基于对比增强CT影像组学的胰腺癌VISTA表达预测及其预后价值

《Molecular Imaging》：Prediction of VISTA Expression and Its Prognostic Value in Pancreatic Cancer Using Contrast-Enhanced CT Radiomics

　　

胰腺癌仍具有高度致死性，临床迫切需要能够反映肿瘤免疫微环境（tumor immune microenvironment，TIME）的无创生物标志物，以支持个体化治疗和预后分层。在此，研究人员开发了一种基于对比增强计算机断层扫描（contrast-enhanced computed tomography，CT）影像组学（radiomics）的机器学习（machine learning）方法，用于术前预测T细胞活化V域免疫球蛋白抑制因子（V-domain Ig suppressor of T cell activation，VISTA）表达，并评估其与生存的关联。在这项回顾性单中心研究中，研究人员分析了89例接受手术切除患者的术前CT图像、临床病理变量和生存数据。术后标本的VISTA表达作为参考标准。研究人员从人工勾画的肿瘤区域提取影像组学特征，采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归筛选特征，并使用10折交叉验证训练7种机器学习模型。最终保留7个特征，随机森林（random forest，RF）模型表现最佳，受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）为0.761。在多变量Cox回归中，低VISTA表达与更差生存独立相关；将其加入基线模型后，时间依赖预后预测得到改善。这些发现提示，CT影像组学可能为预测VISTA表达和优化胰腺癌预后分层提供无创工具。

胰腺癌是高度侵袭性恶性肿瘤，5年生存率低于10%，因起病隐匿且缺乏特异性早期症状或可靠生物标志物，约80%患者诊断时已处晚期，失去根治性手术机会。免疫治疗主要针对PD-1/PD-L1或CTLA-4等免疫检查点，但临床疗效有限；与其他实体瘤相比，胰腺癌肿瘤免疫微环境（tumor immune microenvironment，TIME）呈深度免疫抑制，常规免疫治疗反应率低。VISTA（V-domain Ig suppressor of T cell activation，T细胞活化V域免疫球蛋白抑制因子）作为新型免疫检查点分子，在调节T细胞活性和维持免疫耐受中发挥关键作用，并在多种肿瘤中高表达，与免疫逃逸相关；在胰腺癌中可能影响治疗反应和疾病进展。目前VISTA表达评估主要依赖组织病理学或免疫组织化学，具有侵入性、成本高且不适合动态监测，因此开发无创预测VISTA表达的方法具有临床价值。随着人工智能发展，影像组学（radiomics，从医学图像中提取定量特征的方法）和人工智能算法在肿瘤学中展现潜力，可自动、客观分析复杂医学数据，促进诊断、预后预测、治疗计划和生物标志物发现；人工智能驱动的多模态分析整合影像、分子和临床信息，为非侵入性刻画肿瘤生物学和免疫特征提供新途径。在胰腺癌中，基于人工智能的影像分析不仅有助于早期检测，还可能阐明影像表型与分子或免疫景观之间的关联。因此，研究人员旨在利用对比增强计算机断层扫描（contrast-enhanced computed tomography，CT）图像的影像组学特征预测胰腺癌VISTA表达，并将VISTA表达纳入包含临床变量的模型，评估其在预后生存预测中的价值，以支持术前风险分层和预后评估，并为个体化临床管理提供参考。研究人员基于术前对比增强CT、临床病理变量和生存数据，以术后标本VISTA免疫组织化学染色为参考标准，构建影像组学机器学习模型，并评估VISTA与生存的关系；结果显示RF模型AUC为0.761，可预测VISTA表达，低VISTA表达与更差生存独立相关，且加入基线模型可改善时间依赖预后预测，提示CT影像组学可能作为无创工具预测VISTA表达并优化胰腺癌预后分层。

关键技术方法概括（不超过250字）：本研究为回顾性单中心研究，纳入2014年1月至2022年5月宁波接受手术切除的胰腺癌患者，病例通过宁波大学附属第一医院放射科PACS筛选，病理标本来自宁波临床病理诊断中心，随访至死亡或2023年6月。研究人员使用术前对比增强CT动脉期和门静脉期图像，人工勾画肿瘤感兴趣区（region of interest，ROI），进行重采样和灰度归一化；采用PyRadiomics v3.0.1提取一阶、二维形状和纹理特征，最小ROI为10像素，并按Image Biomarker Standardization Initiative（IBSI）定义；采用LASSO回归筛选特征，构建7种机器学习分类器，使用嵌套分层交叉验证（外10折、内5折）和网格搜索优化超参数，以AUC为优化指标；采用SHAP分析解释最佳模型，并进行Kaplan-Meier分析、Cox回归、时间依赖ROC和Harrell C-index评估预后。

研究结果如下。特征筛选结果：采用LASSO回归进行影像组学特征筛选，交叉验证曲线和系数轨迹显示随着正则化增强多数系数收缩至零，最终保留7个非零系数特征；这些特征主要来自Laplacian of Gaussian（LoG）和小波滤波图像，包括一阶和纹理描述符，如first-order mean、skewness、GLRLM（gray-level run-length matrix，灰度游程矩阵）相关long-run high gray-level emphasis和run entropy、GLDM（gray-level dependence matrix，灰度依赖矩阵）相关dependence entropy及GLCM（gray-level co-occurrence matrix，灰度共生矩阵）相关contrast；相关性热图显示所选特征间多为低至中度相关，提示冗余有限；结果提示反映强度分布和瘤内纹理异质性的多尺度影像组学特征可能为预测VISTA表达提供互补信息。机器学习模型性能：基于7个特征训练7种分类器，10折交叉验证中RF平均准确率最高（0.699，95% CI：0.648-0.750），F1评分最高（0.679，95% CI：0.629-0.730）；ROC分析显示RF平均AUC最高，为0.761（95% CI：0.723-0.794），SVM次之为0.754（95% CI：0.712-0.785），决策树最低为0.568（95% CI：0.531-0.606）；Nadeau–Bengio校正重采样t检验并经Holm调整显示，RF仅显著优于决策树（调整P=.007），与其他分类器差异无统计学意义（调整P>.05）。模型可解释性分析：对RF模型进行SHAP（Shapley Additive Explanations）分析，训练集中wavelet-H_firstorder_Skewness、log-sigma-3.0-mm-3D_gldm_DependenceEntropy和log-sigma-1.0-mm-3D_firstorder_Skewness的平均绝对SHAP值较大，测试集总体排序相似；SHAP汇总图显示一阶偏度、依赖熵和游程熵等特征对模型输出贡献较强；代表性测试病例中，高VISTA表达病例的预测概率为0.996，低VISTA表达病例的预测概率为0.101，展示了个体影像组学特征对最终预测的贡献方向。VISTA表达的临床病理相关性：比较低VISTA和高VISTA表达组，年龄、转移淋巴结数、最大肿瘤直径、淋巴结转移状态、肿瘤位置、性别和血管侵犯状态均无显著差异（P=.997、.537、.910、.399、.184、.189和.289）；但两组总体生存时间和肿瘤分化状态差异显著（P<.001和P=.005），高VISTA表达组总体生存时间较长，提示VISTA表达状态与生存结局和肿瘤分化状态相关。单变量Cox回归和Kaplan-Meier生存分析：单变量Cox回归显示VISTA表达状态、年龄和血管侵犯与总体生存显著相关，低VISTA表达组死亡风险更高（HR=2.458，95% CI：1.408-4.292，P=.002），年龄增加与更差生存相关（HR=1.067，95% CI：1.027-1.108，P<.001），血管侵犯与死亡风险增加相关（HR=1.988，95% CI：1.154-3.423，P=.013）；Kaplan-Meier分析显示血管侵犯者总体生存更差（P=.012），高VISTA表达者总体生存更好（P=.0011）；结果提示低VISTA表达、高龄和血管侵犯与不良预后相关。多变量Cox回归分析和预后模型性能：调整相关临床病理变量后，VISTA表达状态、年龄和血管侵犯仍与总体生存独立相关，低VISTA表达组死亡风险更高（HR=2.596，95% CI：1.408-4.787，P=.002），年龄增加与死亡风险升高相关（HR=1.087，95% CI：1.040-1.136，P<.001），血管侵犯与更差生存相关（HR=2.104，95% CI：1.128-3.923，P=.019）；Schoenfeld残差检验全局P=.405，模型符合比例风险假设；将VISTA纳入基线模型后，12、24和36个月时间依赖ROC的AUC由0.785、0.781和0.798提高至0.849、0.822和0.863，Harrell C-index（Harrell’s concordance index，Harrell一致性指数）亦提高；决策曲线分析显示，在选定阈值概率范围内，包含VISTA的模型较基线模型具有更高的表观净获益，但该优势并非在所有阈值一致。

讨论部分总结：研究人员开发了用于术前预测胰腺癌VISTA表达的对比增强CT影像组学模型，并显示VISTA与总体生存独立相关，且在基线临床病理模型之外增加预后价值。其临床相关性在于胰腺癌高度致死、TIME深度免疫抑制且异质，而免疫相关生物标志物仍多依赖术后组织评估；影像组学研究聚焦VISTA者仍较少，因此该结果将CT影像组学从形态学刻画扩展至免疫表型推断。原文认为，影像组学特征可能捕获更广泛肿瘤微环境的宏观表现而非直接测量VISTA：胰腺癌具有密集促结缔组织增生间质、异质免疫细胞浸润和血管重塑，可能影响肿瘤灌注、对比剂分布和瘤内纹理；VISTA表达于肿瘤、免疫和内皮细胞区室（compartment），尤其富集于CD68⁺肿瘤相关巨噬细胞，既往研究显示CT强化和影像组学特征与成纤维细胞和微血管密度、间质含量及肿瘤-间质比相关，因此影像组学特征应解释为VISTA相关肿瘤微环境的复合影像学关联，而非VISTA直接测量。高VISTA表达与较长生存相关，与Hou et al和Zhang et al的报道一致，提示肿瘤细胞VISTA表达可能与较高CD8⁺肿瘤浸润淋巴细胞密度和相对活跃的抗肿瘤免疫微环境相关；三阴性乳腺癌中高VISTA表达亦与良好预后和免疫浸润增加相关；机制研究提示VISTA可能通过保守胞内基序干扰EGFR（epidermal growth factor receptor，表皮生长因子受体）转运和信号传导而发挥生长抑制作用，非小细胞肺癌中VISTA上调可通过STAT3/CCL22轴（信号转导与转录激活因子3/趋化因子配体22轴）增强CD8⁺ T细胞免疫反应。但Hong et al、Topcu et al和Shin et al的报道显示不同结果，如VISTA抗体负载Fe₃O₄@TiO₂纳米颗粒声动力治疗可增强免疫治疗并抑制胰腺癌进展、Twist1调控VISTA并促进胰腺癌细胞增殖迁移和进展、VISTA表达增加可能通过调节肿瘤相关巨噬细胞极化促进胰腺癌进展；这些差异可能源于VISTA表达细胞区室不统一、空间异质性及生物学作用依赖背景。Hou et al报道仅肿瘤细胞高VISTA表达与较长总体生存相关，而免疫细胞和内皮细胞VISTA表达与生存无显著关联；Loch et al显示肿瘤中心和周边多区域VISTA表达与患者生存的关联不同。局限性包括回顾性单中心样本量有限、选择偏倚、中心特异性人群和扫描方案限制外推、内部验证不能替代独立外部验证、术后病理标签与术前CT的时序差异、未用转录组学或空间免疫分析直接探究影像组学与VISTA的生物学基础、重采样不能完全消除扫描仪和采集参数变异，未来应采用ComBat等特征协调策略。研究结论翻译：总之，研究人员表明，基于术前对比增强CT的影像组学模型可有效识别胰腺癌中的VISTA表达状态。VISTA与总体生存独立相关，并且当将其纳入基线模型时可改善预后性能。更广泛而言，研究结果支持常规CT影像组学作为胰腺癌免疫表型评估的无创方法的潜力，并为未来图像引导的生物标志物分层研究提供基础。