基于预处理CT纹理分析预测晚期非小细胞肺癌患者免疫治疗生存结局的系统评价与荟萃分析学术报告
一、 研究团队与发表信息 本研究由来自中国台湾台北医学大学双和医院放射科及台北医学大学医学院放射科的研究团队完成。主要作者包括Yao-Ren Zhang, Yueh-Hsun Lu, Che-Ming Lin，通讯作者为Jan-Wen Ku。该研究成果以题为《Pretreatment CT Texture Analysis for Predicting Survival Outcomes in Advanced Nonsmall Cell Lung Cancer Patients Receiving Immunotherapy: A Systematic Review and Meta-Analysis》的原创性文章形式，于2025年发表于学术期刊《Thoracic Cancer》。
二、 学术背景与研究目的 本研究属于肿瘤学、放射组学与精准医学交叉领域。近年来，以免疫检查点抑制剂（Immune Checkpoint Inhibitors， ICIs）为代表的免疫疗法彻底改变了晚期非小细胞肺癌（Nonsmall Cell Lung Cancer， NSCLC）的治疗格局。然而，仅部分患者能从免疫治疗中长期获益，反应率在15%至45%之间。现有的预测生物标志物，如程序性死亡配体-1（PD-L1）表达和肿瘤突变负荷（Tumor Mutational Burden， TMB），存在空间/时间异质性、技术变异性以及与临床反应不完全一致等局限性。因此，迫切需要开发补充性的预测工具以优化患者选择。
医学影像，特别是计算机断层扫描（Computed Tomography， CT），在NSCLC的诊断和疗效评估中不可或缺。放射组学作为一种新兴的非侵入性技术，能够从医学图像中高通量提取定量特征，表征肿瘤的表型异质性。其中，CT纹理分析作为放射组学的一个子集，专注于量化肿瘤内部的空间异质性模式。越来越多的证据表明，治疗前的CT纹理特征可能与肿瘤免疫微环境特性相关，并预测对免疫治疗的反应。然而，现有研究多为单中心、回顾性设计，在方法学、特征选择和样本量上存在较大异质性，限制了结论的普适性和临床转化。
基于此，本研究旨在通过系统评价与荟萃分析，综合评估治疗前定量CT纹理分析是否能有效预测接受免疫治疗的晚期NSCLC患者的生存结局，从而为临床决策提供循证依据。
三、 详细研究流程与方法 本研究严格遵循了系统评价与荟萃分析的首选报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses， PRISMA）指南，流程严谨、透明。
流程一：系统检索与筛选 研究团队系统检索了PubMed和Cochrane Library数据库（截至2025年5月），使用了涵盖“NSCLC”、“晚期”、“转移”、“放射组学”、“纹理分析”、“免疫治疗”、“ICI”等关键词的组合策略。初始检索获得251篇相关记录。在去除157篇重复文献后，对94篇文献的标题和摘要进行筛选。经初步筛选，排除77篇，对剩余的17篇文献进行全文评估。最终，根据预先设定的严格纳入与排除标准，有10篇研究被纳入最终的荟萃分析，共计涉及2400名患者。纳入标准包括：原始回顾性研究；患者为接受ICI治疗的晚期/转移性NSCLC成人；使用免疫治疗开始前4-8周内的预处理CT进行定量纹理分析；清晰描述纹理分析方法；至少纳入一个传统的生存预测因子（如PD-L1表达）。排除标准包括：非研究性文章、重复发表、非NSCLC研究、未报告生存结局或随访不足3个月的研究。
流程二：数据提取与质量评估 由两名独立评审员从符合条件的研究中提取数据，包括研究特征（作者、年份、设计、样本量）、患者人口统计学资料、ICI治疗细节、纹理分析方法学以及结局指标（无进展生存期[Progression-Free Survival， PFS]和总生存期[Overall Survival， OS]）。分歧通过协商或第三位评审员解决。 研究方法学质量使用预后研究质量评估（Quality In Prognosis Studies， QUIPS）工具进行评估。该工具从六个领域（研究参与、研究流失、预后因素测量、结局测量、研究混杂、统计分析）评估偏倚风险。结果显示，大多数研究在多数领域呈现低偏倚风险，约80%的研究在所有领域均为低风险，中度风险主要集中在参与偏倚（20%）和混杂偏倚（40%）领域，无研究被评定为高风险。这表明纳入研究的整体方法学质量较高，结果较为可靠。
流程三：统计分析 研究采用逆方差加权随机效应模型进行荟萃分析。主要效应指标为风险比（Hazard Ratio， HR）及其95%置信区间（Confidence Interval， CI）。通过Cochran’s Q检验和I²统计量评估研究间的异质性：I²<25%为轻度异质性，25%-50%为中度，>50%为重度。总体效应的显著性检验采用Z统计量，P值<0.0001被认为具有统计学意义。数据分析和图形绘制通过MetaAnalysisOnline.com等在线工具辅助完成。
四、 主要研究结果 结果一：纳入研究特征 最终纳入的10项研究均为回顾性设计，共分析了2400例接受ICI治疗的晚期NSCLC患者。患者群体以男性为主，中位年龄58-69岁，多数为IIIB-IV期疾病。大多数研究评估了抗PD-1/PD-L1单药治疗。纹理分析方法多样，包括使用商业软件包（如TexRAD、LIFEx、PyRadiomics）和定制开发的方法（如深度学习模型）。所有研究均根据实体瘤疗效评价标准（RECIST）1.1或免疫相关RECIST（irRECIST）进行疗效评估。
结果二：放射组学特征与风险分层方法 纳入研究在放射组学特征选择和风险分层模型构建上呈现出显著的多样性，这反映了该领域的活跃探索状态。提取的特征类型涵盖多个类别： 1. 灰度共生矩阵（Gray-Level Co-occurrence Matrix， GLCM）特征：如熵（Entropy， 反映随机性/异质性）、相异性（Dissimilarity）等，用于描述像素强度的空间关系。 2. 一阶统计特征：如偏度（Skewness， 反映强度分布不对称性）、峰度（Kurtosis， 反映分布峰态）等，描述像素强度的直方图分布。 3. 灰度游程矩阵（Gray-Level Run-Length Matrix， GLRLM）特征：评估图像中连续相同灰度级像素的运行长度。 4. 灰度区域大小矩阵（Gray-Level Size Zone Matrix， GLSZM）特征：评估相同灰度级连通区域的大小分布。 5. 小波变换特征：通过小波变换分解图像后提取的特征，能捕获多尺度纹理信息。 6. 深度学习衍生特征：例如，有研究使用3D卷积神经网络（Convolutional Neural Network， CNN）的U-Net解码器潜在空间生成96个特征图，或开发了整合时间序列放射组学与临床数据的SIMTA深度学习模型。
风险分层方法同样多样，包括传统统计方法（如逻辑回归、LASSO回归、支持向量机）和先进机器学习算法（如随机森林、弹性网络回归、深度学习网络）。尽管方法学存在异质性，但所有研究均成功地将患者分为具有显著临床生存差异的低风险组和高风险组。
结果三：CT纹理分析对生存结局的预测性能 在个体研究层面，7项研究（共1320例患者）报告了基于CT纹理特征的OS分层结果。所有研究均显示，被归类为低风险的患者中位OS（范围：18.9至35.8个月）显著优于高风险患者（范围：5.0至11.5个月），HR值均小于1，P值均具统计学意义。 同样，7项研究（共报告1952个结局）报告了PFS分层结果，低风险组中位PFS（范围：4.0至12.1个月）同样显著长于高风险组（范围：1.5至6.1个月）。HR值在0.32至0.67之间，意味着低风险组疾病进展或死亡的风险降低了33%至68%。
结果四：荟萃分析结果 研究对报告了HR值的OS和PFS数据分别进行了定量荟萃分析。 * 总生存期（OS）分析：纳入5项研究（1102例患者）。汇总分析显示，与高风险患者相比，基于CT纹理分析被归类为低风险的患者具有显著更优的OS（汇总HR: 0.48， P<0.0001）。异质性评估显示研究间变异极小（I² = 0.0%， P = 0.7766），表明CT纹理分析的预后效应在不同研究人群和方法学中高度一致。 * 无进展生存期（PFS）分析：纳入5项研究（1799例患者）。汇总分析同样显示，具有有利CT纹理特征的患者PFS显著延长（汇总HR: 0.45， P<0.0001）。但PFS分析中观察到了中度至重度的异质性（I² = 71.7%， P = 0.0068）。作者分析这可能源于各研究在疗效评估方法、CT采集参数、纹理分析技术和免疫治疗方案等方面的差异。尽管如此，所有研究的HR值均一致地支持低风险组获益。
结果五：发表偏倚评估 通过漏斗图评估发表偏倚。OS分析的漏斗图分布相对对称，未发现明显的发表偏倚证据。PFS分析的漏斗图显示出更广泛的水平分散和一定的不对称性，这可能与上述较高的异质性有关，而非单纯的发表偏倚。
五、 研究结论与价值 本研究通过系统评价与荟萃分析，提供了强有力的证据，证明治疗前定量CT纹理分析能够有效预测接受免疫治疗的晚期NSCLC患者的生存结局。基于多样化放射组学特征（包括GLCM、一阶统计、GLRLM及深度学习特征）的风险分层，可将患者划分为具有显著临床意义的不同预后组别，低风险组患者的中位OS和PFS均显著优于高风险组。
科学价值与应用意义： 1. 提供补充性非侵入性生物标志物：CT纹理分析作为一种非侵入性、基于常规影像的补充工具，能够捕获整个肿瘤体积的空间异质性信息，弥补了组织活检可能存在的取样偏差以及PD-L1、TMB等现有生物标志物的部分局限性。它可与病理标志物、分子谱分析和液体活检等技术形成多模态生物标志物策略，共同优化个性化治疗选择。 2. 揭示潜在生物学关联：研究结果暗示，特定的CT纹理模式可能与肿瘤免疫微环境特征（如肿瘤浸润淋巴细胞密度、免疫基因通路激活）相关联，这为理解影像表型与免疫生物学之间的关联提供了线索。 3. 指导临床决策：该分析为临床医生提供了一个潜在的工具，可以在治疗前识别出最有可能从免疫治疗中长期获益或面临快速进展风险的患者，从而辅助治疗决策的制定，例如考虑对高风险患者采用更积极的联合治疗策略或更密切的监测。 4. 推动放射组学标准化：研究明确指出了当前领域存在的方法学异质性及其局限性，强调了未来开展前瞻性研究、标准化CT采集协议、放射组学特征提取流程和验证方法的必要性，以促进该技术的临床转化。
六、 研究亮点 1. 高质量的证据综合：作为首个聚焦于晚期NSCLC免疫治疗背景下CT纹理分析预测生存结局的系统评价与荟萃分析，本研究通过严格的PRISMA流程和QUIPS质量评估，整合了来自10项研究、2400名患者的数据，提供了当前最高级别的循证医学证据。 2. 明确且一致的预后价值：尽管纳入研究在特征选择和建模方法上存在差异，但荟萃分析（尤其是OS分析）显示出极低的异质性和高度一致的显著预后价值（HR~0.5），强有力地证实了CT纹理分析在这一临床场景下的有效性。 3. 对临床意义的深入阐述：研究不仅报告了统计显著性，还详细阐述了低风险组与高风险组之间中位生存期的绝对差异（如OS相差约10-30个月），这比单纯的HR值更能体现其临床相关性，并探讨了作为补充工具整合入现有临床路径的潜力。 4. 全面的局限性分析与未来方向指引：研究坦诚地讨论了回顾性设计、方法学异质性、潜在的发表偏倚等局限性，并明确提出了未来需要前瞻性验证、方法学标准化等关键研究方向，体现了科学的严谨性。
七、 其他有价值内容 研究在讨论部分还指出，不同研究中成功的放射组学特征各不相同，这可能意味着多种不同的影像表型都能预测良好的免疫治疗结局。例如，肿瘤异质性、血管结构、组织排列等多种微环境特征都可能被不同的放射组学方法所捕获。这种“殊途同归”的现象，一方面支持了放射组学作为生物标志物平台的稳健性，另一方面也凸显了深入探索最优特征集和其背后生物学解释的重要性。此外，研究简要提及了纹理分析可能用于动态监测治疗过程中肿瘤特征的变化，这为未来开发动态预测模型指明了方向。