融合影像组学与真实世界数据预测晚期非小细胞肺癌免疫检查点抑制剂疗效的前瞻性研究

　　本研究针对晚期非小细胞肺癌(NSCLC)患者免疫治疗疗效预测难题，通过整合CT影像组学特征与真实世界数据(RWD)，构建机器学习预测模型。研究证实多模态模型在预测24个月总生存期(OS24)方面达到0.79的AUC值，显著优于PD-L1单生物标志物预测效能，为个体化免疫治疗决策提供了新范式。

　　

在全球癌症负担中，非小细胞肺癌(NSCLC)始终占据着严峻地位，约占新发癌症病例的11%和癌症相关死亡的18%。尽管免疫检查点抑制剂(ICI)的出现彻底改变了晚期NSCLC的治疗格局，使部分患者获得长期生存——临床试验显示经治患者5年生存率达15%，初治患者达20%——但仍有相当比例患者无法从中获益，甚至出现超进展现象。目前临床唯一广泛应用的预测标志物程序性死亡配体1(PD-L1)表达水平预测准确性有限，且存在中低表达患者仍可获得持久应答的情况。

为解决这一临床困境，由Provenzano领衔的研究团队开展了一项创新性研究，通过融合放射组学特征与真实世界数据(RWD)构建机器学习预测模型，成果发表于《ESMO Real World Data and Digital Oncology》。该研究突破了传统单一生物标志物的局限，探索多模态数据整合在预测免疫治疗疗效中的价值。

研究采用回顾性单中心真实世界研究设计，纳入2013年4月至2022年5月期间接受ICI治疗的375例晚期NSCLC患者。关键技术方法包括：1)基于Syngo.via软件对基线CT影像进行半自动三维分割提取原发肺病灶；2)使用Pyradiomics包提取107个放射组学特征；3)收集16项临床RWD变量并通过迭代插补法处理缺失值；4)采用最大相关最小冗余(MRMR)算法进行特征选择；5)运用四种机器学习分类器(逻辑回归、随机森林、AdaBoost和K近邻)构建预测模型；6)采用SHAP值进行模型可解释性分析。

研究结果方面：

临床特征分析显示

研究人群以男性(61%)、中位年龄68岁为主，58%患者接受一线免疫治疗，77%接受ICI单药治疗。

预测模型性能比较

结合放射组学与RWD的多模态模型在预测OS₂₄方面表现最优，测试集准确率达0.71，AUC为0.79。多模态模型预测效能 consistently优于PD-L1单生物标志物(OS₂₄的AUC：0.79 vs 0.56)。

生存分析验证

基于最佳模型的风险分层能够显著区分不同预后患者，预测为长期生存者的中位OS达27.03个月，显著优于预测为短期生存者的9.27个月(P=0.003)。

特征重要性解析

SHAP分析显示ECOG PS、转移部位数量、脑转移情况等RWD特征与大型区域强调(LAE)放射组学特征共同构成关键预测因子。较高LAE值(代表更粗糙的肿瘤纹理)与较好预后相关。

研究结论表明，放射组学与RWD的多模态整合能够有效预测晚期NSCLC患者接受ICI治疗的临床获益和生存结局，其中OS₂₄预测模型达到0.79的AUC值。模型可解释性分析与临床认知高度一致，ECOG PS、转移负荷等传统预后因素与LAE等放射组学特征共同贡献于预测效能。该研究为个体化免疫治疗决策提供了超越PD-L1的预测工具，尽管仍需大规模前瞻性验证，但代表了向精准肿瘤学迈出的重要一步。

研究讨论部分指出，生存终点预测模型(OS₆和OS₂₄)优于临床获益率(CBR)预测，反映了终点选择在评估免疫治疗效果时的重要性。多模态数据整合 consistently提升预测性能的趋势支持了放射组学特征的附加价值。该模型临床转化后可能指导治疗强化(如联合化疗)或降级策略，优化治疗决策。国际I3LUNG研究(NCT05537922)正在推进该方向的深入探索。