《Frontiers in Immunology》：Predicting response to immunochemotherapy in EGFR-mutant lung adenocarcinoma after third-generation TKI resistance using CT radiomics-based habitat imaging
编辑推荐：
背景：第三代表皮生长因子受体（epidermal growth factor receptor, EGFR）酪氨酸激酶抑制剂（tyrosine kinase inhibitor, TKI）耐药是晚期肺腺癌治疗的重要挑战。本研究旨在建立并验证一种基于计算机断层扫
背景：第三代表皮生长因子受体（epidermal growth factor receptor, EGFR）酪氨酸激酶抑制剂（tyrosine kinase inhibitor, TKI）耐药是晚期肺腺癌治疗的重要挑战。本研究旨在建立并验证一种基于计算机断层扫描（computed tomography, CT）的生境成像（habitat imaging）放射组学模型，用于预测EGFR突变肺腺癌患者经TKI耐药后接受免疫检查点抑制剂联合含铂化疗（免疫化疗，immunochemotherapy）的治疗反应。
方法：这项回顾性多中心研究纳入两家医学中心共475例患者，按训练集（N=332）和外部验证集（N=143）分配。研究人员采用K-means聚类将肿瘤划分为三个不同亚区（生境），分别从全肿瘤体积及各生境亚区提取放射组学特征。研究人员使用机器学习算法构建整合临床特征、常规全肿瘤放射组学特征及生境特征的联合模型，并通过交叉验证及外部测试进行验证。主要终点为基于实体瘤疗效评价标准（Response Evaluation Criteria in Solid Tumors, RECIST）1.1的客观缓解率（objective response rate, ORR），次要终点为总生存期（overall survival, OS）。
结果：联合模型表现出优越的预测效能，训练集曲线下面积（area under the curve, AUC）为0.904（95% CI：0.871–0.937），验证集AUC为0.890（95% CI：0.838–0.942），显著优于临床模型、常规全肿瘤放射组学模型及单纯生境模型（均P<0.001）。此外，基于联合模型风险分层进行的Kaplan–Meier分析显示生存差异显著，高低危组OS存在明显区分（训练集HR=3.688，验证集HR=2.823，均log-rank P<0.0001）。
结论：本研究建立并外部验证了基于CT的生境放射组学模型，用于预测EGFR-TKI耐药后EGFR突变肺腺癌对免疫化疗的反应。联合模型较单一模态方法预测性能更优，提示引入生境特征可加强对瘤内异质性（intratumoral heterogeneity）的表征并改善治疗反应预测。该模型具有较高的阴性预测值（negative predictive value, NPV），有望帮助避免对预测无应答者进行不必要的治疗。尚需进一步前瞻性、多中心验证。
论文解读：基于CT放射组学生境成像预测第三代EGFR-TKI耐药后EGFR突变肺腺癌对免疫化疗反应的模型构建与验证
《Frontiers in Immunology》刊载的该项研究针对EGFR突变晚期肺腺癌患者接受第三代EGFR-酪氨酸激酶抑制剂（tyrosine kinase inhibitor, TKI）获得性耐药后，一线后续免疫检查点抑制剂联合含铂化疗（免疫化疗，immunochemotherapy）疗效个体差异大、缺乏有效无创预测标志物这一临床痛点展开。现有临床决策依赖有限临床病理特征，肿瘤突变负荷（tumor mutational burden, TMB）及肿瘤浸润淋巴细胞（tumor-infiltrating lymphocytes, TILs）等分子标志物需有创取材且难以反映空间异质性；传统RECIST标准无法在治疗前预测疗效，而常规放射组学（Radiomics）多将肿瘤视为均匀整体，忽略了与治疗抵抗密切相关的瘤内空间异质性（intratumoral heterogeneity）。生境成像（habitat imaging）可通过无监督聚类划分瘤内表型各异的亚区以捕捉生物学异质性，但其在EGFR突变肺腺癌TKI耐药后免疫化疗人群中的应用尚属空白。研究人员据此开展回顾性多中心研究，开发并外部验证基于增强CT的生境放射组学联合模型，以治疗前影像预测客观缓解率（objective response rate, ORR）并评估其预后分层价值，证明联合模型预测效能优异且具有较高阴性预测值（negative predictive value, NPV），为生境特征改善治疗决策支持提供了循证依据。
主要关键技术方法
回顾性纳入两家中心475例经组织学确认IV期或复发EGFR敏感突变（19外显子缺失或L858R点突变）肺腺癌患者，均在第一代/三代EGFR-TKI治疗后RECIST 1.1确认进展、首次接受免疫化疗且有治疗前4周内胸腹增强CT。按中心分为训练队列（N=332）与完全独立外部验证队列（N=143）。由两名阅片者盲法行ITK-SNAP三维手动勾画全肿瘤感兴趣区（volume of interest, VOI），ICC≥0.75特征被保留。CT图像重采样至各向同性1×1×1 mm3并强度标准化、固定 bin width 离散化。以Simple Linear Iterative Clustering超像素预分割后，对每个体素计算3×3×3邻域的19个局部纹理统计量构建高维特征空间，经无监督K-means聚类（Calinski-Harabasz指数等确定最佳k=3）将肿瘤划分为3个生境亚区。采用PyRadiomics按IBSI标准提取全肿瘤形状、一阶及纹理特征，以及各生境亚区（去除形态学特征）的一阶与纹理特征并拼接为生境特征向量。分数据集经Z-score标准化、Spearman相关性去冗余后，以LASSO回归（10折交叉验证选λ）筛选最具预测力特征子集。分别构建临床模型（多变量Logistic回归）、常规全肿瘤放射组学模型、生境模型及整合三者的联合模型（机器学习算法），以DeLong检验比较ROC曲线下面积（area under the curve, AUC）、准确度、敏感度、特异度、阳性预测值（positive predictive value, PPV）、NPV；校准曲线及决策曲线分析（decision curve analysis, DCA）评估校准度与临床净获益；Kaplan–Meier法与Cox回归评估OS（overall survival）预后分层。
研究结果
Patient characteristics
训练集332例、验证集143例，两组基线特征（年龄、性别、T/N分期、吸烟状况、转移部位、EGFR突变亚型、原发灶侧别）均无统计学差异（均P>0.05），队列具可比性。训练集中T/N分期、骨转移、EGFR突变亚型在应答与非应答间差异显著；验证集中年龄、T/N分期、肺转移及原发灶部位差异显著，提示临床预测因子跨中心不稳定。
Performance of the clinical model
多因素分析仅EGFR 19外显子缺失为治疗反应的独立负向预测因子（OR=0.725, 95% CI：0.559–0.942, P<0.05）。临床模型训练集AUC=0.740（95% CI：0.686–0.794），验证集AUC=0.678（95% CI：0.581–0.775），判别力有限，说明传统临床变量不足以准确预测免疫化疗反应。
Performance of the radiomics model
常规全肿瘤放射组学模型外部验证AUC仅0.657（95% CI：0.605–0.751），准确度0.678，敏感度0.605，特异度0.710，未较临床模型明显改善，表明全肿瘤整体特征对复杂异质性相关的治疗反应捕获能力不足。
Performance of the habitat model
生境模型训练集AUC=0.900（95% CI：0.866–0.934），验证集AUC=0.874（95% CI：0.819–0.929）；验证集准确度0.748，敏感度0.977，特异度0.650，训练与验证队列NPV分别为93.1%与92.4%。同一机器学习算法（LightGBM）对照下，生境模型仍显著优于常规放射组学模型（训练AUC 0.900 vs. 0.660；验证AUC 0.874 vs. 0.658），证实生境特征而非算法选择带来性能提升。
Performance of the combined model
临床+常规放射组学+生境特征构建的联合模型训练集AUC=0.904（95% CI：0.871–0.937），验证集AUC=0.890（95% CI：0.838–0.942），显著优于临床模型（P<0.001）与常规放射组学模型（P<0.001），与生境模型比差异无统计学意义（P=0.158）。校准曲线示预测-观测吻合良好，DCA显示联合模型在阈值概率10%–80%区间提供最大净临床获益。NRI与IDI分析证实联合模型对各单模态模型具显著增量判别价值（均P<0.01）。
Model comparison and incremental value
各模型预测效能排序为联合模型＞生境模型＞临床模型＞常规放射组学模型。预测评分分布显示联合模型对应答/非应答组分离最佳。
Subgroup analysis
联合模型在不同EGFR突变亚型（19del与L858R）、性别亚组中预测性能一致；骨转移亚组敏感度略降但总体AUC仍可接受，表明模型在异质患者中具稳健性。
Survival analysis
以Youden指数截断值将患者分为高危/低危组，联合模型Kaplan–Meier分析显示两组OS显著差异——训练集低危组中位OS 11.8个月 vs. 高危组6.1个月（HR=3.688, 95% CI：2.244–6.060, log-rank P<0.0001）；验证集低危组中位OS 11.9个月 vs. 高危组4.5个月（HR=2.823, 95% CI：2.005–3.975, log-rank P<0.0001）。多因素Cox回归校正临床变量后联合模型仍为OS独立预测因子。
讨论与结论翻译
本研究表明，基于CT的生境放射组学联合模型可有效地预测EGFR-TKI耐药后EGFR突变肺腺癌患者对免疫化疗的反应并具有预后分层能力。生境成像通过刻画瘤内空间异质性——其生物学内涵可能对应于不同肿瘤细胞密度、血管化程度、缺氧及免疫浸润状态的微环境分区——提供了超越全肿瘤分析的附加信息。联合模型具较高NPV，有助于识别真正不可能获益者以避免不必要毒性及误治。局限性包涵回顾性设计、多中心CT参数差异残留、生境特征缺乏直接病理-影像关联验证、外部验证样本量有限及尚未经前瞻性真实世界验证。综上，研究人员开发并外部验证了基于CT生境放射组学的联合预测模型，整合临床变量、常规放射组学及生境特征较单模态方法提高预测性能，生境成像能更好地表征瘤内空间异质性，该多模态影像模型有望成为精准治疗决策的辅助工具，但仍需前瞻性多中心研究及与病理分子数据整合以进一步确认其临床效用与生物学基础。
