基于AI放射组学特征预测广泛期小细胞肺癌预后及化疗免疫联合疗法(CHEMOIMMUNOTHERAPY)增效价值的多中心研究

本研究针对小细胞肺癌(SCLC)缺乏预测性生物标志物的临床困境，通过多中心队列分析660例患者（470例广泛期ES-SCLC，190例局限期LS-SCLC）的CT影像组学特征，构建ES-Risk-Score（ESRS）和LS-Risk-Score（LSRS）预后模型。研究发现高风险ES-SCLC患者接受化疗免疫联合治疗(CHIO)可显著改善无进展生存期(PFS)（HR=0.68）和总生存期(OS)（HR=0.78），为精准治疗决策提供客观依据。

　　

小细胞肺癌（SCLC）被称为"肺癌中的闪电杀手"，其恶性程度高、进展迅猛的特点让临床医生束手无策。尽管60-80%患者初期对铂类化疗敏感，但绝大多数会在短期内复发并产生耐药。更棘手的是，这种占肺癌13%的亚型至今缺乏可靠的预测性生物标志物，医生们只能"盲选"治疗方案。2018年以来，IMpower133和CASPIAN等临床试验虽然证实PD-L1抑制剂联合化疗能小幅提升生存期，但如何精准识别获益人群仍是未解难题。

美国克利夫兰医学中心等机构的研究团队另辟蹊径，将目光投向人工智能驱动的放射组学分析。这项多中心研究纳入了660例SCLC患者（470例ES-SCLC，190例LS-SCLC），通过提取CT影像中的定量特征（包括创新的血管迂曲度参数），采用LASSO-Cox回归构建了ES-Risk-Score（ESRS）和LS-Risk-Score（LSRS）预后模型。研究发现，在仅接受化疗的ES-SCLC患者中，ESRS与PFS和OS显著相关（训练集PFS的HR=1.54，验证集OS的HR=1.6）；而高风险患者改用化疗免疫联合治疗（CHIO）后，PFS和OS分别改善32%和22%。该成果发表于《Cancer Letters》，为SCLC精准治疗提供了客观的决策工具。

研究团队采用三大关键技术：1）多中心回顾性队列设计（含University Hospital Cleveland等3个医疗中心）；2）从基线CT中提取1,486个放射组学特征和血管几何参数；3）通过LASSO-Cox回归构建风险评分模型，并采用时间依赖性ROC曲线验证预测效能。

【结果】
1.患者特征：ES-SCLC组中位年龄66岁，55%为女性，82%为白人，83%有吸烟史，77%出现复发（中位时间5个月）。CHIO组中位OS（11.8月）略优于单纯化疗组（10.6月）。

2.预后模型：ESRS在化疗组预测PFS的HR训练集达1.54（adj.P=.0013），验证集一致性良好（HR=1.32-2.4）。高风险患者接受CHIO治疗PFS改善显著（HR=0.68，P<.001）。

3.生物学意义：血管迂曲度特征与肿瘤侵袭性相关，放射组学特征可反映肿瘤微环境异质性，这可能是预测免疫治疗响应的关键机制。

【讨论】
该研究首次证实放射组学特征可预测SCLC患者对CHIO的治疗响应。特别值得注意的是，ESRS识别的高风险人群接受免疫联合治疗可获得显著生存获益，这一发现为IMpower133试验的阴性结果提供了转化医学解释——可能因未筛选优势人群而稀释了治疗效果。研究局限性在于回顾性设计，未来需在前瞻性试验中验证模型的预测效能。通讯作者Anant Madabhushi教授指出，该成果标志着影像组学向临床实用化迈出关键一步，其构建的自动化分析流程有望快速转化为临床决策支持系统。

（注：所有数据均来自原文，专业术语如PD-L1抑制剂、LASSO-Cox回归等均按原文格式保留，作者名采用Cristian Barrera等原始拼写方式）