基于临床和磁共振影像组学-免疫模型预测局部晚期直肠癌新辅助治疗效果

《JCO Oncology Advances》：Prediction of Treatment Efficacy in Locally Advanced Rectal Cancer Using a Clinical and Magnetic Resonance Imaging–Based Radiomics-Immunological Model for Total Neoadjuvant Therapy

本研究开发了一种结合临床和多序列磁共振成像（MRI）的影像组学-免疫模型（Rad-score_multi），用于预测局部晚期直肠癌（LARC）患者对新辅助治疗（TNT）的病理完全缓解（pCR）概率。该模型通过非侵入性方式评估肿瘤免疫微环境（TIME）特征（如PD-L1表达和CD8+ T细胞浸润），显著提升了对治疗反应的预测准确性（AUC达0.90），为个体化治疗决策提供了新工具。

　　

Abstract

Purpose

局部晚期直肠癌（LARC）的治疗面临重大挑战，尤其是在预测新辅助放化疗反应方面。现有方法在识别最能从该疗法中获益的患者方面缺乏准确性。

Methods

研究开发了一种基于临床和磁共振成像（MRI）的影像组学-免疫模型（Rad-score_multi），用于预测LARC患者的治疗结果。研究纳入队列A的70例患者用于生物标志物验证，队列B的68例患者用于疗效评估。从多序列MRI扫描中提取影像组学特征，并应用机器学习算法进行特征选择和模型开发。使用AUC、决策曲线分析（DCA）和Hosmer-Lemeshow检验评估模型的预测性能。

Results

源自多序列MRI的Rad-score_multi对PD-L1表达（AUC = 0.90）和CD8⁺ T细胞浸润（P = .0068）表现出高预测准确性。低Rad-score患者表现出显著更高的CD8⁺ T细胞浸润。结合临床和影像组学特征的列线图在预测病理完全缓解（pCR）方面优于单独的临床模型。

Conclusion

Rad-score_multi列线图为预测LARC患者新辅助治疗疗效提供了一种非侵入性、有效的工具，有助于优化个体化治疗计划。

Introduction

局部晚期直肠癌（LARC；美国癌症联合委员会[AJCC]第8版分期：cT3-4N+M0）约占新发直肠癌诊断的40%，由于其异质性和对治疗的不同反应，构成了临床挑战。标准治疗方法，即新辅助放化疗后全直肠系膜切除术（TME），随着全新辅助治疗（TNT）的出现而发展。这种强化的术前方案不仅提高了病理完全缓解（pCR）率，还改善了器官保留结果。

尽管取得了进展，预测治疗反应的能力仍然有限。TNM分期系统虽然广泛应用，但往往无法解释肿瘤的分子和免疫异质性。传统生物标志物，如血浆癌胚抗原（CEA）水平，其预测价值和临床实用性有限。此外，由于取样偏差，活检等侵入性程序可能无法准确代表肿瘤的整体生物学特性。

本研究通过整合基于影像的影像组学与肿瘤免疫微环境（TIME）特征来解决这些空白。我们假设磁共振成像（MRI）衍生的影像组学特征可以作为非侵入性生物标志物来预测治疗反应，并改善新辅助治疗的患者分层。

Methods

Patient Collection and Clinical Data Acquisition

Cohort A (biomarker development and validation)

本研究纳入了2021年8月至2022年8月期间在江苏省肿瘤医院诊断的70例LARC患者。纳入标准如下：（1）年龄18-75岁、经组织学确诊的直肠癌患者；（2）可获得治疗前盆腔MRI扫描和术后病理标本；（3）未接受过既往癌症治疗，如放疗、化疗或免疫治疗。排除患有自身免疫性疾病、免疫缺陷或炎症性肠病的患者，以尽量减少与免疫系统改变相关的混杂因素。从电子病历中检索基线临床数据，包括人口统计学特征（年龄、性别）、治疗前血浆CEA水平、临床肿瘤分期（cT和cN）、肿瘤组织学分级、最大横截面积肿瘤面积以及病理数据，如PD-L1表达和CD8⁺ T细胞浸润。我们选择CD8⁺ T细胞浸润和PD-L1联合阳性评分（CPS）是基于它们在TIME中的关键作用及其与放化疗反应的潜在关联。

Cohort B (therapeutic response evaluation)

为了预测模型验证，纳入了2016年6月至2020年12月期间在江苏省肿瘤医院接受治疗的第二个队列，共68例患者。这些患者接受了TNT，包括放化疗和手术。纳入标准为（1）根据AJCC第8版经病理确诊的直肠癌，临床分期为cT3-4N+M0；（2）完成新辅助治疗后行TME；（3）治疗前2周内进行盆腔MRI扫描。排除标准为临床资料不完整、严重既往心肺疾病以及诊断时存在远处转移。临床数据包括肿瘤位置、肿瘤大小、治疗前CEA水平和病理反应。

Imaging Data Preparation and Feature Extraction

从江苏省肿瘤医院的图像存档和通信系统（PACS）中收集队列A的术前盆腔MRI图像。成像方案和参数如下：扫描在Philips Ingenia 3.0T MRI机器上进行。患者取仰卧位，扫描范围向下延伸至耻骨联合下10厘米，向上达骶岬水平，覆盖双侧盆壁。T1加权像（T1WI）在斜轴位获得，参数如下：重复时间（TR）= 520 ms，回波时间（TE）= 20 ms，层厚= 5 mm，层间距= 1 mm；T2加权像（T2WI）参数如下：TR = 3,700 ms，TE = 65 ms，层厚= 5 mm，层间距= 1 mm；扩散加权像（DWI）参数如下：TR = 6,800 ms，TE = 80 ms，b值为0和1,200；T1对比后图像（T1W-SPIR+C）在轴位获得，参数如下：TE = 8 ms，层厚= 5 mm，层间距= 1 mm。表观扩散系数（ADC）图由DWI_b1200 - DWI_b0生成。将T1WI、T2WI、T1W-SPIR+C和ADC图像导入3D Slicer（版本4.11.20210226）软件进行感兴趣区（ROI）勾画。在每个序列上勾画肿瘤原发病灶（不包括阳性淋巴结），并进行三维融合以创建最终的ROI。ROI分割和特征提取由两名经验丰富的放射科医生（D.H和L.W.）独立进行，他们对临床和病理结果均不知情。任何差异通过协商一致解决。使用Python 3.11.9软件中的Pyradiomics 3.0模块进行图像处理和特征提取。

Immunohistochemical Analysis of PD-L1 and CD8⁺ T-Cell Infiltration

术后肿瘤组织进行PD-L1和CD8⁺ T细胞浸润的免疫组织化学分析。关键程序包括以下内容。（1）组织制备：样本脱蜡、水化并进行抗原修复。（2）染色：应用PD-L1和CD8的一抗（迈新生物科技，目录号：RMA-0732和MAB-0021），随后进行二抗孵育和显色可视化。（3）定量：使用CPS方法评估PD-L1表达。如果CPS ≥5%，则将患者归类为PD-L1阳性。使用H-score方法评估CD8⁺ T细胞浸润，该方法结合了强度和比例指标。H-score计算如下：H-SCORE = Σ (pi × i) = (弱强度百分比 × 1) + (中等强度百分比 × 2) + (高强度百分比 × 3)，其中pi代表阳性像素或细胞的比例。

Radiomics-Immunological Model Development

Feature Selection

1. 1.
   降维：为消除冗余，应用最小冗余最大相关性算法从7124个提取的特征（四个MRI序列，每个序列1781个特征）中选择最相关的特征。
2. 2.
   最小绝对收缩和选择算子（LASSO）回归：使用LASSO进行进一步的特征选择和模型构建，确保仅保留最具预测性的特征，同时避免过拟合。

Model Construction

使用以下公式计算基于影像的影像组学评分（Rad-score）：Rad-score = (β_feature1 × feature1's I) + (β_feature2 × feature2's I) + (β_feature3 × feature3's I) + … + (β_featuren × featuren's I) + intercept。此处，β_feature代表特征系数，I代表特征相关系数。我们的影像组学评分的截断值使用训练队列中受试者工作特征曲线分析的约登指数确定。

Validation

数据集被分为训练（70%）和测试（30%）子集。在训练阶段进行交叉验证以优化模型性能。使用AUC评估内部和外部验证数据集的预测性能。

Nomogram Development and Evaluation

通过整合影像组学-免疫模型（Rad-score_multi）与关键临床变量（包括肿瘤位置、肿瘤下缘至肛缘的距离、治疗前CEA水平和肿瘤最大直径）构建预测列线图。应用多变量逻辑回归进行特征选择，并根据Akaike信息准则保留变量。为简化起见，对连续变量进行分类，CEA使用2.5 μg/L，肿瘤大小使用5 cm作为阈值。

Model Evaluation

1. 1.
   区分度：使用AUC评估列线图区分达到pCR和未达到pCR患者的能力。
2. 2.
   校准：Hosmer-Lemeshow检验评估预测概率和观察概率之间的一致性。
3. 3.
   临床效用：决策曲线分析（DCA）量化列线图在不同风险阈值下的净临床获益。

Statistical Analysis

所有统计分析均使用R软件（版本4.0.3）进行。组间比较使用t检验或Wilcoxon秩和检验处理连续变量，使用卡方检验或Fisher精确检验处理分类变量。P值<.05被认为具有统计学意义。机器学习方法在Python（版本3.4.3）中实现。

Results

Development and Validation of Rad-score_multi as a Predictive Biomarker for Tumor Microenvironment and PD-L1 Expression

收集了队列A患者的临床数据，包括定量和定性指标，并进行了分析。定量变量包括年龄、治疗前CEA水平、肿瘤组织中PD-L1表达（以CPS测量）和最大横截面积肿瘤面积。定性变量包括性别、临床T分期、临床N分期、组织学分级、是否存在血管癌栓和周围神经侵犯。训练组和测试组在这些变量上未观察到显著差异。

经过影像组学特征提取和降维后，使用不同MRI序列的数据构建了五个影像组学模型：Rad-score_T1、Rad-score_T2、Rad-score_ADC、Rad-score_T1+C和Rad-score_multi。从所有序列提取的7124个特征中，Rad-score_multi被确定为最佳预测生物标志物，在验证过程中显示出最高的AUC值。具体而言，Rad-score_multi的内部验证AUC为0.96，外部验证AUC为0.90，优于单个序列模型（例如，Rad-score_T1+C的AUC = 0.56）。Rad-score_T1、Rad-score_T2、Rad-score_ADC、Rad-score_T1+C和Rad-score_multi被应用于训练集和验证集进行内部和外部验证。内部验证AUC值分别为0.82、0.85、0.89、0.83和0.96。外部验证AUC值分别为0.79、0.67、0.69、0.56和0.90。多序列影像组学模型的AUC最高，而T1+C序列模型的AUC最低。因此，Rad-score_multi被确定为最佳预测模型，并作为影像组学生物标志物纳入预测模型。

根据Rad-score_multi阈值（-1.09），将患者分为低分组（≤-1.09）和高分组（>-1.09）。低分组表现出显著较低的PD-L1表达（CPS ≤ 5%）和较高的CD8⁺ T细胞浸润，与高分组相比。对61例患者评估了CD8⁺淋巴细胞浸润，显示低分组的中位H-score为18.38，高分组为10.27，差异具有统计学意义（Wilcoxon检验，P = .0068）。这些发现表明Rad-score_multi与免疫微环境相关，可以无创地预测CD8⁺淋巴细胞浸润和PD-L1表达水平。

在队列B中，评估了Rad-score_multi预测pCR和长期生存结果的能力。pCR组的平均Rad-score_multi为-0.72 ± 1.84，显著低于非pCR组的平均值-0.37 ± 1.63（t = 5.2013, P = 1.2e-05）。低分组患者表现出比高分组更高的5年总生存期（OS）（对数秩检验，P = .047）。

开发了一个结合Rad-score_multi和关键临床变量（肿瘤相对于腹膜反折的位置、肿瘤下缘至肛缘的距离、治疗前CEA水平和肿瘤最大直径）的列线图，用于预测达到pCR的可能性。DCA表明，与单独的临床模型相比，结合临床-影像组学模型在一系列风险阈值下提供了更优的临床净获益。

使用Hosmer-Lemeshow检验进一步验证了列线图的预测性能，该检验显示训练集和测试集中预测概率和观察概率之间无显著差异，证实了模型的校准。

Summary of Key Findings

Rad-score_multi和TIME：Rad-score_multi根据PD-L1表达和CD8⁺ T细胞浸润有效分层患者，为TIME提供了见解。

pCR和生存预测：较低的Rad-score_multi值与较高的pCR率和改善的5年OS相关，证明了其作为预后生物标志物的效用。

列线图的临床效用：整合的临床-影像组学列线图提高了pCR的预测准确性，支持接受新辅助治疗的直肠癌患者的个体化治疗计划。

Discussion

本研究强调了整合基于影像组学的生物标志物与传统临床数据以改善LARC新辅助治疗结果预测的临床效用。Rad-score_multi（一种源自多序列MRI的影像组学生物标志物）的开发表明，基于影像的特征可以有效地捕捉肿瘤异质性和免疫微环境特征。研究结果揭示了Rad-score_multi与TIME特征（包括PD-L1表达和CD8⁺ T细胞浸润）之间的显著相关性。这些结果表明，非侵入性影像生物标志物可以为评估免疫微环境特征提供组织活检的替代方案。基于MRI的影像组学具有反映肿瘤整体异质性的优势，而这通常是局部活检样本所遗漏的。此外，Rad-score_multi根据免疫微环境状态对患者进行分层的能力突出了其在识别更可能对免疫治疗或新辅助放化疗产生反应的患者方面的潜力。

尽管我们的结果表明Rad-score_multi可能作为pCR和长期生存的有用预测因子，但我们认识到需要进一步验证。具有较低Rad-score_multi值的患者表现出更高的pCR率和改善的5年OS的趋势；然而，考虑到有限的队列规模，应谨慎解释这些观察结果。将Rad-score_multi纳入结合的临床-影像组学模型提高了预测性能，优于单独的临床特征，提供了一个更全面的预后框架。本研究中开发的列线图整合了Rad-score_multi与关键临床变量，包括肿瘤位置、大小和治疗前CEA水平。该工具为临床医生提供了一种直观且实用的方法来估计达到pCR的概率，促进了个体化治疗计划。DCA证实，与传统的单独临床模型相比，组合模型提供了更优的临床净获益。此类工具在指导治疗决策方面特别有价值，使得能够识别可能从强化治疗策略中获益的患者。特别是，该模型识别达到pCR概率低的患者的能力可能有助于在选择强化新辅助策略的候选人方面提供支持，从而在治疗开始前支持更量身定制的治疗方法。

尽管有这些有希望的发现，但本研究有几个局限性。相对较小的样本量可能限制结果的普适性并增加过拟合的风险。未来需要更大规模、多中心队列的研究来验证这些发现并提高预测模型的稳健性。尽管影像-免疫模型显示出对OS的统计学显著分层，但差异幅度仍然有限。这可能反映了需要更大的数据集和进一步改进影像组学算法以增强其临床区分能力。在未来的研究中，我们旨在纳入纵向影像变化、多组学标志物（如缺氧或凋亡指标）和外部验证，以优化预测性能并更好地支持治疗决策。此外，虽然研究侧重于PD-L1表达和CD8⁺ T细胞浸润，但纳入额外的免疫生物标志物可以进一步增强模型的预测能力。

成像技术的进步和更复杂的影像组学特征的开发可能会提高基于影像的生物标志物的准确性。未来的研究应探索影像组学与其他组学数据（如基因组学和蛋白质组学）的整合，以开发更全面的模型来预测治疗反应。

总之，本研究强调了结合影像组学和临床数据开发非侵入性、稳健的生物标志物以预测LARC新辅助治疗结果的潜力。Rad-score_multi及其与临床列线图的整合为个体化治疗计划提供了一个有价值的工具，使得能够根据患者达到pCR的可能性和改善长期生存结果进行更好的患者分层。模型的进一步验证和改进可能为其更广泛的临床应用铺平道路。