学术研究报告：基于能谱CT参数及临床特征构建非小细胞肺癌PD-L1表达的列线图预测模型
一、 研究作者、机构与发表信息
本研究由兰州大学第二医院放射科/兰州大学第二临床医学院/甘肃省医学影像重点实验室/医学影像人工智能甘肃省国际科技合作基地的朱凯博、邓靓娜、王海升、刘建强、雒攀、周俊林团队完成。通信作者为周俊林博士。该研究成果以《基于能谱ct参数及临床特征构建非小细胞肺癌pd-l1表达的列线图预测模型》为题，发表于《中国医学物理学杂志》（Chinese Journal of Medical Physics）2025年4月第42卷第4期。文章编号为1005-202x（2025）04-0443-07。
二、 学术背景与研究目的
本研究属于医学影像学与肿瘤免疫治疗交叉领域，具体聚焦于利用先进的影像组学技术解决临床肿瘤学中的关键问题。
科学背景： 非小细胞肺癌（Non-Small Cell Lung Cancer, NSCLC）是肺癌最常见的亚型，预后较差。以程序性死亡蛋白1（PD-1）/程序性死亡配体1（PD-L1）抑制剂为代表的免疫疗法已成为NSCLC的重要治疗选择。然而，PD-L1表达的检测目前主要依赖于活检或手术标本的免疫组化分析，这是一种有创操作，存在出血、气胸等并发症风险，且存在肿瘤异质性导致的取样偏差问题。因此，开发一种无创、术前预测PD-L1表达水平的方法具有重要的临床需求。
计算机断层扫描（CT）是肺癌筛查和诊断中最常用的无创影像手段。能谱CT（Spectral CT）作为一种新兴技术，超越了传统CT仅提供形态学信息的局限，能够提供包括有效原子序数（Effective Atomic Number, Eff-Z）、碘浓度（Iodine Concentration, IC）、水浓度（Water Concentration, WC）等定量参数。这些参数可以反映组织的物质成分和血流灌注情况，已在肿瘤鉴别诊断、病理分型、疗效评估等方面展现出潜力。列线图（Nomogram）是一种将多因素回归分析结果可视化的统计模型，能够整合多个预测指标，量化个体患病风险或特定生物标志物表达的概率，便于临床医生进行个体化评估。
研究目的： 本研究旨在探究NSCLC患者的临床特征、常规CT征象及能谱CT定量参数与PD-L1表达水平之间的关联。最终目标是筛选出能够独立预测PD-L1表达的指标，并基于这些指标构建一个列线图预测模型，以期在术前无创地、个体化地预测NSCLC患者的PD-L1表达状态，为临床制定免疫治疗策略提供影像学依据。
三、 详细研究流程与方法
本研究是一项单中心回顾性研究，其工作流程严谨，可分为以下几个主要步骤：
1. 研究对象纳入与分组： 研究者回顾性收集了2021年4月至2023年12月期间在兰州大学第二医院就诊的NSCLC患者。纳入标准包括：（1）经手术或穿刺活检病理证实为NSCLC，并进行了PD-L1免疫组化检测；（2）术前接受了胸部能谱CT增强扫描，且未接受任何治疗；（3）临床及影像资料完整。排除标准为：（1）CT扫描与手术/活检间隔超过两周；（2）CT图像质量不佳。最终，共纳入52例患者，其中男性35例，女性17例，年龄范围41-76岁。根据PD-L1免疫组化结果（肿瘤比例评分TPS，以TPS≥1%为阳性，TPS%为阴性），将患者分为PD-L1阳性组（27例）和PD-L1阴性组（25例）。
2. 临床、影像及病理数据采集： * 临床信息收集： 从病历系统中提取患者的性别、年龄、Ki-67增殖指数、肿瘤标志物（如癌胚抗原、神经元特异性烯醇化酶等）信息。 * 常规CT征象评估： 由一名具有5年胸部影像诊断经验的放射科医师在不知晓病理结果的情况下，对CT图像进行评估。评估的征象包括：肿瘤密度（均匀/不均匀）、边界（清楚/模糊）、钙化征、毛刺征、分叶征、胸膜凹陷征、支气管充气征、空洞征、毛玻璃样密度影、血管集束征、阻塞性肺不张和胸腔积液。 * 能谱CT扫描与参数测量： 所有患者均使用GE Discovery CT 750 HD扫描仪在宝石能谱成像（Gemstone Spectral Imaging, GSI）模式下进行扫描。采用双期增强扫描（动脉期、静脉期）。图像分析在AW 4.7后处理工作站上进行。由同一位医师在肿瘤最大层面及相邻两个层面，于动脉期和静脉期图像上分别手动勾画感兴趣区域（Region of Interest, ROI），避开坏死、钙化及大血管区域。每个病灶测量三次取平均值。测量的能谱参数包括：有效原子序数（Eff-Z）、碘浓度（IC）、水浓度（WC）。同时，测量同层面胸主动脉的IC，并计算标准化碘浓度（Normalized Iodine Concentration, NIC），公式为NIC = 病灶IC / 主动脉IC。 * 病理数据确认： PD-L1表达水平通过免疫组化法检测，以TPS作为评判标准，并据此进行分组。
3. 统计学分析与模型构建： * 单因素分析： 使用SPSS 27.0软件进行统计分析。计量资料符合正态分布者采用独立样本t检验，不符合者采用Mann-Whitney U检验；分类变量采用卡方检验或Fisher精确概率法。比较PD-L1阳性组与阴性组在临床信息、常规CT征象及各期能谱CT参数（Eff-Z、IC、WC、NIC）上的差异。P值<0.05被认为具有统计学意义。 * 多因素分析与独立预测因子筛选： 将单因素分析中具有统计学差异的变量纳入多因素Logistic回归分析（采用向前逐步法），以筛选出PD-L1表达的独立预测因素。 * 列线图模型构建与验证： 基于多因素分析筛选出的独立预测因子，构建预测PD-L1表达的列线图模型。 * 模型性能评估： 采用多种方法全面评估模型的效能： * 区分度： 绘制受试者工作特征（Receiver Operating Characteristic, ROC）曲线，计算曲线下面积（Area Under Curve, AUC）、敏感度、特异度及最佳截断值。 * 校准度： 绘制校准曲线（Calibration Curve），评估模型预测概率与实际观测概率之间的一致性。 * 临床实用性： 绘制决策曲线（Decision Curve Analysis, DCA），分析模型在不同风险阈值下的临床净收益，以判断其临床应用价值。
四、 主要研究结果及其逻辑关联
1. 临床信息与常规CT征象分析结果： 在纳入分析的临床信息中，仅有性别在PD-L1阳性组与阴性组之间存在统计学差异（P=0.024）。PD-L1阳性组中男性比例（81.5%）显著高于阴性组（52.0%）。而年龄、Ki-67指数及各项肿瘤标志物阳性率在两组间均无显著差异。所有评估的常规CT形态学征象（如毛刺征、分叶征、胸膜凹陷征等）在两组间的分布也无统计学差异。 这一结果初步提示，传统的临床信息和CT形态学特征对于区分PD-L1表达状态的效用有限。
2. 能谱CT定量参数分析结果： 这是本研究的核心发现之一。在动脉期和静脉期，PD-L1阳性组的多个能谱定量参数均显著高于阴性组： * 动脉期： PD-L1阳性组的Eff-Z、IC、NIC值均大于阴性组（P值均<0.05），而WC值无差异。 * 静脉期： 同样，PD-L1阳性组的Eff-Z、IC、NIC值显著高于阴性组（P值分别为0.002, 0.003, 0.016），WC值无差异。 结果解读与逻辑关联： IC和NIC直接反映了组织的碘摄取能力，与血供丰富程度密切相关；Eff-Z代表了组织的平均原子序数，碘的原子序数较高，因此富碘组织（血供丰富）通常具有更高的Eff-Z。本研究结果表明，PD-L1表达阳性的NSCLC病灶，在动脉期和静脉期都表现出更丰富的血供（更高的IC、NIC）和更高的组织有效原子序数（更高的Eff-Z）。这为利用能谱CT功能参数无创评估PD-L1状态提供了直接证据。这些有差异的参数被作为候选变量进入下一步的多因素分析。
3. 多因素Logistic回归分析结果： 将上述有统计学意义的变量（性别、动脉期和静脉期的Eff-Z、IC、NIC）纳入多因素分析后，最终筛选出三个独立预测因子： 1. 性别（P=0.024）：男性是PD-L1阳性表达的危险因素。 2. 静脉期有效原子序数（Eff-Z-V， P=0.002） 3. 静脉期碘浓度（IC-V， P=0.003） 结果解读： 多因素分析控制了变量间的相互影响，确定了性别、静脉期Eff-Z和静脉期IC是预测PD-L1表达的最核心、独立的指标。动脉期的参数未能进入最终模型，可能提示静脉期的血流动力学信息对于预测PD-L1状态更具特异性或稳定性。
4. 列线图模型构建与性能评估结果： 基于上述三个独立预测因子，研究者构建了术前预测NSCLC患者PD-L1表达水平的列线图模型。 * 区分度（ROC分析）： 该列线图模型的AUC为0.80（95% CI: 0.68-0.92），表明模型具有较好的判别能力。模型的敏感度为88.00%，特异度为59.00%。 * 校准度（校准曲线）： 校准曲线显示模型的预测概率与实际观测概率具有较高的一致性，说明模型预测结果较为准确可靠。 * 临床实用性（决策曲线）： 决策曲线分析显示，当高风险阈值（即认为患者PD-L1阳性的概率阈值）设置在0.10至0.83的广泛区间内时，使用该列线图模型来指导临床决策（如选择是否进行免疫治疗）比“全部治疗”或“全部不治疗”的策略能获得更大的临床净收益。 结果解读与贡献： 这些评估结果共同表明，该研究构建的列线图模型不仅具有较好的预测准确性（AUC=0.80），而且预测结果可靠（校准曲线佳），更重要的是在广泛的决策阈值范围内具有明确的临床应用价值（DCA显示正净收益），为医生提供了一个直观、量化的术前预测工具。
五、 研究结论与价值意义
结论： 本研究证实，性别（男性）以及能谱CT静脉期的定量参数（较高的有效原子序数Eff-Z和较高的碘浓度IC）是NSCLC患者PD-L1阳性表达的独立预测因素。基于这三个因素构建的列线图模型，能够在术前无创地、个体化地预测NSCLC的PD-L1表达水平，且模型显示出良好的预测效能和临床实用性。
价值与意义： 1. 科学价值： 本研究从影像功能学角度揭示了PD-L1表达阳性肿瘤的生物学特征——即更高的血供和物质组成特性（反映为更高的Eff-Z和IC）。这为理解肿瘤免疫微环境与影像表型之间的关联提供了新的证据，丰富了肿瘤影像基因组学的内涵。 2. 临床应用价值： * 无创预测： 提供了一种替代或补充有创活检的术前预测方法，有助于规避活检风险及取样误差。 * 辅助决策： 临床医生可以在获得病理结果前，利用该模型对患者的PD-L1表达状态进行初步评估，为早期讨论免疫治疗可能性提供参考，有助于制定更及时、个性化的治疗策略。 * 工具直观： 列线图形式简单直观，只需将患者的性别、静脉期Eff-Z和IC值对应到评分轴，相加后即可得到PD-L1阳性的预测概率，易于在临床实践中推广使用。
六、 研究亮点
七、 其他有价值的讨论与局限性
研究者在讨论部分对结果进行了深入阐释。他们推测PD-L1高表达肿瘤血供更丰富的原因可能包括：PD-L1阳性肿瘤细胞通过抑制T细胞功能逃避免疫监视，可能营造了更有利于血管生成和肿瘤生长的微环境；同时，也有研究表明PD-L1阳性肿瘤细胞对碘的摄取和代谢能力可能增强，以满足其快速增殖的能量需求。这些假设将影像发现与潜在的肿瘤生物学机制联系起来。
同时，作者也客观指出了本研究的局限性： 1. 回顾性设计与样本量： 作为单中心回顾性研究，可能存在选择偏倚。52例的样本量相对较小，可能影响统计效能和模型的泛化能力。 2. 缺乏外部验证： 模型仅在内部数据集上进行了验证，缺乏独立的外部验证队列来证实其普适性。作者在文中明确表示，未来需要通过扩大样本量、进行多中心前瞻性研究以及增加外部验证组来进一步巩固结论。
尽管如此，这项研究为术前无创预测NSCLC的PD-L1表达状态提供了有前景的新思路和初步有效的工具，推动了影像学在肿瘤精准免疫治疗中的应用。