双层光谱探测器CT碘密度图影像组学分析预测食管鳞状细胞癌新辅助化学免疫治疗后病理完全缓解

《European Journal of Radiology Open》：Radiomics analysis of dual-layer spectral detector CT-derived iodine density maps for predicting the pathological complete response of esophageal squamous cell carcinoma after neoadjuvant chemoimmunotherapy

　　

本研究旨在评估基于双层光谱探测器CT(DLCT, dual-layer spectral detector CT）碘密度图（ID, iodine density map）的影像组学模型在预测食管鳞状细胞癌（ESCC, esophageal squamous cell carcinoma）新辅助化学免疫治疗（nCIT, neoadjuvant chemo-immunotherapy）后病理完全缓解（pCR, pathologic complete response）中的价值。研究人员回顾性纳入129例经病理确诊的ESCC患者，划分为训练队列（n=86）与验证队列（n=43）。从静脉期碘密度图中提取影像组学特征，经最小绝对收缩与选择算子（LASSO, Least Absolute Shrinkage and Selection Operator）回归筛选后计算影像组学评分（Radscore）。多因素logistic回归分析确定分化程度与静脉期标准化碘密度（NID_V, normalized iodine density in venous phase）为独立预测因子，并构建联合模型。结果显示，联合模型在训练队列的曲线下面积（AUC, area under curve）为0.943，验证队列为0.833，显著优于单一模型（p<0.05）。决策曲线分析（DCA, decision curve analysis）表明联合模型具有更高的临床净获益。研究表明，基于DLCT碘密度图的影像组学结合临床病理及光谱参数可有效预测ESCC患者nCIT后pCR，有助于制定个体化治疗决策，但结论仍需多中心前瞻性研究进一步验证。

食管鳞状细胞癌新辅助免疫治疗疗效预测的影像组学研究解读

一、研究背景与问题

食管癌是消化系统常见恶性肿瘤，中国发病率较高，其中约90%为食管鳞状细胞癌（ESCC）。近年来，以卡瑞利珠单抗为代表的免疫检查点抑制剂（ICIs）联合化疗的新辅助治疗模式（nCIT）在局部进展期ESCC中显示出显著疗效，可缩小原发肿瘤、降低肿瘤分期并提高根治性手术切除率。病理完全缓解（pCR）已被证实是ESCC患者重要的预后指标，与更长的总生存期相关。然而，由于肿瘤异质性，相当比例的患者对nCIT反应不佳，且可能承受不必要的药物毒性。因此，治疗前准确预测nCIT疗效对于个体化治疗决策至关重要。

传统影像学评估方法如常规CT仅能观察肿瘤形态学改变，难以反映肿瘤微环境和异质性。双层光谱探测器CT（DLCT）作为新型功能影像技术，可通过单次扫描获得碘密度（ID）图、虚拟单能量图像（VMI）、有效原子序数（Z_eff）图及电子密度（ED）图等多种光谱参数，其中碘密度可间接反映肿瘤血供特征。既往基于DLCT碘参数的研究证实其评估食管癌治疗反应的潜力，但普遍存在样本量小、未与影像组学特征整合的局限。影像组学可高通量提取肿瘤异质性特征，为无创评估肿瘤生物学行为提供了新途径。基于此，研究人员创新性地将DLCT静脉期碘密度图与影像组学相结合，联合临床病理及光谱参数构建联合模型，以实现nCIT疗效的精准预测。该研究发表在《European Journal of Radiology Open》。

二、关键技术方法

研究人员回顾性纳入2022年10月至2024年10月在郑州大学第一附属医院接受nCIT后手术切除的129例ESCC患者，来自河医院区的86例患者为训练队列，来自东院区和南院区的43例患者为验证队列。所有患者治疗前两周内完成双期增强DLCT扫描。研究主要技术方法包括：①光谱参数定量测量：在肿瘤最大层面勾画感兴趣区（ROI），测量动脉期和静脉期的ID、VMI_40keV、VMI_100keV、Z_eff、ED，并计算标准化碘密度（NID）、动脉增强分数（AEF）和光谱曲线斜率（λ）；②影像组学分析：在静脉期碘密度图上独立勾画ROI，通过ICC筛选可重复性特征，采用LASSO回归选择最优特征并计算Radscore；③多因素logistic回归：将单因素分析有差异的变量纳入回归分析，确定独立预测因子；④模型构建与评估：分别构建临床模型、光谱模型、影像组学模型及联合模型，通过ROC曲线、校准曲线、决策曲线分析（DCA）和净重分类改善指数（NRI）评价模型性能。分化程度和NID_V作为独立预测因子纳入最终联合模型。

三、研究主要结果

3.1 临床病理特征比较

129例患者中45例（34.9%）达到pCR，84例（65.1%）为非pCR。训练队列中pCR组与非pCR组在分化程度、临床N分期和肿瘤位置方面差异有统计学意义（p<0.05）。多因素logistic回归分析显示，分化程度是pCR的独立预测因子（OR=0.174，95%CI：0.033–0.910，p=0.038），高/中分化肿瘤患者的pCR率显著高于低分化患者，这与高分化肿瘤恶性程度较低、增殖较慢、对化疗更敏感有关。

3.2 光谱参数比较

训练队列中，pCR组的静脉期碘密度（ID_V）、静脉期光谱曲线斜率（λ_V）、动脉期标准化碘密度（NID_A）和静脉期标准化碘密度（NID_V）均显著低于非pCR组（p<0.05）。多因素回归分析确认NID_V是pCR的独立预测因子（OR=0.806，95%CI：0.707–0.920，p=0.001）。NID_V降低反映肿瘤对碘摄取减少，提示治疗敏感性高的肿瘤血供相对贫乏，即“乏碘”表型。

3.3 影像组学特征筛选与Radscore

从静脉期碘密度图中提取的2153个影像组学特征中，经ICC和LASSO筛选出10个最优特征计算Radscore。GLCM特征占比最高（40%），提示纹理模式和强度分布是Radscore的主要驱动因素。pCR组的Radscore显著高于非pCR组，多因素分析确认Radscore为独立预测因子（OR=1.165，95%CI：1.090–1.245，p<0.001）。

3.4 模型构建与性能评估

训练队列中，临床模型、光谱模型和影像组学模型的AUC分别为0.645、0.741和0.869，而联合模型的AUC显著提升至0.943，准确度0.884，敏感度0.839，特异度0.946。DeLong检验证实联合模型显著优于各单一模型（均p<0.05）。验证队列中联合模型AUC为0.833。校准曲线显示联合模型的预测概率与实际结果高度一致。DCA表明联合模型在训练队列（阈值1%–99%）和验证队列（阈值14%–93%）均提供更高的临床净获益。NRI均为正值且具有统计学意义（p<0.05），证实联合模型相较单一模型具有更好的风险重分类能力。

四、讨论与结论总结

讨论部分指出，该研究是首个将DLCT光谱多参数成像与影像组学相结合预测ESCC新辅助免疫治疗pCR的研究，14个训练队列中AUC达0.943的联合模型展示了量化肿瘤退缩生物标志物的可行性。分化程度与pCR的相关性符合肿瘤生物学行为规律；NID_V作为独立预测因子反映治疗敏感肿瘤的碘摄取降低特征，但单一光谱参数预测能力有限（AUC 0.741），提示需要多模态整合；影像组学模型虽能在训练集达到AUC 0.869，但验证集降至0.685，稳定性受限，而联合模型通过结合临床、光谱及影像组学信息实现性能大幅提升，体现了多模态协同效应。研究局限性包括回顾性设计、样本量有限、2.5D勾画方式未完全捕捉三维异质性以及未纳入PD-L1表达状态等，未来需多中心前瞻性大样本研究进一步验证。

结论：研究人员设计的整合DLCT碘密度图影像组学与临床病理及光谱参数的创新多模态框架，在预测ESCC患者nCIT后pCR方面展现出稳健的预测效能，该方法在提升临床决策精度方面具有重要潜力，但仍需更大规模的前瞻性多中心研究加以验证。