食管鳞状细胞癌新辅助化疗疗效预测的新工具：一项基于能谱CT列线图的研究报告
一、 研究团队与发表信息
本研究由来自中国天津医科大学肿瘤医院放射科的Jing Wang、Yueqiang Zhu、Qian Li、Haiman Bian、Zhaoxiang Ye*（通讯作者），天津医科大学第二医院泌尿外科的Lining Wang，以及飞利浦医疗保健中国区CT临床科学的Xiaomei Lu共同合作完成。该研究成果以题为《Spectral CT-based nomogram for evaluation of neoadjuvant chemotherapy response in esophageal squamous cell carcinoma》的论文形式，于2024年12月27日在线发表于放射学领域的知名期刊《European Radiology》（2025年卷35期，3800-3811页）。
二、 学术背景与研究目标
本研究属于医学影像学与临床肿瘤学交叉领域，聚焦于食管癌的精准治疗。食管癌是全球范围内高发的恶性肿瘤，在中国尤其以食管鳞状细胞癌（Esophageal Squamous Cell Carcinoma, ESCC）为主。对于局部晚期ESCC患者，手术前进行新辅助化疗（Neoadjuvant Chemotherapy, NAC）已成为标准治疗方案，旨在缩小肿瘤、降低分期，从而提高手术根治率和改善预后。然而，并非所有患者都能从NAC中获益。部分患者对化疗不敏感（无应答者），若仍接受NAC，不仅可能承受不必要的毒副作用和经济负担，还可能因治疗延迟导致肿瘤进展。目前，评估NAC疗效的“金标准”是术后病理的肿瘤退缩分级（Tumor Regression Grade, TRG），但这是一种有创且滞后的方法，无法在治疗前指导决策。
因此，临床亟需一种能够在NAC治疗前、无创地预测患者疗效的工具，以实现个体化治疗。既往研究探索了临床病理特征（如肿瘤分期、炎症指标）或其它影像学方法（如MRI、PET/CT）的预测价值，但存在局限性或需要进一步验证。能谱CT（Spectral CT）作为一种先进的成像技术，能够提供基于物质成分的定量参数，如碘浓度（Iodine Concentration, IC）、有效原子序数（Effective Atomic Number, Zeff）等，这些参数反映了肿瘤的血供、异质性等生物学特征，在肿瘤诊断与评估中展现出潜力。然而，其在预测ESCC对NAC反应方面的价值尚不明确。
基于此，本研究旨在开发并验证一个结合能谱CT定量参数与临床病理特征的列线图（Nomogram）模型，用于在治疗前无创预测局部晚期ESCC患者对NAC的病理反应。
三、 研究流程与方法详述
本研究是一项回顾性、单中心研究，其详细工作流程可概括为以下几个关键步骤：
1. 患者入组与数据划分： 研究回顾性纳入了2019年12月至2024年7月期间，在一家医院接受治疗的ESCC患者。纳入标准包括：经活检证实为ESCC；根据美国癌症联合委员会第8版指南分期为cT1-2N+M0或cT3-4aN-/+M0；拥有治疗前合适的对比增强能谱CT扫描图像及基本临床信息；在手术前完成了1-4个周期的NAC（铂类联合紫杉醇方案）；术后病理报告明确记录了残留肿瘤细胞情况。排除标准包括：CT扫描前接受过抗肿瘤治疗；NAC联合了免疫治疗或放疗；图像质量或肿瘤大小不适合分析。 最终，共有172名患者符合标准并被纳入研究。根据术后病理采用Becker标准评估TRG：TRG1（残留肿瘤细胞<10%）定义为应答者（Responder），TRG2-3（残留肿瘤细胞≥10%）定义为无应答者（Non-responder）。在172名患者中，应答者58人（34%），无应答者114人（66%）。随后，将所有数据按7:3的比例随机分为主要集（120例）和验证集（52例），以分别进行模型构建和外部验证。
2. 数据采集： 采集的数据分为两类： * 临床病理特征： 包括年龄、性别、临床分期、NAC周期数、病变位置、组织分化程度，以及治疗前血常规检查计算得到的中性粒细胞与淋巴细胞比值（Neutrophil-to-Lymphocyte Ratio, NLR）和淋巴细胞与单核细胞比值（Lymphocyte-to-Monocyte Ratio, LMR）。 * 能谱CT成像与参数测量： 所有患者在NAC前使用飞利浦IQon Spectral CT进行扫描。扫描协议标准化，包括平扫期和静脉期（Venous Phase, VP）。图像后处理在专用工作站（Intellispace Portal 9.0）上进行，生成虚拟单能级图像、碘密度图和有效原子序数图。由两名经验丰富的放射科医师（分别有6年和12年胸部诊断经验）在不知晓病理结果的情况下，于肿瘤最大横截面层面手动勾画感兴趣区（ROI），避开血管、坏死和钙化。测量的定量参数包括： * 平扫期和静脉期的CT40keV值、CT70keV值。 * 平扫期和静脉期的碘浓度（IC）。 * 平扫期和静脉期的有效原子序数（Zeff）。 * 计算得到归一化碘浓度（Normalized Iodine Concentration, NIC = 肿瘤IC / 主动脉IC）和能谱衰减曲线斜率（λHu = (CT40keV - CT70keV) / 30）。 为评估测量的一致性，随机选取30名患者（15名应答者，15名无应答者）由一名医师间隔一月测量两次评估观察者内一致性，由另一名医师测量一次评估观察者间一致性。
3. 预测模型构建与评估： 在主要集（120例）中，首先进行单因素逻辑回归分析，筛选与NAC反应（应答 vs. 无应答）显著相关的临床和CT参数。然后将单因素分析中P值<0.05的变量纳入多因素逻辑回归分析，以确定预测NAC反应的独立影响因素。 基于多因素分析确定的独立预测因子，构建了三个预测模型： * 临床模型： 仅包含临床病理独立预测因子。 * 能谱CT模型： 仅包含能谱CT定量参数的独立预测因子。 * 列线图模型： 整合所有独立的临床和能谱CT预测因子，以图形化方式展示各因素对预测结果的贡献度。 使用受试者工作特征曲线下面积（Area Under the Curve, AUC）评估各模型的区分能力。通过校准曲线和Hosmer-Lemeshow检验评估模型的校准度（预测概率与实际概率的一致性）。通过决策曲线分析（Decision Curve Analysis, DCA）评估模型的临床净获益。所有模型均在独立的验证集（52例）中进行性能验证。使用DeLong检验比较不同模型AUC的差异。
四、 主要研究结果
1. 测量一致性与基线特征： 观察者内和观察者间一致性分析显示，所有能谱CT参数的组内相关系数（ICC）均大于0.75，表明测量具有极好的一致性，保证了后续分析的可靠性。主要集与验证集在临床和CT参数上无显著差异，表明随机分组合理。在两组数据中，应答者与非应答者的比较显示，应答者的NLR值显著更低（P<0.05），临床分期更早（I-II期比例更高，P<0.001），静脉期Zeff（Zeff-VP）和静脉期IC（IC-VP）值显著更高（P<0.05）。此外，在主要集中，应答者的静脉期NIC（NIC-VP）也显著更高。
2. 独立预测因子的确定： 在主要集的多因素逻辑回归分析中，最终确定了四个对NAC反应具有独立预测价值的因素： * 中性粒细胞与淋巴细胞比值（NLR）： OR值为0.667（95% CI: 0.413–0.916），P=0.034。较低的NLR预示着更好的NAC反应。 * 临床分期（I-II期 vs. III-IV期）： OR值为0.155（95% CI: 0.059–0.404），P<0.001。更早的临床分期预示着更好的NAC反应。 * 静脉期有效原子序数（Zeff-VP）： OR值为2.747（95% CI: 1.370–5.506），P=0.004。较高的Zeff-VP值预示着更好的NAC反应。 * 静脉期归一化碘浓度（NIC-VP）： OR值为2.129（95% CI: 1.311–3.057），P=0.030。较高的NIC-VP值预示着更好的NAC反应。 值得注意的是，单因素分析中显著的IC-VP在多因素分析中未被保留，而NIC-VP因其通过主动脉校准减少了个体差异，显示出更强的独立预测能力。
3. 预测模型的性能： 基于上述四个独立预测因子构建的列线图模型，在预测性能上显著优于单一的临床模型或能谱CT模型。 * 在主要集中： 列线图模型的AUC最高，达到0.825（95% CI: 0.746–0.895），灵敏度为85.0%，特异度为71.3%。临床模型和能谱CT模型的AUC分别为0.694和0.731。DeLong检验显示，列线图的AUC显著高于临床模型（P<0.001）和能谱CT模型（P=0.042）。 * **在验证集中：** 列线图模型同样表现出最佳的预测效能，AUC为0.794（95% CI: 0.635–0.918），灵敏度为66.7%，特异度为85.3%。其AUC显著高于临床模型（P=0.036）和能谱CT模型（P=0.046）。 校准曲线显示所有模型拟合良好（Hosmer-Lemeshow检验P>0.05）。决策曲线分析进一步证明，在广泛的阈值概率范围内（主要集：0.12-1.0；验证集：0.21-0.80），列线图模型能提供比单一模型更高的临床净获益，意味着使用该模型指导临床决策能为患者带来更多益处。
五、 研究结论与价值
本研究成功开发并验证了一个基于治疗前能谱CT的列线图模型，该模型整合了NLR、临床分期、Zeff-VP和NIC-VP四个指标，能够有效、无创地预测局部晚期食管鳞癌患者对新辅助化疗的病理反应。
科学价值与应用意义： 1. 提供了一种创新的无创预测工具： 该列线图将易于获取的临床信息（NLR、分期）与先进的能谱CT定量参数相结合，实现了在NAC开始前对疗效的个体化预测，弥补了传统病理评估滞后、有创的不足。 2. 揭示了新的影像学生物标志物： 研究明确了静脉期有效原子序数（Zeff-VP）和归一化碘浓度（NIC-VP）是预测化疗反应的独立影像学因素。Zeff反映了肿瘤组织的元素构成异质性，而NIC反映了肿瘤的相对血供。较高的Zeff-VP和NIC-VP可能意味着肿瘤具有更丰富的血供和不同的物质组成，这可能与更好的化疗药物输送和疗效相关。 3. 指导个体化治疗决策： 临床医生可以利用该列线图在治疗前评估患者属于“高应答可能性”或“低应答可能性”。对于预测为低应答（高风险）的患者，可以考虑调整治疗方案，例如直接手术，或采用联合免疫治疗、放疗等多模式治疗策略，避免无效化疗带来的毒副作用和治疗延误，从而实现真正的“精准医疗”。 4. 验证了炎症指标（NLR）和临床分期的预测价值： 进一步证实了全身炎症状态（低NLR）和早期肿瘤分期是良好化疗反应的有利因素，为临床评估提供了简单易行的参考。
六、 研究亮点
七、 其他有价值的内容与局限性
研究团队在讨论部分对结果进行了深入的生物学解释。例如，他们指出较高的IC和NIC可能反映了肿瘤更好的血流灌注和氧合状态，而缺氧环境会促进基因不稳定性，导致肿瘤对放化疗抵抗。Zeff的差异仅在增强期显著，可能与应答者肿瘤血管生成更丰富、对比剂碘对组织原子序数的影响更大有关。低NLR反映了更有利的全身免疫炎症状态。
同时，作者也客观指出了本研究的局限性：1) 单中心回顾性研究，样本量相对有限，可能存在选择偏倚；2) 未评估淋巴结对化疗的反应预测；3) 使用的是特定厂商的能谱CT设备，结论在其他设备上的普适性有待验证；4) 部分对NAC无应答或进展的患者可能失访或接受了其他治疗，未被纳入分析。针对这些局限，作者建议未来应开展大规模、多中心的前瞻性研究进行验证，并探索该模型在预测淋巴结反应以及联合其他治疗模式（如免疫治疗）中的应用价值。