一种生物学可解释的 CT 影像组学模型预测三级淋巴结构状态并分层化免治疗后胰腺导管腺癌的预后

《European Journal of Radiology》：A biologically Interpretable CT radiomic model Predicts tertiary lymphoid structure status and Stratifies outcomes following chemoimmunotherapy in pancreatic ductal adenocarcinoma

　　

摘要 目的 开发并验证一种基于CT的放射组学模型，用于非侵入性预测胰腺导管腺癌（PDAC）的三级淋巴结构（TLS）状态，并评估其在接受免疫检查点抑制剂（ICI）联合化疗患者中的生物学关联及与临床结局的关系。 材料与方法 回顾性纳入435例经病理确诊的PDAC患者，分为训练集（n=170）、时间验证集（n=71）、外部验证集（n=63）、放射基因组学验证集（n=50）和免疫治疗队列（n=81）。通过序贯特征选择后，利用术前CT的放射组学特征，采用XGBoost算法构建RaTLS模型。放射基因组学分析交叉了影像组学定义与病理定义的TLS组之间的差异表达基因，所得分子特征在TCGA-PAAD队列中进行投影验证。临床结局采用客观缓解率（ORR）和无进展生存期（PFS）进行评估。 结果 RaTLS模型在四个队列中分别达到0.891、0.835、0.794和0.722的AUC，校准度良好，决策曲线分析显示净获益为正。放射基因组学整合分析鉴定出522个一致性基因，富集于B细胞和趋化因子通路；该分子特征在TCGA-PAAD队列中与总生存期独立相关（P=0.002）。RaTLS高表达患者的客观缓解率更高、无进展生存期更长；多因素校正后，RaTLS仍与无进展生存期独立相关（P=0.029）。 结论 基于CT的RaTLS模型在非侵入性预测PDAC的TLS状态方面显示良好前景，并可能为接受免疫治疗患者提供额外的预后分层价值。 引言 胰腺导管腺癌（PDAC）是全球最致命的恶性肿瘤之一，5年生存率低于12%[1,2]。尽管FOLFIRINOX和吉西他滨方案在一定程度上延长了生存期，但持久缓解者罕见。尽管免疫检查点阻断（ICB）在其他实体瘤中取得显著成功，但其在PDAC中的疗效令人失望[3,4]。例如，PD-1单药在未筛选的PDAC患者中几乎无应答；即使采用双重检查点抑制，包括度伐利尤单抗联合特瑞木单抗，客观缓解率也仅为3.1%[5]。这些治疗失败凸显了PDAC微环境的免疫"冷"特征及其空间异质性[6,7]。因此，需要能反映局部免疫景观的生物标志物，以指导免疫治疗的患者筛选[8]。 三级淋巴结构（TLS）已成为局部抗肿瘤免疫的关键调控者[9]。其结构类似于次级淋巴器官，TLS为抗原呈递、淋巴细胞活化及原位抗体亲和力成熟提供了有序的场所[10]。空间转录组和多色成像研究表明，TLS驻留的B细胞经历活跃的 germinal center 反应，包括类别转换重组和克隆扩增，以产生肿瘤反应性抗体[11,12]。在PDAC中，肿瘤内TLS，尤其是含有CD23?成熟 germinal center 的TLS，与T细胞浸润增加及术后结局改善密切相关[13]。此外，跨多种肿瘤的证据表明，富含TLS的肿瘤对ICB更为敏感，将TLS定位为"免疫活跃"微环境的结构标志[14]。然而，TLS的组织病理学评估受限于单点活检固有的取样偏差及其侵入性，无法进行纵向监测。因此，需要一种非侵入性方法来评估整个肿瘤的TLS状态。 基于CT的放射组学通过对常规影像提取高维特征，实现对肿瘤表型的非侵入性定量[15,16]。多项研究表明，放射组学特征可反映肿瘤免疫微环境的某些方面，包括淋巴细胞浸润和间质成分，适用于多种癌症[17,18]。在PDAC中，TLS形成涉及间质重塑、血管新生和免疫细胞聚集，这些过程可能以CT可检测的方式改变局部组织结构。然而，CT衍生的特征是否能特异性捕捉TLS生物学，而非一般肿瘤异质性，在PDAC中尚未确立。通过放射基因组学方法将影像与匹配的转录组数据整合，有望通过将影像表型与其分子基础联系起来解答这一问题。 在本研究中，我们在四个独立队列中开发并验证了一种基于CT的放射组学模型，用于非侵入性预测PDAC的TLS状态。通过匹配影像与转录组数据的放射基因组学整合，我们探讨了影像定义的TLS表型的生物学关联及其与生存的关系，并进一步评估了RaTLS在接受免疫检查点抑制剂（ICI）治疗的患者中与临床结局的关联（图1）。 受试者入组 本多中心回顾性研究纳入了来自五个独立队列的经病理确诊PDAC患者。用于模型开发的训练队列（TC）纳入我中心2020年1月至2023年12月间行根治性切除且具备术前增强CT图像及H&E染色切片者。时间验证队列（TVC）来自同一机构，纳入同年1月至同年间接受治疗的同类患者。临床与预后数据 系统收集临床、放射学及病理学数据。临床变量包括年龄、性别和身体质量指数（BMI）。对手术队列（TC、TVC和EVC），额外收集变量包括糖尿病、血清CA19-9、总胆红素和白蛋白水平。CT相关变量包括肿瘤大小和解剖位置（头/钩突 vs. 体/尾）。病理变量包括原发肿瘤分期（pT）、淋巴结状态（pN）以及美国联合委员会（AJCC）分期。TLS评估 国内队列的TLS评估在甲醛固定石蜡包埋肿瘤标本的H&E染色切片上进行。对RVC队列，数字化H&E全切片图像从癌症影像存档（TCIA）获取。TLS定义为肿瘤内或邻近肿瘤区域由超过50个淋巴细胞组成的密集淋巴聚集，包括无滤泡结构的早期TLS和具有滤泡形成的初级或次级TLS，依据先前建立的标准。CT方案 各参与中心的CT检查采用多探测器CT扫描仪进行。标准方案包括平扫后动脉期及门脉期增强成像。门脉期图像用于放射组学分析。各中心的详细扫描仪参数见补充材料S2和补充表S1。肿瘤分割 由不知晓病理数据的放射科医师在门脉期CT图像上利用ITK-SNAP（版本4.0.2）手动勾画肿瘤内感兴趣区域（ROI）。特征提取前进行包括重采样和强度归一化在内的图像预处理。完整的分割和预处理流程见补充附录S3.1和S3.2。特征提取与选择 按照IBSI指南，使用PyRadiomics（v3.1.0）从门脉期CT图像中提取放射组学特征，共提取1197个特征，涵盖形状、一阶和纹理描述符。剔除可重复性较差的特征（ICC < 0.80）。所有保留的特征使用训练队列的Z-score参数进行标准化，并以相同参数应用于验证队列。剩余候选特征经过序贯选择。放射基因组学分析与生物学表征 为探究影像定义的TLS表型的生物学关联，在具备匹配CT影像、H&E切片及RNA-seq转录组数据的RVC队列中进行放射基因组学分析。使用limma进行差异基因表达分析，并行比较影像预测组（RaTLS-high vs. RaTLS-low）与病理定义组（TLS+ vs. TLS?）。鉴于探索队列样本有限且无基因达到FDR阈值，我们采用探索性分析。患者队列与特征 五个独立队列共纳入435例PDAC患者，包括训练队列（TC）170例、时间验证队列（TVC）71例、外部验证队列（EVC）63例、放射基因组学验证队列（RVC）50例及免疫治疗队列（ITC）81例（图2）。各队列的基线人口统计学及临床病理特征总结见表1。基线临床和病理特征无显著差异。RaTLS模型的预测性能与可解释性 从门脉期CT图像的肿瘤内区域共提取1197个放射组学特征。通过序贯特征选择，包括单因素筛选、相关性分析、mRMR排序和LASSO回归，保留13个非冗余特征构建RaTLS-radscore。在评估的五种分类器中，XGBoost在训练队列交叉验证中表现最佳，被选为最终模型（补充图S1）。RaTLS。放射基因组学鉴定TLS相关分子特征 为表征影像定义的TLS表型的分子关联，在RVC队列中使用limma进行差异基因表达分析。在基于影像的（RaTLS-high vs. RaTLS-low）和基于病理的（TLS+ vs. TLS?）比较中，分别鉴定出1377和1369个差异表达基因（图4a-b）。通过取两种分析中方向一致的基因交集，保留522个基因（361个上调，161个下调）作为。RaTLS相关分子特征与TLS相关免疫程序及生存相关 通过ssGSEA将放射基因组学TLS特征投影到TCGA-PAAD队列中。高特征评分患者的总生存期显著长于低评分者（中位OS：21.9 vs. 16.4个月；log-rank P=0.042；图4d）。多因素Cox回归显示，校正年龄、分期和性别后，特征评分仍与总生存期独立相关（HR=0.17，95% CI：0.053-0.52；P=0.002；图4e）。特征评分与。TLS的预后意义及RaTLS与ICI治疗患者临床结局的关联 我们进一步评估了ITC中RaTLS与临床结局的关联，该队列包括81例接受ICI联合化疗的局部晚期PDAC患者（图6a）。在RVC队列中，TLS阳性患者的OS显著长于TLS阴性者（33.4 vs. 14.2个月；P=0.012；图6b），RaTLS高表达患者亦显示更长的OS（33.4 vs. 13.4个月；P=0.011；图6c），表明RaTLS衍生的表型与病理TLS相关的预后模式平行。讨论 在本多中心研究中，我们开发并验证了一种基于CT的放射组学模型（RaTLS），用于非侵入性预测PDAC的TLS状态，在四个独立队列中达到0.891至0.722的AUC。通过匹配影像、病理和转录组数据的放射基因组学整合，我们鉴定出522个一致性基因，包括12个已确立的TLS标志物，并证明所得分子特征与生存独立相关，为这一关联提供了生物学支持。资金 本研究由上海市卫生健康委员会卫生行业临床研究专项计划（青年项目）（20244Y0003）、安徽省医学影像学科（专业）领军人才培养计划（安徽省教育厅）（DTR2024028）、蚌埠医科大学龙虎人才项目（LH250302002）、江淮人才发展计划-杰出项目、安徽省数字医学重点实验室开放项目资助。作者贡献声明 Cancan Zhao：撰写初稿、形式分析、概念构思。Chuyi Zeng：资源、方法、数据整理、概念构思。Jingcheng Huang：撰写初稿、数据整理、概念构思。Junjian Shen：资源、调查、数据整理。Jianjun Zhou：项目管理、方法。Dalong Li：资源、调查。Shiwu Fang：资源、调查。Mengsu Zeng：监督、项目管理。Qiuyang Zhu：验证、资源。利益冲突声明 作者声明不存在可能影响本研究报告工作的已知竞争性财务利益或个人关系。致谢 我们感谢OmniMedAI平台及其开发者。 Cancan Zhao|Chuyi Zeng|Jingcheng Huang|Junjian Shen|Jianjun Zhou|Dalong Li|Shiwu Fang|Mengsu Zeng|Qiuyang Zhu|Qiying Tang|Minping Hong|Zongyu Xie|Haitao Sun 蚌埠医科大学第一附属医院放射科，中国蚌埠