研究背景与作者信息

本文是一项关于非小细胞肺癌（Non-Small Cell Lung Cancer, NSCLC）术后病理完全缓解（Pathological Complete Response, PCR）预测的原创研究，发表于 Journal for Immunotherapy of Cancer 2024年第12卷，文章 DOI: 10.1136/jitc-2024-009348。主要作者包括 Guanchao Ye、Guangyao Wu、Yu Qi 等，参与单位涵盖了中国的多家医学中心（如华中科技大学同济医学院附属协和医院、广东省人民医院等）以及荷兰马斯特里赫特大学等国际机构。

学术背景与研究目的

非小细胞肺癌（NSCLC）是全球致死率最高的恶性肿瘤之一，特别是在晚期阶段，患者的预后较差。近年来，新辅助免疫化疗（Neoadjuvant Immunochemotherapy）作为术前肿瘤降期的一项前沿技术，显著改善了患者的无进展生存期（Progression-Free Survival, PFS）和总体生存率（Overall Survival）。研究发现，新辅助免疫化疗后的病理完全缓解（PCR）率可高达24%-63%。然而，目前评价PCR的标准方法主要依赖术后肿瘤切除标本的组织病理学检查。这种侵入性流程费时耗力，且难以在术前实现患者分层，以便对适合的患者提供个性化治疗。因此，开发一种非侵入性、准确预测免疫化疗疗效的生物标志物显得尤为重要。

影像学检查，特别是CT扫描，作为一种经济、标准化的工具，在肺癌治疗反应评估中被广泛应用。然而，放射学评价与实际病理学结果常存在较大偏差，原因可能在于部分影像表现如假性病灶（由淋巴细胞浸润引起）不能反映真实的瘤体消退。为解决这一问题，本研究提出使用深度学习模型，从对比增强和非对比增强的CT图像中提取特征，构建预测模型，以构建一种新的影像学生物标志物，用于非侵入性预测新辅助免疫化疗后NSCLC的PCR。

研究流程与方法

1. 数据收集与纳入标准

本研究为回顾性研究，共纳入了来自四个医学中心的295名经过新辅助免疫化疗后接受手术的NSCLC患者，研究时间为2019年8月至2023年2月。患者纳入标准包括以下条件：

• 肺癌确诊（通过活检病理确认，IA到III期）
• 至少完成2个周期的新辅助免疫化疗
• 根据国际肺癌研究协会（IASLC）指南进行术后病理评估

排除标准包括CT数据缺失或图像质量不合格的患者、CT扫描与治疗间隔时间超过1个月的患者，以及临床病理数据不完整的患者。最终，113名患者的数据用于模型训练与验证，112名患者数据用于测试。

2. CT图像预处理与分割

对于研究患者的非对比增强与对比增强CT扫描图像，进行了以下预处理：

• 图像重采样至1mm等方体素
• 使用Z-score方法进行强度归一化
• 利用ITK-Snap软件进行肿瘤区域分割，CT图像使用1600HU窗宽与-600HU窗位进行回顾性分析。

放射科专家对分割结果进行质控并优化，以确保分割的准确性和一致性。

3. 特征提取与模型构建

研究利用了一种新开发的深度学习基础模型 FM-LCT（Foundation Model for Lung Cancer CT），该模型基于大量肺癌CT图像数据集，通过对比学习（Contrastive Learning）算法训练而成，可提取深度特征。这些特征分为以下三类：

1. FS-UCT特征集：从非对比增强CT图像提取的特征（特征向量长度为768）。
2. FS-ECT特征集：从对比增强CT图像提取的特征（特征向量长度为768）。
3. FS-FCT融合特征集：通过对以上两类特征集进行平均池化（Average Pooling）得到。

特征维度通过主成分分析（PCA）降维至16个关键特征，并进行相关性分析（Pearson与Spearman）。最终，研究构建了三种机器学习模型，通过随机森林算法实现：

• LUNAI-UCT：基于非对比增强CT特征
• LUNAI-ECT：基于对比增强CT特征
• LUNAI-FCT：基于融合特征

4. 数据评估与解释

使用ROC曲线下的面积（AUC）、准确性（Accuracy）、敏感性（Sensitivity）、特异性（Specificity）、阳性预测值（PPV）和阴性预测值（NPV）评估模型性能。同时，应用SHAP（Shapley Additive Explanations）分析量化CT特征对模型预测的贡献，并利用Grad-CAM（Gradient-weighted Class Activation Mapping）生成显著性热图以直观解释模型的决策过程。

主要结果

1. 模型预测性能

在测试集中，三种模型分别达到了如下性能：

• LUNAI-UCT：
  • AUC：0.762，准确率：67.6%，敏感性：95.8%，特异性：53.2%
• LUNAI-ECT：
  • AUC：0.797，准确率：71.6%，敏感性：83.3%，特异性：66.0%
• LUNAI-FCT：
  • AUC：0.866，准确率：80.0%，敏感性：91.7%，特异性：73.9%

LUNAI-FCT模型表现最佳，显著优于仅使用单一CT模式的模型。

2. 模型解释与热图

Grad-CAM分析显示深度学习模型提取特征主要来自肿瘤内部区域，也包含一些肿瘤周边环境的信息。基于模型预测生成的IMMU_TR评分可以区分PCR与非PCR患者。

3. 临床意义

LUNAI-FCT模型预测PCR的出色能力展示了其潜力，不仅可以帮助缩小影像学与病理学评估之间的差距，还能为临床提供非侵入性的精准治疗决策支持。

研究结论

研究成功开发了一种基于CT深度学习特征的预测模型，尤其是融合模型LUNAI-FCT，可非侵入性预测非小细胞肺癌患者新辅助免疫化疗后的病理完全缓解。其特点包括：

• 提高了预测的准确性和稳定性，为术前患者分层提供了潜在的解决方案。
• 可作为肿瘤影像生物标志物，帮助优化治疗策略，避免过度治疗，推进个性化和精准癌症治疗过程。

本研究的亮点

1. 创新性：首次融合非对比增强与对比增强CT的深度学习特征，开发了多模态预测模型。
2. 实际应用价值：该模型有助于避免治疗过度并提高患者长期存活率。
3. 解释性强：通过SHAP和Grad-CAM工具提供了模型预测过程的可视化支持。

研究的限制与未来方向

研究具有一定局限性，包括样本量较小、数据分布可能存在偏差、未纳入病理标志物信息（如PD-L1表达）。未来需要通过多中心大规模前瞻性研究验证模型性能，并结合多模态数据进一步优化生物标志物挖掘。

总体而言，本研究为影像学预测病理完全缓解提供了重要的新方法，也对实现个性化癌症治疗具有深远影响。