基于多器官[18F]F-FDG PET/CT代谢特征的nomogram模型预测可切除非小细胞肺癌新辅助免疫化疗的病理缓解

来自湘雅医院的研究团队针对可切除非小细胞肺癌（rNSCLC）新辅助免疫化疗的疗效预测难题，创新性地开发了整合多器官PET代谢参数（SUVmean/SUVmax/TLG等）的nomogram预测模型。该研究通过深度学习自动分割技术量化9个关键器官代谢特征，最终筛选出脾脏SUVmean、结肠SUVpeak等5个生物标志物，验证集AUC达0.78，特异性高达100%，为临床精准免疫治疗决策提供了突破性的无创预测工具。

　　

这项开创性研究揭示了多器官代谢互作在肿瘤治疗响应中的关键作用。科研人员采用深度学习驱动的自动分割技术，精准量化了基线[¹⁸F]氟代脱氧葡萄糖（FDG）PET/CT扫描中原发灶与9个远端器官的代谢参数，包括标准摄取值均值（SUV_mean）、峰值（SUV_peak）及病灶糖酵解总量（TLG）等。通过三重特征筛选策略——涵盖单变量分析、LASSO回归和随机森林优化，最终锁定脾脏代谢活性、脊柱糖代谢负荷等5个跨器官指标构建预测模型。

该nomogram模型如同代谢"雷达图"，在115例患者队列中展现出惊人的预测效能：不仅验证集曲线下面积（AUC）与训练集高度一致（0.78 vs 0.78），更实现了百分百的阳性预测价值。相比传统肿瘤局部评估方案，这种全身代谢"指纹"分析将特异性从92%提升至100%，准确诠释了"肿瘤-宿主"代谢对话对治疗响应的调控机制。

这项研究标志着免疫治疗预测进入多器官系统评估新时代，其临床价值在于：通过无创方式预判患者能否获得主要病理缓解（MPR），避免无效治疗带来的毒副作用，为精准免疫治疗策略制定提供了代谢组学层面的决策依据。