基于微环境成像和肿瘤周围放射组学预测胃癌对新辅助化疗联合免疫治疗的反应：一项双中心研究

《Journal of Translational Medicine》：Predicting response to neoadjuvant chemotherapy combined with immunotherapy in gastric cancer based on habitat imaging and peritumoral radiomics: a two-center study

摘要

背景

预测局部晚期胃癌（LAGC）患者对新辅助化疗联合免疫治疗（NACI）的病理反应仍然具有挑战性。本研究旨在通过整合肿瘤内微环境成像特征、肿瘤周围区域的放射组学信息以及基线增强CT（CECT）的临床特征，开发出一个无创的预测模型。

方法

在这项回顾性、双中心研究中，共纳入了281名接受新辅助化疗联合免疫治疗（NACI）后进行手术的LAGC患者。根据肿瘤消退程度（TRG），将这些患者分为响应者和非响应者。通过K均值聚类方法，将治疗前CECT图像中的肿瘤分割成不同的微环境区域。从肿瘤内部、微环境亚区域以及1毫米/2毫米的肿瘤周围区域提取放射组学特征。特征选择完成后，使用机器学习算法构建了多个预测模型。最终确定的最佳模型结合了肿瘤微环境特征、肿瘤周围区域（1毫米）特征和临床因素。

结果

该组合模型表现出优异的预测性能，在训练集、内部验证集和外部测试集中的曲线下面积（AUC）值分别为0.885、0.789和0.763。其预测效果优于仅基于肿瘤内放射组学特征、肿瘤微环境特征或临床数据的模型。决策曲线分析进一步证实了该模型的临床实用性。

结论

一种基于CT的多参数模型能够捕捉肿瘤内的空间异质性和肿瘤周围微环境信息，从而有效预测LAGC患者对新辅助化疗联合免疫治疗的病理反应。这种方法为个性化治疗选择和优化治疗策略提供了有前景的无创工具。

背景

预测局部晚期胃癌（LAGC）患者对新辅助化疗联合免疫治疗（NACI）的病理反应仍然具有挑战性。本研究旨在通过整合肿瘤内微环境成像特征、肿瘤周围区域的放射组学信息以及基线增强CT（CECT）的临床特征，开发出一个无创的预测模型。

方法

在这项回顾性、双中心研究中，共纳入了281名接受新辅助化疗联合免疫治疗（NACI）后进行手术的LAGC患者。根据肿瘤消退程度（TRG），将这些患者分为响应者和非响应者。通过K均值聚类方法，将治疗前CECT图像中的肿瘤分割成不同的微环境区域。从肿瘤内部、微环境亚区域以及1毫米/2毫米的肿瘤周围区域提取放射组学特征。特征选择完成后，使用机器学习算法构建了多个预测模型。最终确定的最佳模型结合了肿瘤微环境特征、肿瘤周围区域（1毫米）特征和临床因素。

结果

该组合模型表现出优异的预测性能，在训练集、内部验证集和外部测试集中的曲线下面积（AUC）值分别为0.885、0.789和0.763。其预测效果优于仅基于肿瘤内放射组学特征、肿瘤微环境特征或临床数据的模型。决策曲线分析进一步证实了该模型的临床实用性。

结论

一种基于CT的多参数模型能够捕捉肿瘤内的空间异质性和肿瘤周围微环境信息，从而有效预测LAGC患者对新辅助化疗联合免疫治疗的病理反应。这种方法为个性化治疗选择和优化治疗策略提供了有前景的无创工具。