文献速递胸部技术与安全CT

转移性肺腺癌单灶与多灶CT影像组学聚类及其预后关联

Single and multi-site CT-based radiogenomics analysis of metastatic lung adenocarcinoma and correlations with outcome.
PubMed 文献 · Eur Radiol · 2026-01-16

本研究回顾性纳入361例转移性肺腺癌患者,对1721个≥1cm³实性病灶提取可重复影像组学特征,分别基于最大病灶、活检病灶及多病灶质心进行无监督层次共识聚类。结果显示最大病灶聚类与KRAS、MET、PI3KCA等基因改变、客观缓解率及总生存显著相关,且对吸烟相关及非吸烟相关致癌改变具有独立预测价值。影像组学模型在多数亚组中优于单纯临床-影像模型。

要点

  • 最大病灶聚类M2+M5富集KRAS、MET、PI3KCA改变,并可独立预测吸烟相关及非吸烟相关致癌改变。
  • 病灶至质心欧氏距离离散度越大,客观缓解率越低、总生存越短,在TKI治疗亚组中仍独立相关。
  • 非吸烟相关致癌改变患者各病灶影像组学特征更均质,聚类一致性高于野生型及吸烟相关亚组。

核心结论

  • 基线CT单灶及多灶影像组学聚类可捕获转移性肺腺癌中与关键致癌改变相关的影像表型模式。
  • 影像组学聚类有望作为无创辅助手段指导分子检测并优化治疗选择。

研究设计与样本

  • 回顾性单中心研究,纳入2016年10月至2024年1月361例新诊断转移性肺腺癌患者,共分割1721个≥1cm³实性病灶。
  • 采用增强全身CT门静脉期图像,多厂商设备采集,层厚0.6-2.5mm,平面分辨率0.5×0.5mm²至1×1mm²。
  • 影像组学特征经分割一致性ICC>0.85筛选,经中心缩放及Yeo-Johnson变换后行层次共识聚类。
  • 参考标准为二代测序分子检测结果及RECIST v1.1评估的客观缓解率与总生存。

关键影像表现/征象

  • 非吸烟相关致癌改变患者各病灶在影像组学空间中离散度最小,野生型患者离散度最大。
  • Cluster-M2+M5在KRAS、MET、PI3KCA改变患者中显著富集。
  • Cluster-M3+M4在野生型患者中更常见。
  • Cluster-B5与更多脑膜转移相关。

诊断标准与关键数值

  • Cluster-M独立预测吸烟相关致癌改变:OR=2.28,p=0.006。
  • Cluster-M独立预测非吸烟相关致癌改变:OR=5.49,p=0.004。
  • 野生型对比非吸烟相关致癌改变:临床模型AUROC从0.838提升至0.849(95%CI=0.755-0.922)。
  • 野生型对比至少一种致癌改变:整合Cluster-M后AUROC从0.593提升至0.655(95%CI=0.591-0.718)。
  • 病灶至质心欧氏距离范围独立预测总生存:全队列HR=1.07(95%CI=1.01-1.12,p=0.0143)。

临床应用与阅片要点

  • 阅片时关注转移灶形态与纹理的异质性程度,高度异质者可能对应野生型或更差预后。
  • 最大病灶的影像组学聚类对分子改变预测价值优于多病灶质心整合,日常可优先关注最大病灶特征。
  • 影像组学聚类不能替代组织分子检测,但可作为辅助分诊工具帮助筛选需优先检测的患者。

局限性

  • 回顾性单中心设计,存在选择偏倚,结果需多中心验证。
  • CT图像来自多个厂商设备及不同扫描中心,虽经标准化处理仍可能存在潜在异质性。
  • 活检病灶仅在49.9%患者中可明确识别并有可用影像组学特征。
全文中译14 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:Eur Radiol. 2026 Jan 16;36(6):5109–24. doi: 10.1007/s00330-025-12292-8

引言

肺癌仍是全球癌症相关死亡的首要原因,每年导致180万人死亡,2025年预估的5年总生存率(OS)为27% [1]。肺腺癌(LUAD)是最常见的组织学亚型,70%的患者在诊断时已处于晚期或转移阶段 [2]。靶向治疗和免疫检查点抑制剂的问世已显著改善了患者预后。因此,基于肿瘤组织评估的致癌基因谱,一线治疗已有针对性的方案可供选择。在此背景下,一种能够准确预测致癌基因变异(OAs)的无创影像学生物标志物,可减少重复活检的需求,并优化精准肿瘤学中的资源配置。

增强CT是转移性肺腺癌(MLUAD)的标准影像学检查方法,既往研究已将某些影像学模式与特定基因变异联系起来 [3–5]。影像组学是一种定量影像分析方法,可通过描述形态和纹理的数值特征,实现肿瘤影像表型的半自动化提取 [6]。影像组学特征(RFs)可用于有监督的机器学习以预测临床结局,或用于无监督分析以揭示潜在的影像学模式。在肺癌中,单部位影像组学已被用于预测突变状态和总生存期 [7–10]。最近,Pérez-Johnston等人对219例I期肺腺癌患者的影像组学数据应用了无监督聚类分析,揭示了影像聚类与EGFR、PI3KCA和STK11变异之间的显著关联,以及与组织病理学特征和复发风险的联系 [11]。

当前的一个主要挑战在于开发稳健的方法,以整合多个肿瘤部位及转移模式/特征的影像组学数据。在Perez-Johnston等人工作的基础上,本研究旨在通过对CT来源的影像组学特征应用无监督聚类,将基于影像组学的患者分层扩展至IIIB–IV期转移性肺腺癌患者。研究同时纳入了经典的单部位影像组学(来自最大病灶和活检病灶)和多部位影像组学。目的是评估这些影像来源的聚类是否仍与关键致癌基因变异相关。由于吸烟与非吸烟者的肺腺癌表现出不同的致瘤通路,且前者分子异质性较低,因此这些分析根据患者的吸烟史进行了分层。此外,还评估了聚类与临床结局(包括治疗反应和总生存期)的关系。

材料与方法

研究设计与患者

本回顾性单中心研究经机构审查委员会批准(法国波尔多Bergonié研究所)。由于本研究为回顾性研究,机构审查委员会豁免了书面知情同意。

2016年10月至2024年1月期间,所有转诊至我们区域综合癌症中心(Bergonié研究所)的新诊断肺腺癌连续成年患者,如符合纳入标准则被纳入,即:包含门静脉期的优质增强全身CT扫描、基线时存在转移性疾病、至少有2个可分割的≥1 cm³的病灶、常规分子筛查,且无其他并发癌症。患者通过病理数据库进行识别(图1)。与既往发表的一项队列研究存在部分重叠,但该研究的研究目的和统计方法不同 [12]。

收集了年龄、性别、世界卫生组织体能状态评分(WHO-PS)、烟草依赖(不吸烟者、吸烟者和既往吸烟者)、分期以及一线治疗方案。

临床结局包括根据实体瘤疗效评价标准v1.1 [13]评估的一线治疗总缓解率(ORR),以及总生存期(OS),OS定义为从诊断日期到疾病相关死亡日期或末次随访日期的时间,在数据收集结束时(2024年2月)对失访患者或死于与癌症无关原因的患者进行删失处理。

图1 研究流程图。PACS,影像归档和通信系统 查看原图 ↗

治疗前活检病理及分子数据

程序性死亡配体1(PD-L1)表达状态分为0%、1–49%和50–100%阳性。

分子检测常规使用法国国家指南推荐的二代测序panel对治疗前肿瘤样本进行检测,包括KRAS、EGFR、ALK、ROS1、RET、TP53、PI3K、STK11、POLE、MET、BRAF和HER2的变异 [14]。如果上述任一基因均未检测到变异,则将患者定义为“真正野生型”。致癌性变异(OA)随后按如下方式分类:

(i) “任何OA”包括KRAS、EGFR、ALK、ROS1、RET、PI3K、STK11、POLE、MET、BRAF或HER2的变异。

(ii) “吸烟相关OA”(sOA)包括BRAF、KRAS、STK11或MET的变异。

(iii) “非吸烟相关OA”(nsOA)包括EGFR、ALK或ROS1变异,且不存在共存的BRAF、KRAS、STK11或MET突变。

TP53变异未纳入OA定义,因为其在多种癌症类型中具有高发生率、作为可干预驱动基因的特异性有限,且对靶向治疗的预测价值不明确。TP53突变被广泛视为基因组不稳定性的标志,而非可干预的致癌事件 [15]。

CT采集与影像学分析

治疗前增强全身CT扫描使用多台扫描设备(佳能、西门子医疗、通用电气医疗、飞利浦医疗)采集,来自法国新阿基坦大区的多个私立和公立影像中心。平面内分辨率范围为0.5 × 0.5 mm²至1 × 1 mm²,层厚为0.6至2.5 mm。脑部病灶在延迟期(对比剂注射后5分钟)采集,而胸-腹-盆腔病灶在门脉期(对比剂注射后70秒)采集。

CT图像由两位对临床病理数据不知情的放射科医师审阅:A.C.,具有8年经验的高年资医师,以及L.A.S.,接受过6个月肿瘤影像培训的进修医师。

对于每位患者,通过记录以下部位转移灶的存在/不存在来评估转移模式:肺(包括粟粒样播散)、胸膜、心包、脑、软脑膜、肝、脾、肾、肾上腺、骨、肌肉和皮肤,以及硬膜外炎(孤立性或伴有椎体转移)、癌性淋巴管炎、腹膜或腹膜后癌病、N3或N4淋巴结肿大。放射科医师在需要时可查阅18F-氟代脱氧葡萄糖正电子发射断层扫描、CT及随访CT扫描。

影像组学流程

放射组学工作流程仅涉及腹部卷积核图像,包括将CT从DICOM转换为nifti格式、体素大小标准化、灰度离散化和归一化,以及对每个≥1 cm³的可测量病灶进行3D手动分割(包括对100个随机抽样肿瘤进行两次分割)[16, 17]。随后筛选分割间组内相关系数>0.85且方差非近零的放射组学特征(RFs)。RF变换包括中心缩放,然后进行Yeo-Johnson变换以使其分布归一化[18]。有关分割技术、观察者间可重复性分析、图像后处理(包括体素大小标准化和灰度离散化)、RF提取、过滤和归一化的详细信息见补充方法SM1。

放射组学聚类

为了将多病灶的放射组学信息整合为单一的患者水平表征,开发了相应的方法学方法(补充材料SM2),如图2所总结,从而能够基于层次共识聚类建立聚类[19]。基于质心的聚类(Cluster-C)考虑每个患者的单一质心,然后将该患者分配至通过该程序确定的最优聚类。基于最大病灶的聚类(Cluster-M)考虑每个患者最重要的病灶,并再次关联代表从该单一病灶方法派生的亚聚类的编号。基于活检病灶的聚类(Cluster-B)在可用的情况下使用活检前的RFs。为补充这些无监督方法,我们计算了每个病灶与其对应患者水平质心在RF空间中的欧氏距离。然后计算每个患者这些距离的均值和范围,作为病灶间放射组学特征空间离散度和异质性的定量代理指标。

图2 研究工作流程。工作流程的四个面板展示了以下主要步骤:(i)CT后处理以在不同患者间协调RFs;(ii)从每位患者的每个实性、可分割肿瘤病灶中提取特征(如病灶1的RFs [RFs L1]、病灶2的RFs [RFs L2]、病灶6的RFs [RFs L6]……),随后使用组内相关系数(ICC)>0.85过滤可重复性和信息性,并排除近零方差的特征;以及(iii)患者水平的病灶水平数据整合,通过选择最大病灶的RFs或对所有病灶的RFs取平均来定义每位患者的放射组学质心(C)。从该质心出发,计算到每个病灶的欧氏距离,从而能够计算病灶到质心距离的平均值和范围。当可用时,用于分子筛查的活检病灶的RFs也被纳入。随后应用层次共识聚类导出三个患者水平聚类:分别为Cluster-M、Cluster-C和Cluster-B;(iv)聚类解读,重点关注其与总活性(OAs)和临床结局的关系。MCCV,蒙特卡洛交叉验证;RF,放射组学特征 查看原图 ↗

统计分析

统计分析使用R(v4.1.0)进行。所有检验均为双侧检验。p值<0.05定义为具有统计学显著性。

分类变量采用卡方检验、非正态数值变量采用Kruskal-Wallis检验比较不同组间的特征。连续变量在经Shapiro–Wilk检验确认正态性后,采用Student t检验或Mann-Whitney检验进行比较。进行单变量和多变量分析,将前者中p < 0.05的变量用于逐步选择,以确定OAs的独立预测因素。单变量和多变量分析均报告比值比(ORs)及95%置信区间(CIs)。OS采用Kaplan–Meier估计进行分析,并采用log-rank检验进行组间比较。采用单变量Cox比例风险模型估计风险比(HRs)及95% CIs。分析在整个队列中进行,并按OA类型分层。多变量Cox回归模型通过纳入单变量分析中有显著意义的影像组学衍生特征以及关键临床协变量(年龄、性别、WHO-PS和TNM分期)构建。

采用调整兰德指数(ARI)对整个研究人群以及野生型、nsOA和sOA患者进行聚类间相似性评估(补充材料SM3)[20]。

建立了三个二分类任务模型,以评估RFs是否能提高对OA亚型的预测能力。模型性能在1000次重复的蒙特卡洛交叉验证的袋外独立测试集上评估(即为了避免过拟合结果),依据ROC曲线下面积(AUROC)进行评价。采用1000次迭代的平均AUROC及95% CI来估计预测性能,并确定最具区分力的输入特征组合。缺失数据的患者从多变量分析中排除。

完整的包及版本列表见补充方法SM4。R脚本可在https://github.com/ACrombe/HIR-Mutations获取。补充方法5展示了相应的人工智能医学影像检查清单(CLAIM)。

结果

患者与肿瘤病灶特征

总体而言,共纳入361例MLUAD患者,中位年龄63.2岁(IQR 56–69.6),其中149例(41.3%)为女性(表1)。大多数为当前吸烟者(167/357,46.8%)或既往吸烟者(149/357,41.7%)。最常见的基因组改变涉及KRAS(145/361,40.2%)、TP53(88/361,24.4%)和EGFR(39/361,10.8%)。

根据基因组图谱,92/361例(25.5%)患者为野生型,174/361例(48.2%)具有sOA,47/361例(13%)具有nsOA。

表2详细列出了这些OA亚组的特征,突出显示了性别、吸烟情况、WHO-PS、转移类型(脑、胸膜、腹膜和骨)以及亚簇对OA类型的影响。

整体而言,共分割了1721个肿瘤病灶,每例患者中位数为4个(四分位距[IQR] 3–6,均值:4.8 ± 2.6)(补充表ST1)。在180/361例(49.9%)患者中,活检病灶被明确识别且具有可用的RFs。其中三分之二的患者(110/180,61.1%)为原发肺肿瘤,构成了Cluster-B的基础。

表1 患者特征 查看原表 ↗
表2 临床、影像学及影像组学数据与基于分子筛查的患者状态之间的关联 查看原表 ↗

聚类结果

根据所定义的类别,最佳聚类数目有所不同,分别为Cluster-C三个(即C1、C2和C3)、Cluster-M五个、Cluster-B六个。由于Cluster M4(2/361,0.6%)和M5(6/361,1.7%)中的计数较低,Cluster-M的5个亚聚类被合并,以获得均衡的M1、M2 + M5和M3 + M4类别。

图3显示了影像组学聚类与OA之间的高度一致性。在nsOA患者中聚类一致性更高,表明该亚组中影像组学特征更为同质(Cluster-B与Cluster-C的ARI为0.490;Cluster-B与Cluster-M为0.407;Cluster-C与Cluster-M为0.535)(补充表2)。nsOA组与野生型相比,欧氏距离的范围(即离散度)更小,这也与nsOA患者病灶之间更高的影像表型相似性一致(图3C)。

补充表3–5显示了Cluster-C、-M和-B中的亚聚类如何与临床、病理、影像或分子特征存在差异性关联,各具特异性。每个类别中的一个亚聚类在女性中更为常见;分期影响Cluster-C和Cluster-M,而Cluster-B5与更多的软脑膜转移相关。从致癌驱动因素的角度来看,三个类别中的亚聚类可根据是否存在TP53和MET异常进行区分。

图3 影像组学特征与OA之间的关联。按分子亚组分层的患者分布在Cluster-M(A)和Cluster-C(B)中的分布:任何OA、非吸烟者OA(nsOA)、吸烟者OA(sOA)和真野生型(WT)。C 箱线图显示四个分子亚组中病灶到质心欧氏距离的范围。来自1000个独立测试集的ROC曲线下面积(AUC)值的分布,用于预测以下模型:D WT与任何OA,E WT与nsOA,F WT与sOA。模型基于x轴上指示的不同输入特征:CR,临床-影像学变量(如表3中逐步多变量分析所选择),C Cluster-C,M Cluster-M,D 欧氏距离范围。箱线图中的水平线代表第1四分位数、中位数和第3四分位数。*p < 0.05,**p < 0.005,***p < 0.001。OA,致癌性改变 查看原图 ↗

与OA组的关联

表3报告了基于患者特征和聚类,以野生型为参照,寻找患者状态预测因素的单变量和多变量分析。该分析在三组中进行:至少一个OA、sOA和nsOA。此外,以sOA为参照来考察nsOA组。

在单变量分析中,野生型与任何OA在性别、胸膜转移、Cluster-C和Cluster-M方面产生了统计学显著差异。比较野生型与sOA时同样如此,这归因于sOA患者的大量代表性。野生型与nsOA的比较产生了其他差异,如无烟草成瘾和较高的WHO-PS、脑或骨转移以及病灶到质心的欧氏距离。Cluster C和M2也显示了差异。最后,性别、烟草成瘾、脑和骨转移也区分了nsOA与sOA。

多变量分析证实了性别的影响以及Cluster-M亚聚类、吸烟和骨或脑转移之间的差异。

图4展示了野生型、sOA和nsOA患者的代表性CT图像,以及基于其放射组学特征(RFs)的二维t-SNE表示中的病灶离散度,显示nsOA组患者病灶到质心距离的离散度较小,sOA患者为中等距离,而野生型患者的距离分布更广。

表3 根据初始分子筛查确定患者状态的独立预测因素的单变量和多变量分析 查看原表 ↗
图4 三例患者的代表性CT扫描及基于放射组学的病灶离散度。A 一例59岁男性、既往吸烟者、野生型LUAD患者的基线CT,显示不均质的膈上及膈下淋巴结肿大、左肺门原发肿瘤以及肾上腺和肝转移(白色箭头)。B 该患者的病灶位置(浅蓝色圆圈)在放射组学特征的2D t-SNE投影上的分布,患者特异性质心以深蓝色三角形标记。病灶围绕质心的散布体现了较高的病灶离散度。浅灰色圆点代表其他360例患者的病灶。C 另一例59岁男性、当前吸烟者、携带KRAS G12D和TP53突变的LUAD患者,被归类为sOA。影像学显示左肺上叶原发肿瘤,伴骨、肾上腺、肾、腹膜和软组织转移(白色箭头)。D 病灶分布(金色圆圈)及代表质心的深金色三角形显示中等偏高的病灶离散度。E 一例55岁女性、从不吸烟者、ALK重排LUAD(即非吸烟者相关致癌性变异)患者的基线CT。影像学显示右肺下叶原发肿瘤、纵隔淋巴结肿大、胸膜转移、淋巴管炎和腰椎硬化性骨转移(白色箭头)。F 病灶位置(黄色圆圈)和质心(深黄色三角形)显示四个被分割病灶的离散度极小,突出了病灶在放射组学空间中的相似性。LUAD,肺腺癌;sOA,吸烟相关致癌性变异。 查看原图 ↗

放射组学对临床-影像学数据预测致癌性变异的附加价值

在蒙特卡洛交叉验证的1000个袋外测试集中,基于放射组学的模型在所有亚组中区分致癌驱动基因谱方面均一致优于临床-影像学模型。补充表ST6显示了训练集和验证集中的AUROC,比较了野生型状态患者与至少一种致癌性变异、非吸烟者相关致癌性变异和吸烟相关致癌性变异三组患者。图3D-F显示了将野生型分别与至少一种致癌性变异、非吸烟者相关致癌性变异和吸烟相关致癌性变异进行比较的AUROC,涉及临床-影像学变量、聚类和欧氏距离等多种因素组合,再次强调了非吸烟者相关致癌性变异的同质性。在野生型与至少一种致癌性变异的比较中,将Cluster-M与性别和胸膜转移整合后,平均AUROC从0.593(95% CI = 0.533-0.657)提高至0.655(95% CI = 0.591-0.718)(图3D)。在野生型与非吸烟者相关致癌性变异亚组的比较中,将Cluster-M和欧氏距离范围添加到临床模型(包括性别、烟草使用、WHO-PS、脑和骨转移)后,AUROC从0.838(95% CI = 0.749-0.916)提高至0.849(95% CI = 0.755-0.922)(图3E)。同样,在野生型与吸烟相关致癌性变异的分析中,将胸膜转移与Cluster-M联合使用,AUROC从0.555(95% CI = 0.505-0.603)提高至0.637(95% CI = 0.573-0.701)(图3F)。

与患者结局的相关性

补充表ST7显示了聚类与客观缓解率(ORR)及结局之间的关联,并在图5中以图形方式呈现。

在Cluster-M内,亚群M2 + M5的患者显示出更高的ORR(p = 0.011)和更长的总生存期(OS)(p = 0.016)。病灶到质心欧氏距离的范围更大,反映了患者内部放射表型离散度更高,与较低的ORR(p = 0.040)和较短的OS(p < 0.001)相关。这一关联在接受酪氨酸激酶抑制剂治疗的患者亚组(n = 46)中同样成立,其中病灶离散度较高的患者OS显著较差(p = 0.004)。随后,在整个队列和TKI治疗队列中,对年龄、性别、WHO-PS和TNM分期以及单变量分析中显著的变量进行了校正,进行了多变量Cox回归分析(补充表ST8)。在两项分析中,病灶到质心欧氏距离的范围均与OS保持独立相关(整个队列:HR = 1.07,95% CI = 1.01–1.12,p = 0.0143;TKI队列:HR = 1.33,95% CI = 1.09–1.63,p = 0.0055)。

图5 全队列中放射组学特征(RFs)与患者结局之间的关联。A 有客观缓解(ORR)与无客观缓解患者中Cluster-M组的分布。B 按Cluster-M组分层的OS Kaplan–Meier曲线。C 箱线图显示根据ORR分组的病灶到质心欧氏距离的范围。D 基于高与低放射表型离散度(按欧氏距离范围的中位数二分)的OS Kaplan–Meier曲线。*p < 0.05 查看原图 ↗

讨论

本研究旨在基于对III/IVb期转移性肺腺癌(LUAD)患者所有病灶的大规模影像组学分析,评估基于CT的放射组学特征的无监督聚类与临床相关致癌变异(OAs)、缓解率和OS之间的关联。

开发了三种聚类策略,分别使用来自所有病灶的质心整合(Cluster-C)、每位患者最大病灶(Cluster-M)以及提交用于分子分析的活检病灶的预采样分析(Cluster-B)所衍生的放射组学特征。

这些在没有任何先验标准的情况下识别的放射表型,似乎与潜在的致癌变异密切相关。Cluster-M2 + M5在携带EGFR突变的患者中显著富集,并且在多变量分析中独立预测OA、sOA和nsOA。本研究不同于此前基于同一队列子集的研究[12],该研究使用了监督建模策略来预测OS。相比之下,本研究采用无监督影像组学聚类框架来探索内在的影像表型及其与致癌变异和治疗反应的关联,从而解决了不同的科学目标。

Cluster-M1在携带KRAS、TP53、PI3KCA和MET变异的患者中显著富集,并且独立预测至少一种OA,尤其是sOA。Cluster-C1以独特的基于CT的影像组学模式为特征,在单变量分析中与至少一种OA和sOA显示出强关联。相比之下,Cluster M3 + M4在野生型患者中更为普遍。

与Perez-Johnston等人的研究一致,这些结果凸显了影像组学特征分析区分分子学上不同的MLUAD亚型的能力[11]。基于最大病灶特征的聚类(Cluster-M)被证明优于基于质心的多病灶聚类(Cluster-C),表明复杂的多病灶整合相对于单病灶影像组学的增量价值有限。以下假说可以解释这一观察结果。较大的病灶通常表现出更大的影像组学异质性和更稳定的特征估计,这可能增强其捕获生物学相关信号的能力。此外,最大病灶通常是进行分子检测时活检取材的病灶;因此,来自该病灶的影像组学特征更可能反映基因型参考标准,而较小的病灶(通常未被采样)在聚合时可能引入噪声。

本研究的另一发现是,nsOA患者表现出更高的组内影像组学一致性。具体而言,与野生型患者相比,nsOA患者病灶到质心的欧几里得距离范围显著更低,提示各转移部位之间具有更高程度的放射表型同质性。ARI计算进一步支持了这一点,nsOA患者在各方法间表现出最高的聚类一致性,强化了nsOA分子亚型表达更均一影像表型这一观点。这一结果在多病灶层面支持了影像基因组学假说,即宏观影像学异质性反映了潜在的分子异质性[6, 21]。既往研究表明,非吸烟者的LUAD表现出较低的肿瘤突变负荷(< 4个突变/Mb),而携带KRAS、BRAF或MET改变的LUAD(在吸烟者中更常见)则表现出较高的突变负荷(> 4个突变/Mb)[22–24]。在本转移性队列中,这种生物学变异在影像学上得到了镜像反映,野生型和sOA亚型患者中观察到更大的病灶间影像组学差异,与更高的分子异质性一致。

此外,影像组学成功区分了OA亚组与野生型患者。整合Cluster-M和病灶离散度提供了额外的判别能力。这些改进提供了非侵入性生物标志物,可在分子筛查之前或分子筛查失败的情况下对患者进行分诊。这些结果也补充了Perez-Johnston等人的研究,后者未在包含临床和影像学协变量的多变量设置以及蒙特卡洛交叉验证等重采样方案中评估预测价值[11]。

单中心和多中心影像组学数据也捕捉到了临床相关行为。与 nsOA 相关的簇 M2 + M5 似乎与更高的 ORR 和更长的 OS 独立相关,与文献数据一致 [25]。该簇还显示出更高的女性比例,并以更常见的骨转移和癌性淋巴管炎为特征。这些发现提示存在一种与已知 nsOA 生物学特征相符的可识别的形态学特征。分子、影像组学和形态学的一致性共同支持了这些簇的生物学有效性,并表明影像组学衍生的分组既反映了微观尺度的纹理特征,也反映了宏观尺度的影像表型。相反,较高的病灶到质心离散度(表明病灶间影像表型异质性更大)被发现与较低的 ORR 和显著缩短的 OS 相关。在酪氨酸激酶抑制剂治疗的患者亚组中,这些关联在至少有一个 OA 的患者中得以保留,突显了影像组学异质性在靶向治疗背景下潜在的预测价值,与文献数据一致,这些数据提示空间异质性更大的肿瘤可能携带具有不同治疗敏感性的亚克隆群体 [26]。

从转化角度来看,影像组学因此可以支持早期识别可能携带可干预分子改变的患者,加快基因分型时间,指导液体活检的使用,并优化治疗选择。在临床实践中,影像组学聚类可帮助优先安排患者进行紧急分子检测,标记活检不安全或不明确的病例,或通过提供全肿瘤负荷信息来补充基于活检的基因分型,从而捕捉单次采样病灶之外的空间异质性。然而,实际应用仍受到对稳健的自动分割、扫描仪相关变异以及缺乏统一采集方案等需求的限制。未来研究应探索将影像组学与基线循环肿瘤 DNA 相结合以降低对侵入性组织活检依赖的附加价值 [27]。与此同时,全自动深度学习工作流程可通过提取个性化深度影像组学特征并整合多个肿瘤病灶的信息,进一步改善患者分层 [28, 29]。

本研究的第一项局限性在于其为回顾性、单中心研究。影像组学分析是在多个中心和多种CT系统采集的CT扫描图像上进行的,没有统一的采集方案,特别是在对比剂给药方面。脑部病灶成像处于对比剂注射后延迟期,尽管既往研究已表明注射后时间可显著影响基于纹理的影像组学特征[30]。此外,我们无法核实对比剂注射质量,也无法确保不同扫描设备间门静脉期采集的完全可比性。因此,这些异质性来源可能影响了影像组学测量结果。尽管强度离散化和重缩放按照IBSI建议进行,但未应用额外的跨扫描仪协调方法(如ComBat)。实际上,该研究涉及大量异质性CT系统,且采集元数据不完整,阻碍了稳健协调框架的实施。这可能给影像组学特征引入了残余的扫描仪相关变异。此外,采集方案和扫描仪类型的异质性可能引入影像组学特征和影像组学聚类的变异,并略微损害后续模型性能。然而,这种变异也反映了真实世界的成像条件,最终可能提高基于影像组学的聚类方法在不同临床环境中应用时的泛化能力。第二,影像组学流程要求实体肿瘤病灶≥1 cm³,不适用于无可测量病灶的患者,如成骨性骨转移、脑膜或淋巴管播散或恶性积液。第三,结局分析为探索性分析,且因样本量限制仅限单变量模型,无法进行多变量校正。第四,基因组分析聚焦于当前法国指南推荐的主要可靶向基因变异,未按特定突变亚型分层,也未纳入新出现或较少见的分子驱动因素。第五,在建立影像组学聚类时,我们未明确区分原发肿瘤与转移病灶,尽管这些病灶在形态学和生物学行为上可能不同。这一选择是有意为之:在肺转移患者中,通常无法确定一个可分割的肺部病灶是否代表真正的原发肿瘤。因此,明确区分原发灶与转移灶会引入错误分类偏倚,或导致相当比例的患者被排除,降低统计效能。为平衡这些限制,聚类基于最大病灶进行,该病灶也更可能捕获肿瘤内异质性,同时在评估部位间异质性时仍纳入所有病灶。

总之,本研究扩展了在I期肺腺癌中的既往发现,证明基于CT的影像组学聚类与关键的致癌基因变异(OAs)、治疗反应以及IIIB–IV期疾病的总生存期(OS)相关。基于最大病灶的聚类往往优于多部位方法,并与可干预的致癌基因变异(包括吸烟相关和非吸烟相关)显示出强关联。病灶间较高的影像组学异质性对应更大的分子多样性,尤其是在野生型和吸烟相关肿瘤中。这些结果支持影像组学作为一种非侵入性工具的潜力,可为所有肺腺癌分期的分子检测、治疗决策和结局提供信息。

补充信息

电子补充材料

引用

  1. Crombé, Sitruk, Masson-Grehaigne, et al. Single and multi-site CT-based radiogenomics analysis of metastatic lung adenocarcinoma and correlations with outcome. Eur Radiol. 2026. PMID: 41540209. doi:10.1007/s00330-025-12292-8
  2. 全文:PMC13212765(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212765/

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。