基于计算机断层扫描（CT）的自动化身体成分分析可预测非小细胞肺癌患者对新辅助免疫治疗的病理反应

《Cancer Letters》：Automated CT-derived Body Composition Predicts Pathologic Response to Neoadjuvant Immunotherapy in Non–Small Cell Lung Cancer

非小细胞肺癌患者新辅助免疫化疗后病理完全缓解的预测模型优化研究。基于三维CT自动分析的骨骼肌和内脏脂肪体积指数动态变化可独立预测pCR，其与临床变量结合的机器学习模型验证了更高预测效能（敏感度52.8%-62.1%，特异度66.7%-74.7%）。

　　

黄一龙|魏志涛|叶冠超|崔艳芬|李传普|吴光耀|杨伟|张炳谦|张振光|姜远明|Lizza E.L. Hendriks|Leonard Wee|Dirk De Ruysscher|Andre Dekker|史磊|刘在义|何波|史振伟

中国云南省昆明市昆明医科大学第一附属医院医学影像科，邮编650032

摘要

仅依靠肿瘤内在生物标志物无法充分预测非小细胞肺癌（NSCLC）患者对新辅助免疫化疗（NICT）的病理完全缓解（pCR）。基于人工智能（AI）的三维CT衍生体成分分析可能具有补充的预测价值。我们评估了其在NSCLC患者NICT后pCR中的关联。这项多中心回顾性研究纳入了2019年7月至2024年7月期间接受NICT治疗的NSCLC患者。使用治疗前后的CT扫描数据进行自动化T1–T12节段定位和体积体成分分割。评估指标包括骨骼肌、肌肉间、内脏和皮下脂肪体积指数（SAVI）及其在扫描间的百分比变化。在657名患者（平均年龄61.3岁，87.4%为男性）中，pCR率分别为39.7%（训练集）、38.4%（内部验证集）和34.9%（外部验证集）。多变量分析显示，基线骨骼肌体积指数（SMVI）较高与pCR独立相关（OR=2.22）。在NICT期间，SMVI每相对增加1%，pCR的可能性增加16%（OR=1.16）；而SAVI每相对增加10%，pCR概率提高15.6%（OR=1.56）。整合临床变量、基线SMVI、%ΔSMVI和%ΔSAVI的机器学习模型在所有队列中的区分能力显著优于仅使用临床变量的模型（p<0.05）。该模型在内部和外部验证队列中的表现分别为62.1%和52.8%的敏感度以及66.7%和74.7%的特异性。基于AI的CT衍生体成分量化，特别是基线SMVI以及NICT期间SMVI和SAVI的动态变化，与NSCLC的pCR独立相关。将这些可调节的生物标志物纳入预测模型可提升预测性能。

引言

非小细胞肺癌（NSCLC）占所有肺癌病例的85%，通常在局部晚期才被诊断出来。基于临床试验结果，新辅助免疫化疗（NICT）已成为可切除II/III期疾病的标准化治疗方案[1][2]。病理完全缓解（pCR），即原发灶和淋巴结标本中无残留肿瘤，是关键的生存替代指标[3]，术前预测可能有助于指导NICT后的治疗[4][5]。尽管PD-L1表达、肿瘤突变负荷和肿瘤浸润淋巴细胞具有预测价值（即使在PD-L1阴性亚组中，pCR率也可达到24-56%[1][6]，但这些生物标志物的局限性凸显了需要补充预测因子，尤其是动态或可调节的特征，以优化治疗个性化。

新兴证据表明，体成分，特别是肌肉和脂肪分布，可能影响免疫疗法的效果，但相关研究结果存在矛盾。例如，一些研究认为肥胖与治疗反应改善有关（“肥胖悖论”[7][8]，而另一些研究则指出高脂肪含量与多种癌症的整体死亡率增加相关[9]。这些矛盾可能源于依赖于如体重指数（BMI）等粗略指标，这些指标无法区分肌肉质量、区域脂肪分布和代谢健康状况。事实上，肌肉或脂肪的流失（而非总体重）与较差的生存率相关[10][11]，这凸显了BMI在捕捉临床相关体成分特征方面的局限性。相比之下，基于CT的体成分量化，如肌肉和脂肪体积量化，在多种癌症中显示出预后价值[12][13]。鉴于NSCLC中异常体成分谱型较为常见但未被充分认识[14]，精确的基于影像的体成分量化可为NICT的异质性反应提供关键见解。

虽然基于CT的体成分测量在预测NSCLC生存率方面显示出潜力[13][15]，但其在预测NICT治疗反应中的作用尚未得到充分探索。我们认为这一知识空白源于以往研究中的方法学局限，包括依赖二维分析[16][17]、耗时的手动分割[16][17][18]、不完整的体成分分析[16][17][18]，以及样本量较小的单中心队列。这些限制阻碍了体成分作为pCR可靠预测因子的应用。为解决这些问题，我们开展了一项多中心研究，利用深度学习从常规胸部CT扫描中自动化进行三维体成分量化。本研究评估了基线体成分特征及其随时间的变化，以评估其在预测NSCLC患者NICT后pCR中的增量价值。

研究设计与患者

这项回顾性研究纳入了2019年7月至2024年7月期间在七家中心接受NICT后根治性切除的1080名NSCLC患者。研究已在ClinicalTrials.gov（标识符：NCT06285058）注册。详见图1和补充材料A1中的纳入标准和样本量估计方法。来自中心1-6的患者被随机分为训练集（70%）和内部验证集（30%），而中心7的患者组成独立的外部验证集。

临床特征

排除不符合条件的人员后，共有657名来自七家中心的患者被纳入分析，具体中心分布详见补充材料A2。最终的主要队列包括来自中心1-6的505名患者，随机分为训练组（n=354）和内部验证组（n=151）。独立的外部验证组包括来自中心7的152名患者。表1总结了所有患者的临床病理和体成分特征。

讨论

这项多中心研究评估了基于常规CT扫描的自动化三维体成分分析在预测接受NICT的NSCLC患者pCR中的效果。较高的基线SMVI以及治疗期间SMVI/SAVI的增加与pCR独立相关。结合基线和纵向体成分指标的分析表现优于仅使用临床指标的模型，证明了这种自动化方法在NSCLC个性化管理中的临床潜力。

这是首次展示...

CRediT作者贡献声明

何波：撰写、审稿与编辑、监督、概念构思。吴光耀：数据整理。史振伟：撰写、审稿与编辑、监督、软件开发、方法学设计、数据整理、概念构思。杨伟：验证、软件开发、方法学设计。张炳谦：数据整理。张振光：验证。姜远明：验证。Lizza E.L. Hendriks：撰写、审稿与编辑。Leonard Wee：撰写、审稿与编辑。黄一龙：撰写、初稿撰写、软件开发、研究设计。

数据可用性声明

本研究生成的数据可应请求向相应作者获取。

伦理批准

本研究涉及人类参与者，已获得郑州大学第一附属医院伦理委员会的批准（2024-KY-2262-002）。由于本研究为回顾性研究，因此无需患者签署同意书或书面知情同意。

利益冲突声明

所有作者声明没有可能影响本文研究的已知利益冲突。

致谢

本工作得到了非传染性疾病-国家科学技术重大项目（2024ZD0531100）、国家自然科学基金（82460348、82302131、82472062、82260338）、广东省自然科学基金（2024A1515011672）、昆明医科大学的一级学科团队（2024XKTDTS03）、昆明医科大学第一附属医院的535人才项目（2025535Q04）以及云南省基础研究项目的支持。