基于18F-FDG PET 影像组学特征预测非小细胞肺癌新辅助化疗免疫治疗病理完全缓解

《BMC Cancer》：Prediction of pathological complete response to neoadjuvant chemoimmunotherapy in non–small cell lung cancer using 18F-FDG PET radiomics features of primary tumour and lymph nodes

研究人员针对可切除非小细胞肺癌（NSCLC）新辅助化疗免疫治疗疗效预测难题，构建影像组学模型，助力临床决策。

　　在肺癌的治疗领域，免疫检查点抑制剂（ICIs）的出现给非小细胞肺癌（NSCLC）的治疗带来了重大变革，众多研究表明其能显著提升晚期 NSCLC 患者的生存率。与此同时，免疫治疗在早期 NSCLC 治疗中的研究也在不断深入。新辅助治疗不仅可以在手术前缩小肿瘤体积，还能增强全身抗肿瘤 T 细胞的启动，从而清除微转移癌细胞，预防术后复发。在新辅助化疗免疫治疗的临床试验中，病理反应与生存结果之间存在着密切的关联，病理完全缓解（pCR）等指标能够较早地评估治疗效果，有助于发现新的预后生物标志物。

然而，目前对于新辅助化疗免疫治疗的预测，多依赖于程序性死亡配体 1（PD-L1）表达、肿瘤浸润淋巴细胞和肿瘤突变负荷等侵入性生物标志物，这给患者带来了一定的痛苦和风险，因此急需探索非侵入性的预测生物标志物。¹⁸F-FDG PET/CT 在 NSCLC 的评估中具有不可或缺的地位，它能从多个维度为肿瘤的检测、分期、治疗反应评估和预后判断提供重要信息。此前有研究显示，治疗前的¹⁸F-FDG PET/CT 影像或许可以预测化疗免疫治疗的效果，但现有研究大多聚焦于原发性肿瘤的影像组学特征，忽视了淋巴结转移特征的潜在意义。而可切除的 NSCLC 是一种高度异质性的疾病，肿瘤体积、局部扩散和淋巴结受累情况差异较大，仅依靠原发性肿瘤特征构建的模型在面对复杂的患者数据时，预测效果往往不尽人意。

为了解决这些问题，天津医科大学肿瘤医院的研究人员开展了一项极具意义的研究。他们通过回顾性分析 2018 年 11 月至 2024 年 5 月期间在天津肿瘤医院接受新辅助化疗免疫治疗的 210 例 NSCLC 患者的临床病理数据，构建了基于¹⁸F-FDG PET 影像组学特征的机器学习模型，以预测 pCR。该研究成果发表在《BMC Cancer》上，为 NSCLC 的临床治疗提供了重要的参考依据。

研究人员主要采用了以下关键技术方法：首先，对患者进行严格筛选，纳入潜在可手术的 Ib-IIIb 期 NSCLC 患者，且患者无常见驱动基因 EGFR 突变、无其他肿瘤或抗肿瘤治疗史，接受至少两剂基于免疫治疗的新辅助治疗并计划手术，且在新辅助化疗免疫治疗前 2 周内进行了全身 PET-CT 扫描。然后，利用 PET/CT 扫描获取患者的影像数据，对影像进行重建和分割，使用 3D Slicer 软件对感兴趣区域（VOIs）进行半自动分割，并由两位经验丰富的放射科医生独立操作，有分歧时请资深专家会诊。接着，运用 PyRadiomics 开源 Python 软件包提取影像组学特征，包括形状特征、一阶特征和纹理分析特征等。最后，通过 Z-score 归一化、特征融合和 LASSO 逻辑回归等方法筛选特征，使用随机森林机器学习算法构建临床模型、原发性肿瘤影像组学模型和两种融合影像组学模型，并对模型性能进行评估。

研究结果如下：

1. 临床特征分析：在 210 例患者中，69 例（32.9%）为 pCR，141 例（67.1%）为非 pCR。患者被随机分为训练集（147 例）和测试集（63 例），两组患者在各临床特征上无显著差异。单因素分析显示，吸烟、性别、组织学类型、cT 分期、cN 分期和临床分期与 pCR 显著相关；多因素分析表明，只有组织学类型和临床分期是 pCR 的独立预测因素。
2. 影像组学特征提取与选择：通过 Pearson 相关法去除冗余特征后，在原发性肿瘤（Primary_Tumour）、融合所有淋巴结（Fusion_LNall）和融合 N1N2 淋巴结（Fusion_LN1LN2）的 VOIs 中分别保留了 131、108 和 103 个特征。再利用 LASSO 方法，为相应区域的模型选择了 20、6 和 13 个高度稳健的特征。
3. 模型预测性能评估：临床模型在训练集和测试集的 AUC 值最低，分别为 0.677 和 0.631。在训练集中，各影像组学模型的 AUC 值在 0.901 - 0.925 之间；在测试集中，Fusion_LN1LN2 模型的 AUC 值最高，达到 0.823，Fusion_LNall 模型为 0.729，原发性肿瘤模型为 0.666。Fusion_LN1LN2 模型在测试集的净重新分类改善（NRI）和综合判别改善（IDI）值均为正，表现出最佳的预测性能。
4. 模型解释：利用 SHapley Additive exPlanations（SHAP）方法对 Fusion_LN1LN2 模型进行解释，发现 wavelet_HHL_gldm_LargeDependenceLowGrayLevelEmphasis、log_sigma_5_0_mm_3D_glszm_SmallAreaEmphasis 等特征在预测 pCR 中可能发挥重要作用。

研究结论和讨论部分指出，本研究构建的原发性肿瘤 - 转移性淋巴结影像组学模型能够显著提升对可切除 NSCLC 患者 pCR 的预测能力。通过这种非侵入性的方法，可以在早期识别可能从新辅助化疗免疫治疗中获益的患者，避免对不太可能从 ICIs 治疗中受益的患者进行无效治疗，减少相关毒性。然而，该研究也存在一定的局限性，如回顾性研究可能存在选择偏倚、样本量相对较小、未考虑 PD-L1 状态和肿瘤浸润淋巴细胞等因素，未来的研究需要进一步探索这些因素对预测结果的影响。总体而言，该研究为 NSCLC 新辅助化疗免疫治疗的疗效预测提供了新的思路和方法，具有重要的临床应用价值。