来源：医博士 | 2023-02-21
最近的研究表明，使用免疫检查点抑制剂（ICIs）的免疫疗法对各种类型的癌症患者非常有效。一些ICI，包括抗程序性细胞死亡蛋白-1（PD1）和抗程序性死亡蛋白配体-1（PDL1）抗体，已被批准用于治疗实体瘤，如肺癌、肝癌、胃肠道癌、膀胱癌、肾癌和黑色素瘤。尽管ICI在癌症管理方面表现出了希望，但在优化其效益方面仍存在一些挑战。值得注意的是，临床环境中对ICI治疗的反应通常很低，这突出表明需要确定最可能从ICI中获益的患者，以降低风险并最大限度地提高效率。
目前，国内外多个研究小组专注于开发ICI反应的有效预测因子。一些研究已将体重指数（BMI）、性别和年龄等临床特征确定为有前景的预测因素，因为它们与免疫疗法的反应相关。然而，来自肿瘤微环境的预测因子仍然是最被接受的指标。
在临床实践中，通常推荐肿瘤PDL1表达、微卫星不稳定性状态和肿瘤突变负荷作为指导免疫治疗患者选择的标准。尽管这些标准在癌症免疫治疗中发挥着重要作用，但在不同的癌症类型和不同程度的侵袭性中，这些标准的预测性能不同，限制了它们的临床应用。
放射组学是一种新兴的技术，可以从医学图像中提取定量的高维数据。研究通过放射组学产生的肿瘤衍生数据能够提供与肿瘤生物学相关的关键信息。利用放射组学数据，可以开发新的成像生物标志物，用于患者分类和治疗反应预测，从而更好地实现癌症的个性化管理。由于免疫疗法的反应高度依赖于肿瘤微环境，因此有可能利用与肿瘤生物学相关的放射组学特征进行早期预测。
为了检验使用基于放射组学的工具预测免疫治疗结果的可行性，本研究对ICI治疗的患者进行了一项真实世界的研究。在这项研究中，开发并验证了一个基于普通CT的模型，用于预测实体癌患者对ICI治疗的反应，并探讨了构建模型的临床意义，旨在为个性化癌症治疗提供支持。
2019年10月至2021年10月，接受ICIs治疗的实体瘤患者的数据被随机分为训练组和验证组。从肿瘤的预处理CT图像中提取放射特征。在特征选择之后，基于最小绝对收缩和选择算子回归模型构建放射组学特征，并将特征和临床因素纳入放射组学诺模图。通过训练组和验证组评估模型性能。Kaplan-Meier方法用于可视化与生存率的关联。
分别有122名和30名患者的数据分配在训练组和验证组中。放射组学特征和诺模图均显示出良好的反应状态区分，曲线下面积（AUC）对于训练组分别为0.790和0.814，对于验证组分别为0.831和0.847。校准评估表明两种模型的拟合优度，而决策曲线表明临床应用是有利的。两种模型均与验证组患者的总体生存率相关。
综上，本研究开发了一种基于非侵入性放射组学的模型，用于早期识别ICI治疗的实体瘤患者的反应潜力。放射组学特征（有或无临床因素）与患者免疫治疗后的反应和生存率相关，因此突出了本模型在改善个性化免疫治疗的临床决策方面的潜力。然而，在前瞻性大样本研究进一步验证之前，应谨慎地将结果应用于临床实践。
医博士编译自：Yu Y, Bai Y, Zheng P, et al. Radiomics-based prediction of response to immune checkpoint inhibitor treatment for solid cancers using computed tomography: a real-world study of two centers. BMC Cancer. 2022; 22(1):1241. doi:10.1186/s12885-022-10344-6.
声明： 所有注明“来源：医博士”的文字、图片和音视频资料，版权均属于医博士所有，转载须注明“来源：医博士”；所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。