.50,95% CI 0.37–0.68,p值<0.001),总生存期(OS)也更长(6个月OS为80.2% vs. 72.4%,HR 0.60,95% CI 0.41–0.89,p值=0.005),且耐受性特征更好[5]。事实上,根据NCCN指南,帕博利珠单抗应作为这些患者的一线单药治疗。[3]此外,基于KEYNOTE-042和KEYNOTE-021研究,NCCN指南最近已被修改,允许即使PD-L1表达在1%至49%之间的患者也可处方PD-L1抑制剂,指示一线帕博利珠单抗联合化疗[3, 6, 7]。

多项研究探讨了放射组学模型在预测肺癌患者EGFR状态中的应用[14, 16, 25, 26]。Ozkan等证明放射组学特征可用于区分肺腺癌(ADK)患者的EGFR突变类型[25]。Liu等的另一项研究[26]显示纹理特征可将EGFR突变患者与野生型患者区分开来,并且通过加入临床变量可提高放射组学模型的性能。

在本研究中,为了识别需要不同一线治疗的PD-L1不同表达水平患者,我们分别构建了两个基于放射组学的PD-L1表达预测模型,分别用于≥1%和≥50%的值。具体而言,两个模型均选择了偏度(Skewness),而GLZLM_LGZE进入PD-L1≥50%模型,球度(Sphericity)、Conv_Q3和GLZLM_GLNU被纳入PD-L1≥1%模型。Jiang等最近发表了一篇论文,他们获得了基于CT和PET的放射组学模型,用于PD-L1表达≥1%和≥50%[27]。他们的CT模型由多个放射组学特征组成,包括GLZLM_GLNU和四分位距,而偏度仅进入基于PET的模型。

在本文中,我们发现PD-L1表达≥1%和≥50%的肿瘤比PD-L1表达<1%或<50%的肿瘤具有更低的偏度;负偏度的特征是在直方图中像素分布峰值向右偏移、尾部位于左侧,意味着大多数像素具有高值。此外,PD-L1≥50%的患者还具有较低的GLZLM_LGZE,其代表三维(3D)空间中低灰度区域的分布。不同的是,PD-L1≥1%的肿瘤表现出较低的偏度、较低的球度和较低的GLZLM_GLNU,后者代表灰度区域的不均匀性。这可能意味着这些病灶与PD-L1<1%的肿瘤相比球形度更低,微观结构更均匀。

只有少数论文应用影像组学来预测PD-L1表达。Jiang等对399例NSCLC患者进行了研究,并基于CT、PET和PET-CT图像构建了一个能够预测PD-L1表达的影像组学模型[27]。作者得出结论,利用CT特征获得的模型比利用PET特征获得的模型具有更好的诊断性能。为了将影像组学数据与PD-L1的真实表达进行比较,作者决定在该研究中仅纳入接受手术的患者,因此75%的患者处于I–II期,只有25%的患者为局部晚期(86例)或转移性疾病(12例)。然而,应当考虑到PD-1/PD-L1系统抑制剂仅用于晚期NSCLC,因此所分析的PD-L1表达可能不能反映目标人群的实际情况。

多项使用多种PD-L1克隆的研究报道了PD-L1表达的瘤内和瘤间异质性,这可能导致不同标本类型(即切除标本与活检标本、原发肿瘤与转移灶)之间的结果不一致[11, 19, 28]。此外,PD-L1表达可受化疗和/或放疗影响[29]。

相反,在我们的研究中,我们仅分析了局部晚期或转移性NSCLC患者,这一选择反映了免疫治疗所针对的真实人群,尽管在大多数情况下这些患者未接受手术,因此活检样本获得的PD-L1表达可能不能反映其真实表达。

Yoon等对153例晚期肺腺癌(ADK)患者进行的一项研究表明,与单纯定性CT特征相比,定量CT影像组学特征可能有助于预测PD-L1表达;特别是,由临床特征和影像组学特征共同组成的预测模型可有助于评估PD-L1表达[24]。在该研究中,作者仅分析了一个PD-L1截断值,因为患者PD-L1表达值≥50%即被认为PD-L1阳性。不同的是,我们针对目前PD-1/PD-L1抑制剂临床应用中使用的两个不同PD-L1截断值,即50%和1%,构建了两个不同的模型。此外,正如作者所述,在该研究中发现的模型未在独立队列中得到验证,使结果的可推广性较差。最后,Rad-Score中包含的影像组学特征与我们模型中所纳入的影像组学特征均不相匹配。这些差异可能由多种原因造成,例如分析了不同的影像组学变量组(例如,Yoon等的研究中未分析GLZLM特征)以及不同组织学类型的肺癌(我们还纳入了鳞状细胞癌(SCC)患者,而不仅是ADK患者)。

Sun等人最近一项针对390例患者的研究显示,使用由放射组学评分(Rad-Score)和临床病理特征组成的模型可以预测PD-L1阳性(TPS ≥ 50%)[30]。另外,在我们的研究中,我们决定分析仅由Rad-Score形成的模型,因为这是患者组间唯一具有统计学显著性的变量。此外,在本研究中,局限性和晚期疾病患者均被纳入分析(在训练队列中,近40%的患者处于I期和II期)。最后,特征提取仅在平扫CT图像上进行,可能导致遗漏重要的肿瘤特征。事实上,尽管非增强CT分析可以更好地评估原始结构,但我们认为造影剂给药可能更好地突出肿瘤异质性的差异。造影剂后的瘤内不均匀性取决于新生血管形成和坏死,这些是肿瘤生物学行为的标志物,反过来影响像素密度的异质性,从而影响放射组学特征。

然而,本研究存在一些局限性。首先,纳入的患者数量较少可能影响了结果;事实上,对于50%的截断值,我们发现Rad-Score在验证队列中仅显示出接近显著的趋势(< 50%:− 2.75 vs. ≥ 50%:0.26;p值0.06)。

此外,大多数患者接受的是活检而非手术。因此,所获得的PD-L1值可能不能完全反映整个病灶的真实PD-L1表达,尽管必须考虑到局部晚期或转移性疾病患者很少接受手术治疗。此外,我们尚未分析治疗反应的临床数据以及放射组学模型预测该结局的可能作用,而多项研究最近表明纹理分析能够预测免疫治疗的反应[17]。

结论

使用Rad-Score有助于准确预测PD-L1在50%和1%截断值下的表达状态,从而识别需要不同治疗策略的两类患者。当PD-L1的真实表达未知时——无论是由于患者不适合侵入性操作、所获取的组织样本不适合免疫组织化学(IHC)检查,还是因为PD-L1表达可能随时间变化而在采样时不具有生物学相关性——该工具可能成为指导治疗选择不可或缺的手段。在此背景下,结合纹理分析的CT检查具有以下优势:它是一种分析整个肿瘤体积的无创检查,且可在不同时间重复进行以评估基因表达的可能变化。

引用

  1. Bracci S, Dolciami M, Trobiani C, et al. Quantitative CT texture analysis in predicting PD-L1 expression in locally advanced or metastatic NSCLC patients. Radiol Med. 2021. PMID: 34373989. doi:10.1007/s11547-021-01399-9
  2. 全文:PMC8558266(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8558266/

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。