关于利用CT影像组学预测肿瘤浸润淋巴细胞富集及其在非小细胞肺癌免疫检查点抑制剂治疗预后评估中作用的研究报告
一、 主要研究者、机构及发表信息
本研究由多个韩国研究机构的研究人员合作完成。主要作者包括：Changhee Park（首尔国立大学医院内科）、Dong Young Jeong（三星医疗中心放射科，成均馆大学医学院）、Yeonu Choi（三星医疗中心放射科）、You Jin Oh（成均馆大学三星健康科学与技术高级研究所）、Jonghoon Kim（成均馆大学电子与计算机工程系）、Jeongun Ryu（LUNIT公司）、Kyunghyun Paeng（LUNIT公司）、Se-Hoon Lee（三星医疗中心血液肿瘤科，成均馆大学医学院）、Chan-Young Ock（LUNIT公司，通讯作者）以及Ho Yun Lee（三星医疗中心放射科，成均馆大学三星健康科学与技术高级研究所，通讯作者）。该研究于2022年12月13日被接受，并于2023年1月5日在线发表在免疫学领域的专业期刊《Frontiers in Immunology》上。
二、 研究学术背景
本研究属于癌症免疫学与医学影像信息学交叉的前沿领域，具体聚焦于非小细胞肺癌（Non-Small Cell Lung Cancer, NSCLC）的免疫治疗生物标志物研究。
研究背景： 免疫检查点抑制剂（Immune Checkpoint Inhibitors, ICI）已彻底改变了非小细胞肺癌的治疗格局。然而，并非所有患者都能从中受益，因此迫切需要能够有效预测ICI疗效的生物标志物。肿瘤微环境（Tumor Microenvironment, TME）中的肿瘤浸润淋巴细胞（Tumor-Infiltrating Lymphocytes, TIL）富集状态是预测ICI疗效的可靠生物标志物之一。传统的TIL评估依赖于对活检组织样本的病理学分析，这种方法具有侵入性、无法重复多次进行，且有时因取样位置局限而无法全面反映肿瘤的空间异质性。
研究目的与意义： 本研究旨在探索利用非侵入性的CT影像组学（Radiomics）分析方法来预测肿瘤组织内TIL的富集程度，从而克服组织活检的局限性。具体目标包括：1）开发一个基于CT影像组学特征的模型，用于预测由人工智能病理分析系统客观量化的TIL富集评分；2）在一个独立的、接受过ICI单药治疗的NSCLC患者队列中，验证该模型预测的TIL富集评分与患者临床结局（如无进展生存期、总生存期、治疗反应）之间的关联。最终目标是为临床医生提供一个无创、可重复的影像学工具，辅助其制定关于使用ICI的决策。
三、 详细研究流程
本研究是一项单中心回顾性队列研究，分为训练队列和验证队列两个阶段，工作流程严谨细致。
1. 研究对象与队列构建： * 训练队列： 从三星医疗中心2005年1月至2021年5月的患者中筛选。入选标准为：确诊为NSCLC，同时拥有用于病理分析的苏木精-伊红（H&E）染色组织切片，以及在该组织取样前后一个月内获得的肺部CT图像。经过质量筛选后，最终纳入了来自218名患者的220个感兴趣区域（ROIs），其中两名患者因在不同时间点均有匹配的CT和H&E样本而贡献了两个ROIs。此队列的目标是建立TIL富集评分与CT影像组学特征之间的关联模型。 * 验证队列： 筛选2013年1月至2021年5月期间接受过ICI单药治疗的晚期NSCLC患者。入选标准为在开始ICI治疗前一年内有可用的CT图像。同样经过CT图像质量筛选，最终纳入了来自294名患者的294个ROIs。此队列用于验证从训练队列中建立的模型在预测真实世界ICI治疗预后方面的能力。
2. 核心技术与数据处理流程： * TIL富集评分（TIL Enrichment Score, TILes）的客观测定： 这是本研究的一个关键创新点。研究团队没有采用主观的病理学家评分，而是使用了一款名为“LUNIT SCOPE IO”的人工智能（AI）驱动的TIL分析器。该软件对H&E染色切片进行自动分析，包含细胞检测AI模型和组织分割AI模型。其核心功能是识别并量化肿瘤上皮内和肿瘤间质内的TIL密度。本研究将TILes定义为：具有高肿瘤内TIL密度（“炎症型”免疫表型）或高间质TIL密度（“免疫排斥型”免疫表型）的组织区域面积，占整个可分析肿瘤微环境面积的比例。为确保分析质量，排除了癌症上皮总面积小于0.5 mm²或可用于评估的1 mm²网格少于十个的样本。 * CT图像采集与肿瘤分割： 所有患者均按照机构标准方案进行了对比增强CT扫描。由经验丰富的胸科放射科医生和技术人员根据实体瘤疗效评价标准（RECIST v1.1）选择代表性靶病灶。然后，使用半自动结合手动修正的方式，利用专用软件（Aview COPD）在CT图像上逐层勾画肿瘤的三维体积，形成体积感兴趣区（VOI），精确排除邻近的空气、脂肪、血管等结构。 * 影像组学特征提取： 从每个肿瘤VOI中，使用开源工具（PyRadiomics）和内部开发的MATLAB代码，共提取了88个定量影像组学特征。这些特征分为七大类：一阶强度特征（18个）、形状特征（14个）、灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）特征（24个）、灰度区域大小矩阵（Gray Level Size Zone Matrix, GLSZM）特征（16个）、累积分布函数特征（5个）、物理特征（2个）和分形特征（9个）。 * 特征筛选与模型构建： * 初步筛选： 在训练队列中，针对每个影像组学特征，根据其中位数将样本分为高值组和低值组。然后使用学生t检验比较两组间TILes的差异，以p < 0.005为阈值筛选出与TILes显著相关的特征。 * 共线性处理： 对筛选出的特征进行逻辑回归和方差膨胀因子（VIF）计算，剔除存在多重共线性（VIF > 10）的特征。 * 模型建立： 使用最终保留的特征，采用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归模型来预测TILes。LASSO方法可以在建模的同时进行特征选择，最终保留系数非零的特征构成预测模型。 * 模型验证与统计分析： 将训练好的LASSO模型应用于验证队列患者的CT图像，计算出每位患者的“预测TILes”。根据预测TILes的中位数，将验证队列患者分为高预测TILes组和低预测TILes组。随后，采用Wilcoxon秩和检验比较不同治疗反应组间的预测TILes差异；采用Kaplan-Meier法和Log-rank检验比较两组患者的无进展生存期（PFS）和总生存期（OS）；采用Cox比例风险模型进行单因素和多因素分析，评估预测TILes作为预后因素的独立性（尤其与PD-L1状态对比）。
四、 主要研究结果
1. 训练队列中与TILes显著相关的影像组学特征： 经过严格的筛选流程，最终有两个特征被纳入LASSO预测模型。它们均来自GLSZM矩阵，该矩阵擅长反映病灶内部的纹理异质性。 * 灰度方差（Gray Level Variance, GLV）： 系数为正值（1.71 × 10^-3）。这意味着更高的GLV值与更高的TILes相关。GLV反映了基于区域大小的灰度强度方差，高GLV代表肿瘤内部存在显著的灰度差异，即纹理异质性强。 * 大区域低灰度强调（Large Area Low Gray Level Emphasis, LALGLE）： 系数为负值（-2.48 × 10^-5）。这意味着更低的LALGLE值与更高的TILes相关。LALGLE描述了肿瘤内大范围低密度像素（通常对应于坏死区域）的优势程度。LALGLE值低，表明相对于整个肿瘤体积，大块的坏死区域较小。
逻辑关系： 这两个特征的组合暗示，一个TIL富集的肿瘤在CT影像上可能表现为：整体纹理异质性高（高GLV），且大范围的坏死区域相对不突出（低LALGLE）。这为理解免疫活性肿瘤的影像表型提供了潜在的病理生理学解释。
2. 验证队列中预测TILes与ICI临床结局的关联： * 生存获益： 在验证队列中，高预测TILes组患者的PFS显著长于低预测TILes组（中位PFS：4.0个月 vs 2.1个月；风险比[HR] 0.68；p = 0.002）。总生存期（OS）也显示出更显著的获益（中位OS：18.9个月 vs 9.1个月；HR 0.52；p < 0.001）。亚组分析显示，在腺癌和鳞状细胞癌患者中，高预测TILes均与更长的PFS相关。 * 治疗反应： 与最佳反应为疾病进展（PD）的患者相比，达到部分缓解（PR）或疾病稳定（SD）的患者，其预测TILes值显著更高。 * 独立于PD-L1的预后价值： 多因素Cox分析显示，在调整了PD-L1状态（以50%为界分为高/低表达）后，预测TILes（无论是作为连续变量还是分组变量）仍然是PFS的独立预测因子（p = 0.007和p = 0.006）。进一步将患者按预测TILes（高/低）和PD-L1（高/低）分为四组后发现，同时具有“高预测TILes”和“高PD-L1”的患者预后最佳，其PFS显著优于其他三组（p = 0.005）。这表明预测TILes提供了超越PD-L1的补充性预后信息。
结果对结论的贡献： 训练队列中建立的模型成功识别出与客观TILes测量值相关的特定影像组学特征。在验证队列中，该模型所预测的TILes分数，与接受ICI治疗患者的实际临床获益（更长的生存期、更好的治疗反应）强相关，并且这一预测价值独立于现有的重要生物标志物PD-L1。这些结果共同强有力地支持了本研究的核心结论：基于CT影像组学无创预测的TIL富集状态，能够有效预测NSCLC患者对ICI的治疗反应。
五、 研究结论与价值
本研究成功开发并验证了一个基于CT影像组学的模型，该模型能够无创地预测NSCLC肿瘤组织中的TIL富集程度。模型仅使用了两个来自GLSZM的影像组学特征（GLV和LALGLE），便在独立的ICI治疗患者队列中显示出强大的预后预测能力。
科学价值： 1. 连接宏观影像与微观免疫环境： 研究揭示了特定的CT纹理特征（GLV和LALGLE）与肿瘤免疫微环境中TIL的空间分布和富集状态之间存在可量化的关联，为“影像免疫组学”提供了直接证据。 2. 提供病理生理学见解： 对所选特征（高GLV代表异质性，低LALGLE代表坏死区域相对较小）的分析，为理解免疫活性肿瘤在常规影像上的可能表现（异质性强且坏死少）提供了机制上的猜想，将影像表型与潜在的肿瘤生物学过程（如免疫编辑、血管生成、缺氧）联系起来。 3. 方法学创新： 首次将AI驱动的、高度客观和定量的数字化病理TIL分析（LUNIT SCOPE IO）与CT影像组学相结合，用于构建预测模型，确保了基础“金标准”的准确性和可重复性。
应用价值： 1. 无创生物标志物： 提供了一种全新的、完全无创的潜在生物标志物，用于在治疗前筛选可能从ICI中获益的NSCLC患者。这尤其适用于无法进行组织活检或活检样本不足的患者。 2. 辅助临床决策： 可以帮助临床医生在面对疑似“假性进展”（治疗后影像上病灶增大但实际是免疫细胞浸润）时，结合基线影像特征进行更准确的判断。 3. 评估肿瘤异质性： CT影像覆盖整个肿瘤，能克服穿刺活检的取样偏差，更全面地反映肿瘤的空间异质性。未来的研究可探索该模型用于监测治疗过程中TME的动态变化。
六、 研究亮点
七、 其他有价值的讨论与局限
研究者在讨论部分也坦诚指出了本研究的局限性： 1. 回顾性研究与样本量： 研究本质是回顾性的。训练队列的样本量（220个ROIs）因严格的时间匹配标准（CT与活检间隔1月内）而受限，验证队列的样本量在部分亚组分析中可能影响统计效力。 2. 病灶范围限制： 模型仅在原发肺病灶上训练和验证，未包括转移灶。因为不同器官的背景衰减可能影响影像组学特征。 3. 模型的解释与应用： 模型仅基于两个特征，可能无法捕捉TME的全部复杂性，应被视为一种有前景的、反映部分免疫状况的替代标志物，仍需在前瞻性研究和更多样化的队列中进一步验证。 4. 未来方向： 研究者提出，未来值得探索该模型预测的TILes在ICI治疗过程中的动态变化（时空调控异质性），以及在其他癌种和转移灶中的适用性。
这项研究为无创评估肿瘤免疫微环境开辟了一条富有前景的新途径，是精准肿瘤免疫治疗迈向影像学生物标志物时代的重要一步。