这是一篇原始研究论文的学术报告：
本文的主要作者为Panwen Tian、Bingxi He、Wei Mu等，分别来自四川大学华西医院呼吸与危重症医学科、肺癌治疗中心，中国科学院大学电子电气与通信工程学院，北京航空航天大学、北京分子影像中心等多个研究机构。该研究成果发表在Theranostics期刊2021年第11卷第5期，发布时间为2021年1月1日，DOI为10.7150/thno.48027。
肺癌是全球癌症死亡的主要原因，其中非小细胞肺癌（NSCLC）约占所有原发性肺癌的80-85%。随着免疫检查点抑制剂（ICIs）的引入，治疗NSCLC的策略发生了显著变化，特别是靶向PD-1和PD-L1的治疗方法。然而，仅有一小部分患者对免疫治疗有持久反应。因此，迫切需要预测性的生物标志物来筛选可能对免疫治疗产生反应的患者。
PD-L1（程序性死亡配体1）作为一个重要的免疫检查点，与肿瘤微环境中的T细胞相互作用并抑制T细胞活性，是目前唯一一个通过免疫组织化学（IHC）检测并被批准用于NSCLC免疫治疗的诊断性生物标志物。然而，IHC检测由于取样偏倚（如肿瘤内部异质性）、动态特性以及不同抗体和平台使用的差异使得结果解读更为困难。为了克服上述问题，研究者提出使用影像组学方法，通过计算机断层扫描（CT）图像非侵入性地全面预测PD-L1表达水平，进而推断免疫治疗的临床疗效。
本研究旨在开发一个基于深度学习的放射组学模型，通过CT图像预测PD-L1的高表达水平（≥50%），并验证其对患者免疫治疗疗效的预测能力。
研究分两个数据集进行。PD-L1表达数据集包含939例IIIB-IV期NSCLC患者的预治疗CT图像及PD-L1免疫组化检测数据；免疫治疗数据集包含94例接受以PD-1抗体pembrolizumab为基础的治疗的IV期NSCLC患者。
两数据集分别采集如下临床特征：年龄、性别、吸烟史，以及肿瘤家族史。在PD-L1表达数据集中，训练集、验证集和测试集比例为8:1:1，分组后分别包含750人、93人和96人。
所有的CT图像分辨率统一至1×1×1mm³，并由经验丰富的呼吸科专家勾画主肿瘤病灶的感兴趣区域（ROI），并稍加扩展5个像素以减少ROI划定的偏差。上下邻近切片也被同时提取，以增加训练样本量。所有ROI区域均被调整为112×112像素。通过K近邻算法填补缺失的临床特征值，并对数据进行标准化以便模型学习。
研究建构了一个深度学习模型，模型结构包括三部分：基于DenseNet121建立的深度学习特征提取模块、传统放射组学特征提取模块，以及基于全连接分类层的分类器模块。
对于第一个模块，研究从CT肿瘤区域切片中提取深度学习特征；对于第二模块，研究计算了1316个基于多种滤波器的影像组学特征。随后，研究将影像组学特征、深度学习特征与经标准化的临床数据融合，并通过模型输出PD-L1表达的概率值即PD-L1ES。最后，通过交叉熵损失函数和Adam优化算法完成了模型的训练。
根据PD-L1ES，将患者分为高风险组（PD-L1ES > 0.66）和低风险组（≤ 0.66），并利用Kaplan-Meier曲线分析两组的无进展生存期（PFS），同时进行单变量与多变量Cox回归分析。研究还尝试将PD-L1ES与临床模型整合，探讨联合模型的预测能力。
PD-L1ES在训练集、验证集和测试集中的ROC曲线下面积（AUC）分别为0.78、0.71和0.76，均显著优于仅基于深度学习特征、放射组学特征或临床特征的单一模型（p < 0.0001）。同时，决策曲线分析也进一步证明了PD-L1ES的良好效能。
在免疫治疗数据集中，Kaplan-Meier分析显示低风险组患者的中位PFS为363天，高风险组为183天，差异显著（p = 0.010）。进一步分组发现，PD-L1ES在单用抗PD-1治疗和抗PD-1联合化疗治疗的患者中均能显著区分高、低风险组。
将PD-L1ES与临床模型联合后，组合模型表现出明显的优势，其高、低风险组患者的中位PFS分别为122天与363天（p < 0.001），并在单用抗PD-1治疗（p = 0.016）以及抗PD-1联合化疗治疗（p = 0.003）的亚组中均显示出良好的分层效果。
本研究开发的PD-L1ES提供了一种基于CT图像的非侵入性工具，用于预测NSCLC患者肿瘤中PD-L1的高表达及其对免疫治疗的潜在反应。这种方法不仅弥补了传统组织学检测的取样偏倚，同时能够动态地反映肿瘤异质性及治疗反应，为精准医疗提供了支持。此外，该签名与临床特征的整合分析更是显著提高了对患者预后的预测能力。
在研究意义方面，此模型可用于帮助制定个性化治疗策略，筛选适宜接受免疫治疗的患者，从而提高疗效并优化医疗资源利用。
未来，研究计划纳入更多患者，通过回顾与前瞻性相结合的方式优化和验证该模型，争取广泛应用于临床实际。