论文部分内容阅读
目的:目前程序性细胞死亡蛋白1/程序性细胞死亡蛋白配体1（programmed death-1/programmed death-ligand 1,PD-1/PD-L1）抑制剂成为多种恶性癌症（例如肺癌）新型的治疗方法,但目前缺乏方便获取且有效的疗效预测标志物。此外,其诱发的免疫相关肝毒性（immune-mediated hepatotoxicity,IMH）也逐渐被临床医生所重视。本研究通过结合影像组学与临床特征建立综合模型,用于区分肺癌患者PD-1/PD-L1抑制剂治疗后的应答组与无应答组。此外,本研究建立基于影像组学结合临床特征的综合模型预测肺癌患者经过PD-1/PD-L1抑制剂治疗后免疫相关肝毒性发生情况。方法:第一部分:回顾并分析2016年1月至2020年12月就诊于青岛大学附属医院接受PD-1/PD-L1抑制剂治疗129例患者的影像及临床资料。PD-1/PD-L1抑制剂治疗前2周内进行胸部CT平扫检查。通过医院His系统收集临床特征,包括PD-1/PD-L1抑制剂治疗基线时的性别、年龄、体重指数、PD-1/PD-L1抑制剂的治疗线数、PD-1/PD-L1抑制剂治疗方案、淋巴结转移、远处转移和病理类型,以及血清实验室数据,包括中性粒细胞与淋巴细胞比值、乳酸脱氢酶、血清白蛋白、淋巴细胞计数及晚期肺癌炎症指数,并观察肿瘤癌胚抗原及绝对中性粒细胞计数在免疫治疗过程中的变化。使用免疫治疗疗效评价标准评估PD-1/PD-L1抑制剂治疗疗效,并将患者分为应答组（免疫完全缓解、免疫部分缓解、免疫疾病稳定）与无应答组（免疫确认进展）。采用卡方检验和多因素Logistic回归分析确定有显著差异的临床因素,选择赤池信息量准则（akaike information criterion,AIC）值最低的临床模型并绘制列线图。手动勾画胸部CT平扫图像中肺癌原发病灶的感兴趣区域并提取影像组学特征。挑选组间和组内相关系数均大于0.75的影像组学参数,再使用Lasso-Logistic回归分析对影像组学数据进行降维,筛选出预测PD-1/PD-L1抑制剂治疗反应的最佳影像组学特征,构建影像组学模型。将单因素分析获得的有差异的临床特征和最佳影像组学特征带入AIC得到AIC值最低的综合模型,并绘制列线图。第二部分:在第一部分的基础上,排除PD-1/PD-L1抑制剂治疗前2周内缺少肝脏CT平扫的肺癌患者,最终共纳入93例患者。额外收集临床特征,包括PD-1/PD-L1抑制剂治疗基线时的嗜酸性粒细胞、血小板和白细胞计数,血红蛋白浓度、血小板与淋巴细胞比值和营养预后指数,并观察这些指数在免疫治疗过程中的变化。根据《免疫检查点抑制剂治疗相关毒性的管理指南》将患者分为IMH组（G1G4）和非IMH组。同时再随机将患者分为训练集（68例）和验证集（25例）。训练集中发生IMH者为A1组,未发生IMH者为A2组,验证集中发生IMH者为B1组,未发生IMH者为B2组。采用卡方检验和多因素Logistic回归分析挑选出A1组和A2组间有显著差异的临床因素,并构建临床模型并绘制列线图。对肝脏的CT图像进行手动勾画,在肝右叶避开主要血管的位置勾画出直径为5mm的球形感兴趣区域（region of interest,ROI）。利用组间和组内相关系数和Lasso-Logistic回归分析对获得的影像组学数据进行降维,得到预测IMH的最佳影像组学特征,计算影像组学得分。将单因素分析获得有差异的临床特征和最佳影像组学特征带入AIC,选取AIC值最小的综合模型,并绘制列线图。利用临床特征与影像组学建立一个模型,同时作出该模型的列线图。采用校正曲线评估模型的拟合度。通过ROC曲线评价每种模型预测IMH的效率,最后再通过决策曲线评价综合模型预测IMH的净获益。结果:第一部分:通过单因素分析筛选出应答组和无应答组组间差异有统计学意义的6个临床特征,包括年龄、BMI、d CEA%、d ANC%、NLR、ALI（P＜0.05）。然后选择AIC值最小的临床模型。临床模型由年龄、BMI、d CEA%和d ANC%组成。从1409个影像组学特征中筛选出3个对应答组和无应答组组间具有鉴别价值的特征,并构建了影像组学模型。将6个临床特征和3个影像组学特征带入AIC,选择AIC值最小的综合模型（分别是年龄、BMI、d CEA%、d ANC%及3个最优影像组学特征）。综合模型在预测肺癌PD-1/PD-L1抑制剂治疗疗效方面具有最高的效能,其AUC值[0.82（95%CI:0.75~0.88）]高于影像组学和临床模型[0.67（95%CI:0.58~0.75）和0.78（95%CI:0.70~0.85）]。决策曲线显示综合模型较临床模型和影像组学模型预测肺癌患者PD-1/PD-L1抑制剂治疗疗效具有较高的净获益。第二部分:93例患者中有31例发生了IMH。通过单因素分析筛选出A1组和A2组组间差异有统计学意义的4个临床特征,包括年龄、性别、吸烟情况与ALB（P＜0.05）。将筛选出的临床特征带入AIC,选取AIC值最低的临床模型。从1409个影像组学特征中筛选17个对A1组和A2组间具有鉴别价值的特征,并构建了影像组学模型。临床特征（年龄、性别、吸烟情况与ALB）与具有良好预测效能的影像组学特征带入AIC,选取AIC值最小的综合模型。所得综合模型在预测IMH方面具有较高的效能,在训练集和验证集中预测IMH的AUC分别为[0.86（95%CI:0.76~0.96）和0.79（95%CI:0.57~1.00）]高于临床模型[0.80（95%CI:0.69~0.90）和0.71（95%CI:0.51~0.91）]。决策曲线显示综合模型预测IMH的发生净获益较临床模型预测IMH更高。校正曲线显示综合模型预测IMH的发生具有良好的拟合性。结论:本研究通过利用影像组学联合基本临床信息分别构建了两种综合模型来预测接受PD-1/PD-L1抑制剂治疗肺癌患者的应答情况和在治疗过程中IMH的高危人群,从而完善肺癌患者免疫治疗的个性化决策。