基于CT图像的组学预测非小细胞肺癌PD-L1表达状态：一项助力精准免疫治疗决策的创新研究

编辑推荐：为解决PD-L1免疫组化检测的侵入性及肿瘤异质性难题，山东第一医科大学附属第一医院团队开发了基于ResNet50和SVM算法的深度学习放射组学(DLR)模型，通过分析352例NSCLC患者的CT图像，构建出AUC达0.91的联合预测模型，为无创评估免疫治疗生物标志物提供了新范式。

　　肺癌长期占据全球癌症死亡首位，其中非小细胞肺癌(NSCLC)占比高达85%。免疫检查点抑制剂(ICI)的出现虽为PD-L1高表达患者带来生存曙光，但传统免疫组化检测存在肿瘤异质性、穿刺风险及成本高等痛点。山东第一医科大学附属第一医院呼吸科团队创新性地将深度学习与放射组学结合，利用ResNet50从CT图像提取2048维特征，通过LASSO算法筛选出12个关键特征，构建出性能最优的支持向量机(SVM)模型(AUC=0.85)。更突破性的是，整合血清白蛋白和肺癌炎症指数(ALI)的联合模型将预测效能提升至AUC 0.91，敏感性达0.85，为临床提供了一种无创、高效的PD-L1筛查工具。

研究采用多中心回顾性设计，纳入352例经病理确诊的III-IV期NSCLC患者，按7:3比例划分训练集与验证集。关键技术包括：1) ITK-SNAP软件半自动肿瘤分割；2) ResNet50深度特征提取；3) LASSO回归特征降维；4) 七种机器学习算法比较；5) Grad-CAM可视化技术解析模型决策依据。

在"临床特征"部分，研究发现PD-L1阳性组(48.29%)的血清白蛋白(39.38 vs 38.08 g/L)和ALI指数(337.93 vs 281.45)显著升高，这两个指标被纳入联合模型。"特征提取与选择"章节揭示，从ResNet50最后一层卷积层提取的2048个特征经LASSO降维后，12个标记为DLx的特征最具预测价值。"模型性能评估"数据显示，SVM模型以0.85的AUC显著优于随机森林(0.76)等其他算法，而整合临床指标的联合模型将AUC进一步提升至0.91。通过Grad-CAM技术可视化的热图证实，模型能准确聚焦于肿瘤区域。

讨论部分指出，该研究首次证实ResNet50提取的CT影像特征与PD-L1状态存在显著关联，其性能媲美既往PET/CT研究。特别值得注意的是，ALI指数与PD-L1的正相关性支持了"炎症微环境驱动免疫检查点表达"的理论假设。尽管存在回顾性研究的固有局限，但该成果为开发无创生物标志物检测开辟了新途径，未来有望通过前瞻性多中心研究进一步验证。这项发表于《Scientific Reports》的工作，不仅为个体化免疫治疗决策提供了重要工具，更展示了多模态数据融合在精准医学中的巨大潜力。