基于放射组学与病理组学融合的肺癌治疗获益预测模型构建及临床验证研究

针对肺癌缺乏可靠预测生物标志物的临床难题，研究团队通过整合CT放射组学(Radiomics)与H&E切片病理组学(Pathomics)特征，构建多模态预测模型。在194例早期NSCLC中预测复发风险(HR=8.35,C-index=0.71)，35例晚期NSCLC中预测免疫治疗响应(AUC=0.75)，50例SCLC中预测化疗响应(AUC=0.78)，为肺癌精准诊疗提供新工具。

　　

肺癌作为全球癌症相关死亡的首要原因，其诊疗面临巨大挑战。尽管手术切除和免疫治疗等手段不断进步，但约40%的早期非小细胞肺癌(NSCLC)患者术后仍会复发，而晚期患者对免疫检查点抑制剂(ICI)的响应率不足50%。更棘手的是，小细胞肺癌(SCLC)患者化疗后普遍快速耐药，目前缺乏有效的预测生物标志物。这种临床困境呼唤能整合多维度信息的创新解决方案。

来自克利夫兰诊所等机构的研究团队在《npj Precision Oncology》发表突破性研究，首次系统性地将CT放射组学与数字病理组学特征融合，构建了覆盖肺癌全病程的预测模型。该研究通过量化分析194例早期NSCLC的肿瘤异质性、35例晚期NSCLC的免疫微环境特征以及50例SCLC的化疗敏感性标志物，证明多模态模型显著优于单模态方法，其中早期NSCLC复发预测的HR值提升至8.35，为临床决策提供了全新维度。

关键技术方法包括：1) 使用3D Slicer手动分割CT病灶及3mm/15mm瘤周区域；2) 基于U-Net卷积神经网络自动识别WSI肿瘤区域；3) 提取Haralick/Gabor/CoLIAGe等102个放射组学特征和SPATIL等病理组学特征；4) 采用mRMR-LASSO算法进行特征选择；5) 通过10折交叉验证评估模型性能。所有数据来自克利夫兰诊所(CCF)和大学医院克利夫兰医学中心(UHCMC)的回顾性队列。

【实验1：早期NSCLC复发风险分层】
研究团队发现，融合瘤内Haralick熵与瘤周CoLIAGe放射组学特征、以及空间肿瘤浸润淋巴细胞(SPATIL)病理特征的ES-MRP模型表现最优。在仅接受手术的验证队列(D1^V1
)中，C-index达0.71(HR=8.35,p=0.0043)，较单一模型提升7%。值得注意的是，接受辅助化疗的队列(D1^V2
)高低风险组无差异，提示化疗可能使部分高危患者获益。

【实验2：晚期NSCLC免疫治疗预测】
AS-MRP模型整合了瘤内Gabor纹理与核形态病理特征，AUC提升至0.75(p=0.042)。高熵区域可能反映肿瘤缺氧状态，而瘤周Gabor特征与炎症细胞浸润相关，这些发现为PD-1/PD-L1抑制剂的机制研究提供了影像学依据。

【实验3：SCLC化疗响应预测】
在SC-MRP模型中，Haralick纹理特征在无应答者中更显著(AUC=0.78)。研究首次发现，免疫细胞的空间分布熵值与铂类化疗敏感性存在关联，这为SCLC的异质性研究开辟了新视角。

这项研究开创性地证实，放射-病理组学融合能突破TNM分期的局限，从三个层面改变临床实践：1) 早期NSCLC中识别真正需要辅助治疗的患者，避免30%低危患者的过度治疗；2) 晚期患者筛选ICI潜在应答者，减少无效治疗带来的免疫相关不良反应；3) SCLC化疗前预测为联合治疗方案选择提供依据。研究采用的mRMR-LASSO特征选择框架保证了模型可解释性，其揭示的SPATIL特征与Haralick熵的协同效应，为理解肿瘤生物学提供了新线索。

局限性包括样本量较小(晚期队列仅34例)和采用RECIST而非iRECIST标准。未来研究将整合基因组数据，并探索深度学习提升特征提取效率的潜力。该成果标志着肺癌诊疗向多模态精准医学迈出了关键一步，其方法论框架也可拓展至其他癌种。