《Journal of Radiation Research and Applied Sciences》：Contrast-enhanced CT radiomics for predicting radiotherapy response in gastric cancer: Model development and validation
编辑推荐：
背景：胃癌仍是全球癌症相关死亡的主要原因之一，准确预测放疗反应对于个体化治疗计划至关重要。对比增强计算机断层扫描（contrast-enhanced CT）可提供丰富的空间和纹理信息，有望作为肿瘤生物学和治疗反应的非侵入性生物标志物。目的：本研究旨在开发并验证
背景：胃癌仍是全球癌症相关死亡的主要原因之一，准确预测放疗反应对于个体化治疗计划至关重要。对比增强计算机断层扫描（contrast-enhanced CT）可提供丰富的空间和纹理信息，有望作为肿瘤生物学和治疗反应的非侵入性生物标志物。目的：本研究旨在开发并验证基于CT的影像组学模型，用于预测局部晚期胃癌对同步放化疗的反应。方法：研究人员回顾性收集来自两家三级医疗机构的212例经组织学证实的胃腺癌患者数据。在治疗开始前两周内获取的门静脉期CT图像中提取影像组学特征。采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）逻辑回归进行特征选择与模型构建。使用受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC-ROC）、校准分析和决策曲线分析评估模型性能。结果：每例患者共提取1218个影像组学特征，经LASSO筛选获得12个特征。影像组学模型在训练队列和验证队列中的AUC值分别为0.886（95% CI: 0.841–0.931）和0.853（95% CI: 0.792–0.914）。该模型表现出良好的校准能力，并在临床相关阈值概率范围内具有显著净获益。模型判定为应答者的患者与无应答者相比，总生存期显著改善（风险比0.41，95% CI: 0.28–0.61，p < 0.001）。结论：本研究开发的CT影像组学模型为胃癌放疗反应的预处理预测提供了一种稳健、非侵入性的工具。该模型可能有助于个体化治疗分层，并具有整合至临床决策流程的潜力。
研究背景：胃癌是全球第五大常见恶性肿瘤、第四大癌症死亡原因，2020年全球约有109万新发病例和76.9万死亡病例。局部晚期和转移性胃癌的5年生存率在多数国家仍低于30%。同步放化疗是不可切除或需要降期后手术的局部晚期胃癌的重要治疗手段，因此治疗前准确预测放疗反应具有重要临床意义：及早识别无应答者可避免无效治疗和毒性，并有助于转向免疫治疗或靶向治疗等替代策略；准确识别应答者则可支持放疗剂量优化和巩固治疗。影像组学（radiomics）通过将常规医学图像转化为高维定量特征，可反映肿瘤的组织结构、异质性和表型特征，且不需侵入性活检，具有非侵入性和经济性的优势。既往胃癌CT影像组学研究多集中于淋巴结转移、组织学类型和预后预测，针对放疗反应的预处理预测仍相对不足；同时存在分割流程不统一、各机构CT采集参数差异大、特征维度远高于样本量等挑战。因此，研究人员基于两家独立机构的数据，遵循个体预后或诊断的多变量预测模型透明报告（TRIPOD）指南，开发并外部验证了一种CT影像组学模型。
研究设计与关键方法：研究人员回顾性纳入2014年1月至2021年12月来自华南两家三级医疗机构的212例局部晚期胃腺癌患者，其中148例为训练队列，64例为外部验证队列。所有患者均经组织学证实为胃腺癌，临床分期为美国癌症联合委员会（AJCC）第8版II–IVa期，且在放疗开始前两周内完成门静脉期增强CT检查。主要关键技术方法包括：使用ITK-SNAP软件手动勾画大体肿瘤体积，并由高年资放射科医师审核；采用符合图像生物标志物标准化倡议（IBSI）的PyRadiomics流程提取1218个影像组学特征，图像重采样至各向同性1.0 mm体素并离散化；先以变异系数与Pearson相关分析去除低稳定性和高冗余特征，再通过10折交叉验证的LASSO逻辑回归筛选12个特征并构建影像组学评分（Rad-score）；以AUC-ROC、Hosmer-Lemeshow检验和决策曲线分析（decision curve analysis, DCA）评估模型性能。
研究结果：
5.1 患者基线特征
训练队列与验证队列在年龄、性别、肿瘤位置、临床T分期和放疗剂量方面均衡可比。训练队列中位年龄62岁，男性占63.5%；验证队列中位年龄61岁，男性占64.1%。训练队列中应答者（完全缓解[CR]和部分缓解[PR]）占54.1%，验证队列中应答者占53.1%，两机构间应答率差异无统计学意义（p = 0.89）。
5.2 影像组学特征筛选
初始1218个特征中，经方差和相关性过滤后保留247个。在30例重分割可重复性分析中，全部保留特征的中位组内相关系数（ICC）为0.88，其中94%的特征ICC高于0.75。LASSO逻辑回归确定最优lambda为0.041，最终保留12个非零系数特征，涵盖灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）、形状特征、小波滤波特征和邻域灰度差矩阵（NGTDM）等多个类别。
5.3 模型性能
影像组学模型在训练队列中的AUC-ROC为0.886（95% CI: 0.841–0.931），在外部验证队列中为0.853（95% CI: 0.792–0.914）。在Youden指数确定的最佳阈值下，训练队列的敏感性为0.813、特异性为0.809；验证队列的敏感性为0.794、特异性为0.783。与仅包含年龄、性别、T分期、N分期和ECOG体能状态的临床模型相比，影像组学模型的判别性能显著更优（AUC 0.886对0.673，DeLong检验p < 0.001）。进一步重分类分析显示，影像组学模型相对临床模型的净重分类指数（NRI）为0.342（95% CI: 0.241–0.443），综合判别改善指数（IDI）为0.187（95% CI: 0.122–0.252），表明模型能显著改善应答者与非应答者的分类。
5.4 校准与临床效用
校准图显示模型预测概率与实际观察概率具有良好一致性；Hosmer-Lemeshow检验在训练队列和验证队列中的卡方值分别为7.43（p = 0.49）和8.12（p = 0.42），提示校准良好。决策曲线分析显示，在0.20–0.80的阈值概率范围内，影像组学模型的净获益高于“全部治疗”“全部不治疗”和仅使用临床模型的策略。
5.5 生存分析
模型判定为应答者的患者中位总生存期为38.2个月，非应答者为19.4个月，风险比（HR）为0.41（95% CI: 0.28–0.61，log-rank p < 0.001）。多变量Cox回归校正年龄、性别、临床T分期、N分期和ECOG体能状态后，Rad-score仍是总生存期的独立预测因子（调整后HR 0.44，95% CI: 0.30–0.64，p < 0.001）。
讨论与结论：研究人员在讨论中指出，12特征影像组学签名可捕捉肿瘤表型的互补方面，包括空间强度异质性、纹理不规则性、肿瘤几何形态和复杂度。影像组学特征与肿瘤微环境、乏氧区域和克隆再群体化能力等影响放射敏感性的因素相关。与内部验证模型相比，本研究的外部验证是重要方法学优势；训练与验证队列间AUC仅轻度下降，符合合理外部验证的预期。生存分析结果支持模型的临床有效性，提示其在预后分层和临床试验富集中具有潜在应用价值。从卫生经济学角度看，识别潜在无应答者可减少无效治疗毒性和相关住院费用；在未来自适应放疗中，基线Rad-score与中期delta-影像组学指标结合可能进一步提升预测准确性。研究局限包括回顾性设计、两家机构均位于中国、手动分割变异、单一门静脉期图像、样本量中等以及缺乏真正独立外部测试集。未来需要前瞻性多中心队列、自动化深度学习分割、多期相CT获取和多模态生物标志物整合。结论：本研究证明，纳入12个LASSO选择特征的CT影像组学模型能够准确预测局部晚期胃癌的放疗反应，训练与外部验证队列的AUC均超过0.85。该模型相对常规临床分期变量提供显著的增量价值，并能在决策曲线分析中显示一致的净临床获益。模型定义应答者的总生存期显著改善，支持该影像组学特征在二元分类框架之外的预后相关性。研究采用的方法遵循当前影像组学研究的最佳实践，包括IBSI兼容特征提取、基于ICC的特征筛选、独立机构队列外部验证和TRIPOD透明报告。该模型计算效率高、依赖常规获取的CT图像且易于自动化，具备临床部署的基本条件。未来更大规模多中心验证、自动化分割和多模态生物标志物整合研究，将有助于充分实现影像组学指导的个体化胃癌放疗管理。
