Computed tomography radiomics-based nomogram before neoadjuvant chemotherapy predicts long-term efficacy in advanced gastric cancer
-
摘要:目的 开发和验证一种新型列线图模型预测进展期胃腺癌患者远期预后。方法 回顾性分析2010年1月至2018年12月在福建医科大学附属协和医院132例及青海大学附属医院45例接受新辅助化疗后行根治性切除术的胃腺癌患者临床资料。基于新辅助化疗前CT影像组学评分（CT-RS）构建列线图模型（RS-CN），并通过ROC曲线下面积（AUC），Time-ROC曲线，C-index评估RS-CN的预测能力。结果 训练队列中，RS-CN预测胃腺癌患者总体生存率的C-Index为0.72，AUC显著优于TRG分级（P=0.019），且与ypTNM分期相当（P=0.786）。Time-ROC曲线显示在各个时间段RS-CN预测总体生存能力始终优于TRG分级及ypTNM分期。外部验证队列中得到相同的结果。进一步分析，低风险组（RS-CN<288.4）患者3年总生存（overall survival，OS）及无病生存（disease-free survival，DFS）均显著优于高风险组（RS-CN≥288.4），但高风险组进行术后辅助化疗3年DFS显著提高 （P<0.05），3年OS （P=0.099）未见明显提高。结论 相较于传统ypTNM分期，本研究提出的RS-CN模型可在预测远期预后的同时识别新辅助和续惯术后化疗中获益的患者，为个体化治疗的决策制定提供指导作用。Abstract:Objective Development and validation of a novel nomogram model to predict the long-term prognosis of patients with advanced gastric cancer.Methods We conducted a retrospective analysis of clinical and follow-up data taken from patients at Fujian Medical University Union Hospital (132 cases) and the Affiliated Hospital of Qinghai University (45 cases) who underwent NAC followed by radical gastrectomy from January 2010 to December 2018. A radiomic signatures clinical nomogram (RS-CN) was established based on CT-RS. The prediction performance of the RS-CN was evaluated using the area under the receiver operating characteristic (ROC) curve (AUC values), time-dependent ROC, and C-index.Results In the training cohort, RS-CN yielded good predictive performance for OS in AGC patients as evaluated using C-Index (0.72); the AUC of RS-CN was significantly better than that of TRG classification (P=0.019) and was comparative to ypTNM stage (P=0.786). The validation cohort yielded similar outcomes. In both the training and validation cohorts, time-dependent ROC curves showed that RS-CN consistently outperformed TRG classification and ypTNMstage. The 3-year overall survival (OS) and disease-free survival (DFS) of patients in the low-risk group (RS-CN score ≤288.4) was significantly better than that of patients in the high-risk group (RS-CN score >288.4). Adjuvant chemotherapy (AC) significantly improved 3-year DFS in only the high-risk group (both P<0.05) but did not cause significant differences in 3-year OS (P=0.099).Conclusions Compared with traditional ypTNM staging, our study developed nomogram based on CT-RS before NAC can help identify patients who may benefit from NAC and AC, providing a guide to facilitate precise NAC for AGC.
-
根据2020年全球肿瘤学数据显示，胃腺癌在全部癌症发病率居第5位，死亡率居第4位[1]。胃腺癌症状不典型，大部分患者发现时已属晚期，虽然D2根治性切除术是局部进展期胃腺癌公认的标准治疗手段，但仍存在术后复发率高的问题[2]。多项研究表明，新辅助化疗由于术前化疗耐受性强，可消灭微转移，使很多术前无法行根治性切除的患者获得根治性切除机会[3]，且能判断化疗方案的疗效以指导术后化疗，从而改善局部进展期胃腺癌患者的远期生存[4-6]，鉴于新辅助化疗的优势，其被全球众多国家纳入胃腺癌多模式治疗的标准治疗方式，美国国立综合癌症网络（NCCN）指南（2022年V2版）推荐进展期胃腺癌均应行新辅助化疗[7-8]。然而，目前尚缺乏有效的工具在新辅助化疗前筛选从新辅助化疗中获益的局部进展期胃腺癌患者。第8版美国癌症联合委员会（AJCC）ypTNM分期系统虽然使用简便，但是其为术后指标，且不可避免的假定了相同分期内患者的同质性，对远期预后的预测具有一致性，缺少个体化。近年来，新辅助治疗后肿瘤消退效应（TRG分级）的提出，增加对新辅助化疗后局部进展期胃腺癌患者预后生存的评估作用，然而其忽略了淋巴结状态，且预测效能低。因此在目前现有分期系统以外，需要找寻更好的个体化预测指标，以期精准筛选术后化疗获益人群。
影像组学是一门新兴技术，利用计算机领域的机器学习结合CT影像，将标准医疗图像转换为更精准的肿瘤图像特征挖掘[9-10]。鉴于其使用简便、高准度的肿瘤特征筛选及实现个体化抓取特征，有研究表明影像组学可作为一种客观和定量的成像描述来预测肿瘤预后生存的生物标记物[11]。近年来基于影像组学并结合临床危险因子的列线图评分模型已被广泛用于对肿瘤患者的预后预测[12-13]。然而，基于化疗前的影像组学特征预测进展期胃腺癌患者在新辅助治疗及术后续贯化疗获益的作用，仍鲜有报道。本研究旨在基于新辅助治疗前CT影像组学建立列线图，帮助筛选局部进展期胃腺癌新辅助化疗以及术后续贯化疗获益人群。
1. 材料与方法
1.1 临床资料
回顾性分析2010年1月至2018年12月福建医科大学附属协和医院与青海大学附属第一医院，新辅助化疗后行根治性切除术的219例局部进展期胃腺癌患者的临床病理资料。纳入标准：1）胃镜病理及CT影像证实为进展期胃腺癌的患者；2）接受新辅助化疗；3）施行胃腺癌根治性D2淋巴结清扫术。排除标准：1）残胃腺癌；2）合并其他部位肿瘤；3）术中发现远处转移；4）术前接受放射治疗；5）新辅助前后CT影像资料缺失。按照上述标准，纳入177例患者，其中福建医科大学附属协和医院132例（训练队列），青海大学附属第一医院45例（外部验证队列）。所有患者均签署知情同意书，本研究通过医院伦理委员会的批准（批号：2023KY031）。
1.2 方法
1.2.1 模型建立与评价
分析门静脉期的CT图像，选取最具代表性的二维切片，即x轴向最大的肿瘤切片。使用3D Slicer（版本4.10.2；http://www.slicer.org）分割感兴趣区域（ROI），由2位高年资放射科医生（放射科医生对临床和组织病理学等相关资料均不知情）对ROI进行勾画。特征提取和图像预处理使用开源Pyradiomics包（版本2.12；https://pyradiomics.readthedocs.io/en/2.1.2/）。将图像重采样至1×1×1 mm的体素大小，以标准化体素间距。
本研究共计算患者CT图像的851个定量特征。图像特征包括18个一阶统计量，87个纹理特征，744个小波分解。同时随机抽取25例患者探索每个特征的稳定性，2位医生分别独立进行分割以评估inter-reader的可重复性。本研究类内相关系数（ICC）为0.804（ICC>0.75），即特征稳定系数较好[14]。训练队列和测试队列提取的特征值用Z-score进行标准化。通过Lasso逻辑回归算法[15]，10倍交叉验证进行惩罚参数调整，从训练队列中确定非零系数的总生存（overall survival，OS）相关特征。从ROC曲线下面积（AUC）最大化模型中最终确定3个非零系数特征。（CT-RS=0.8158088*originalshapeSurfaceArea+0.4530431*waveletHLLglrlmShortRunLowGrayLevelEmphasis+0.1796*wavelet-LLHglrlmShortRunEmphasis）。
根据X-tile软件确定CT-RS的截取值，将患者分为高、中、低CT-RS组。影像组学评分结合基于单因素、多因素Cox回归分析筛选的新辅助化疗前临床独立影响指标构建列线图评分模型（RS-CN）。使用AUC、Time-ROC曲线评价模型预测性能，通过决策曲线分析在相对的阈值概率下的净效益来确定RS-CN的临床有效性。
1.2.2 围手术期化疗
围手术期化疗：本研究中所有患者均至少完成2个周期以氟尿嘧啶为基础的新辅助化疗，围手术期化疗的方案和剂量由各机构肿瘤学专家规划，并根据药物毒性作用或肿瘤反应进行调整。新辅助化疗方案包括训练队列铂类方案79例，紫杉醇类41例以及其他类包含免疫靶向治疗12例；验证队列铂类方案45例。术后常规推荐接受辅助化疗。手术在新辅助化疗完成3周后进行，根据第4版日本《胃腺癌治疗指南》选择胃切除范围并进行胃周围淋巴结的清扫。每个切除的标本均经过高年资的病理学家进行大体切片和组织学检查。
1.2.3 随访
随访内容包括体格检查及实验室检查（包括血常规、生化全套等）细化。术后随访3年，分别在术后3、6和12个月进行1次随访，往后每6个月1次随访直至终点事件出现，至少随访期满36个月。随访截至2022年1月。
1.3 统计学分析
采用SPSS 26.0、X-Tile和R软件（4.2.0版本）进行统计学分析。分类变量以例（%）表示，采用χ²检验或Fisher精确检验进行比较；符合正态分布的连续变量采用（
$\bar x $ ±s）表示，采用配对t检验进行比较。Kaplan-Meier生存曲线分析比较OS率及无病生存（disease-free survival，DFS）率，单多因素Cox回归分析确定总体生存相关独立危险因素。P<0.05为差异具有统计学意义。2. 结 果
2.1 两组基线资料的比较
训练队列共纳入132例患者，外部验证队列共纳入45例患者。训练队列患者平均年龄偏大为60岁，训练队列患者平均年龄53岁。两组在性别、BMI、肿瘤大小、肿瘤位置、Lauren分型、新辅助化疗前临床T分期、术后病理N分期及术后化疗均无显著性差异（P>0.05，表1）。
表 1 训练组和验证组患者的临床基线资料比较临床参数 训练队列（n=132） 验证队列（n=45） P 性别 0.707 男 99（75.0） 35（77.8） 女 33（25.0） 10（22.2） ECOG（分） 0.010 0 90 （68.2） 21（46.7） 1/2 42（31.8） 24（53.3） 肿瘤直径（mm） 0.203 ≥50 49（37.1） 12（26.7） <50 83（62.9） 33（73.3） 肿瘤位置 0.082 上部 56（42.4） 16（35.6） 非上部 76（57.6） 29（64.4） Lauren分型 0.393 肠型 52（39.4） 13（28.9） 混合型 26（19.7） 12（26.7） 弥漫型 54（40.9） 20（44.4） 新辅助化疗前cT分期（期） 0.887 T2/3 28（21.2） 10（22.2） T4 104（78.8） 35（77.8） 新辅助化疗前cN分期（期） 0.006 N0 30（22.7） 2（4.4） N+ 102（77.3） 43（95.6） 新辅助化疗方案 <0.001 紫杉醇类 41（31.1） 0 铂类 79（59.8） 45（100） 其他 12（9.1） 0 新辅助化疗周期数（个） <0.001 ≥3 75（56.8） 40（88.9） <3 57（43.2） 5（11.1） RECIST 标准 0.003 完全缓解 2（1.5） 2（4.4） 部分缓解 5（3.8） 2（4.4） 疾病稳定 57（43.2） 32（71.1） 完全进展 68（51.5） 9（20.0） ypT分期（期） <0.001 T0 8（6.1） 3（6.7） T1 7（5.3） 9（20.0） T2 15（11.4） 1（2.2） T3 59（44.7） 4（8.9） T4 43（32.6） 28（62.2） ypN分期（期） 0.168 N0 43（32.6） 21（46.7） N1 21（15.9） 4（8.9） N2 32（24.2） 6（13.3） N3 36（27.3） 14（31.1） 术后辅助化疗 0.773 是 109（82.6） 38（84.4） 否 23（17.4） 7（15.6） （ ）内单位为%；cTNM和ypTNM根据第8版美国癌症联合会（AJCC）进行分期；ECOG：体力状况评分 2.2 列线图评分预测模型构建及性能评价
单因素、多因素COX回归分析显示：CT-RS、肿瘤Lauren分型、cT、cN及新辅助前CEA值为OS独立相关因素（表2
）。基于CT-RS结合OS独立相关因素构建RS-CN模型预测训练队列患者术后的1、3、5年OS（图1A ）。RS-CN在新辅助化疗前预测进展期胃腺癌患者新辅助化疗后行根治性切除术的远期生存的能力显著优于TRG分级（C-Index：0.72 vs. 0.58，P<0.05），和ypTNM相当（C-Index：0.72 vs. 0.64，P>0.05）。通过Bootstrap抽样扩增样本量法进行内部验证，即将训练队列患者通过Bootstrap抽样1 000次得到新的样本[16]，本研究采用3年OS率的一致性曲线评价模型一致性，计算C-index=0.72（图1B）。外部验证队列亦得到相同的结果。 表 2 验证队列单因素、多因素COX回归分析OS相关独立危险因素变量 单变量 多变量 HR （95%Cl） P HR （95%Cl） P 年龄（岁） 0.495 — ≤65 Ref — >65 0.85（0.53～1.30） 性别 0.378 — 男 Ref — 女 0.78（0.45～1.35） BMI（kg/m2） 0.826 — ≤25 Ref — >25 0.93（0.46～1.86） ECOG（分） 0.304 — 0 Ref — 1 0.775（0.48～1.26） 手术失血（mL） 0.249 — <150 Ref — ≥150 1.35（0.811～2.24） 淋巴结清扫数目（枚） 0.979 — <15 Ref — ≥15 0.97（0.14～7.02） 新辅助化疗周期（个） 0.147 — <3 Ref — ≥3 1.43（0.88～2.31） 化疗周期（个） 0.395 — <3 Ref — ≥3 0.81（0.50～1.31） 新辅助前CEA（ng/mL） <0.001 0.007 <11 Ref Ref ≥11 2.78（1.67～4.64） 2.27（1.31～3.95） CT影像组学评分 0.005 0.048 低得分组 Ref Ref 中得分组 1.96（1.06～3.63） 2.87（1.44～5.71） 高得分组 2.34（1.36～4.02） 3.76（1.85～7.63） 肿瘤直径 （mm） 0.089 — <50 Ref — ≥50 1.48（0.94～2.31） 肿瘤位置 0.080 — 上部癌 Ref — 非上部癌 1.54（0.94～2.52） 新辅助化疗前cT分期（期） 0.007 0.050 T2/3 Ref Ref T4 2.78 （1.33～5.80） 2.84（1.06～5.32） 新辅助化疗前cN分期（期） 0.012 0.022 N0 Ref Ref N+ 2.37（1.21～4.63） 2.32（1.12～4.34） Lauren分型 0.035 0.020 肠型 Ref Ref 混合型 1.59（0.82～3.06） 2.00（1.02～3.94） 弥漫型 1.79（1.04～3.07） 2.11（1.22～3.65） 本研究进一步分析了RS-CN模型临床表现能力。RS-CN的特征工作曲线下面积AUC（0.78 vs. 0.64，P<0.02）显著优于TRG分级，但和传统ypTNM分期相当（0.78 vs. 0.79，P=0.79）（图2A）。外部验证队列得到相同结果（RS-CN vs. TRG分级：0.74 vs. 0.52，P=0.005；RS-CN vs. ypTNM分期：0.74 vs. 0.58，P=0.14）（图2B）。Time-ROC曲线被用于比较各个模型生存危险比的连续性趋势。无论在训练队列还是外部验证队列，本研究建立的RS-CN随着时间推移，其对新辅助患者术后远期总体生存率的预测始终优于其它评价系统（图2C，2D）。同时，本研究还建立决策曲线更加直观的展示各模型的临床实用性，无论在训练队列还是外部验证队列，均显示列线图评分模型较传统的ypTNM分期及TRG分级在相同的概率阈值上可以取得更好的临床净获益（图2E，2F ）。
![]()
图 2 RS-CN模型预测能力分析A：训练队列AUC比较；B：外部验证队列AUC比较；C：训练队列Time-ROC曲线； D：外部验证队列Time-ROC曲线；E：训练队列决策曲线；F：外部验证队列决策曲线2.3 Kaplan-Meier 生存曲线分析
分析RS-CN得分与局部进展期胃腺癌患者生存预后的分布关系。通过X-Tile软件取得将RS-CN得分288.4作为观察值，>288.4分数组为高风险组（43例），≤288.4分数组为低风险组（89例）。观察高、低风险人群在Kaplan-Meier生存曲线分析发现，低风险组患者的3年OS显著高于高风险组患者（60.7% vs. 18.6%，P<0.001），3年DFS也显著高于高风险患者（65.2% vs. 27.9%，P<0.001）。验证队列结果显示低风险组3年OS（100.0% vs. 72.7%，P<0.008）及DFS（100.0% vs. 72.7%，P<0.008）显著高于高风险组（图3）。
![]()
图 3 列线图评分Kaplan-Meier生存分析A：训练队列3年总生存曲线；B：训练队列3年无病生存曲线；C：外部验证队列3年总生存曲线；D：外部验证队列3年无病生存曲线本研究还分析了RS-CN在ypTNM分期中对新辅助化疗后局部进展期胃腺癌患者生存预后的关系。在39例ypTNM Ⅱ期进展期胃腺癌患者中，低风险组有32例（32/39），其3年OS（81.3% vs. 42.9%，P=0.01）显著高于高风险组，3年DFS（71.9% vs. 42.9%，P=0.052）与高风险组相当。在ypTNM Ⅲ期中，低风险组有38例（38/71），其3年OS（42.4% vs. 18.2%，P<0.001）与DFS（44.7% vs. 18.2%，P<0.002）均显著高于高风险组（图4
）。 ![]()
图 4根据ypTNM分期分析RS-CN模型预测预后Kaplan-Meier生存曲线 A：ypTNM Ⅱ期患者3年总生存曲线；B：ypTNM Ⅱ期患者3年无病生存曲线；C：ypTNM Ⅲ期患者3年总生存曲线； D：ypTNM Ⅲ期患者3年无病生存曲线2.4 术后化疗生存获益分层分析
训练队列分析显示，低风险组患者进行术后化疗的3年OS（71.4% vs. 47.1%，P=0.09）及3年DFS（69.4% vs. 47.1%，P=0.185）较未化疗患者相当。在高风险组患者中，术后行续贯化疗患者的3年OS及3年DFS显著高于未术后化疗患者（OS：73.6% vs. 38.5%，P=0.09；DFS：32.4% vs. 0，P<0.001）（图5
）。 3. 讨论
近年，虽然胃腺癌根治性切除术和术后化疗取得了一定进展，但晚期胃腺癌患者的预后仍较差。有研究表明，新辅助化疗使晚期胃腺癌患者总体生存率显著提高超过35%[17-18]。其中NCCN指南（2022年V2版）推荐进展期胃腺癌均应行新辅助化疗[19]。但在新辅助化疗前预测进展期胃腺癌患者获益的研究鲜有报道，因此构建新型模型以在新辅助化疗前预测新辅助化疗反应和预后的研究亟需进行。
多项研究表明，放射组学特征与肿瘤生物学和显微结构密切相关，影像组学纳入的灰度特征与肿瘤异质性相关[13，20]。异质性较大的肿瘤在增殖、转移和血管生成方面具有更强的侵袭性[21-22]。目前胃癌领域的影像组学研究均聚焦于阐述放射组学与新辅助化疗预后价值的预测[7]，而在新辅助化疗前预测局部进展期胃腺癌患者总体生存以及筛选术后续贯化疗可能获益人群的研究鲜有报道。
本研究基于CT-RS和肿瘤Lauren分型、cT、cN、及新辅助前CEA值等五个术前临床变量开发并验证的列线图评分模型（RS-CN），在新辅助化疗前就具有较高的预测新辅助后行胃腺癌根治术患者的总体生存的能力，并根据患者的死亡风险进行分层，与评分较低患者相比，评分较高的患者从新辅助化疗中获益少，肿瘤进展的几率更大，生存预后更差。Sun等[23]的一项单中心回顾性研究（n=106）是利用影像组学建立模型对新辅助化疗患者进行生存分层并预测肿瘤反应，其AUC为0.82，是OS的独立危险因素，但例数少，且无外部数据验证评估模型稳定性。Li等[24]进行的双中心回顾性研究开发并验证的列线图基于术前临床指标预测新辅助化疗局部进展期胃腺癌患者预后生存， AUC为0.74，但该研究未评估CT影像组学对新辅助局部进展期胃腺癌患者生存结局的相关性。相较于传统ypTNM分期，本研究开发并验证的基于新辅助化疗前影像组学结合临床指标的列线图评分模型（C-index ：0.72，AUC=0.78），在新辅助化疗前即可直接预测患者的可能远期预后，帮助筛选从新辅助化疗中获益的局部进展期胃腺癌患者人群。
本研究结果显示，高风险组患者术后化疗与未化疗人群3年OS、DFS相当，低风险组不论是否进行术后续贯化疗其OS及DFS均无显著性差异。鉴于验证队列化疗小样本量，本研究未进行验证队列的亚组ypTNM分期分析该模型预测新辅助化疗及术后续贯化疗获益能力。由于低风险组生存预后优于高风险组患者，本研究认为可能是低风险组显示出对化疗方案有更好的肿瘤反应，在新辅助化疗期间出现肿瘤消退，肿瘤负荷降低，在术后续贯化疗中3年生存及复发未见显著提高，而高风险组患者在新辅助化疗中实现生存获益有限，可能需要探讨更多的辅助治疗可能，如免疫治疗、靶向治疗或通过术后续贯化疗，达到消灭微转移以提高DFS率。对于术后化疗无法提高生存或延缓疾病进展的患者来说，其不仅要接受额外化疗带来的经济负担，还有化疗相关不良反应对身体造成的损害。因此，筛选新辅助行根治性手术患者适合术后化疗人群是胃腺癌治疗个体化时代的需要。
本研究有如下不足：1）影像组学高通量的特点决定其对数据量需求巨大，小样本回顾性分析可能影响研究结果的选择偏倚。2）肿瘤ROI勾画缺乏“金标准”，具有一定主观性。本研究为两位高年资的放射科医生分别、独立地勾画肿瘤ROI，通过ICC即医师间可信度分析以评估判断定量特征的稳定性，当ICC>0.75时，认为稳定性较好。本研究ICC平均值为0.804，认为通过ICC评价解决观察者偏差，可以提高准确性及可重复性。3）经影像组学筛选的影像学标记物缺少生物学验证，有待进一步研究。
综上所述，本研究开发并验证的RS-CN模型均是基于新辅助化疗前指标，可以较TRG分级在新辅助化疗前更准确地预测新辅助化疗后行根治术局部进展期胃腺癌患者的总体生存，且达到与ypTNM相当的预测能力。通过识别新辅助和续贯术后化疗中获益的患者，为临床个体化的新辅助化疗及术后续贯辅助化疗治疗决策的制定提供帮助。
-
![]()
图 2 RS-CN模型预测能力分析
A：训练队列AUC比较；B：外部验证队列AUC比较；C：训练队列Time-ROC曲线； D：外部验证队列Time-ROC曲线；E：训练队列决策曲线；F：外部验证队列决策曲线
![]()
图 3 列线图评分Kaplan-Meier生存分析
A：训练队列3年总生存曲线；B：训练队列3年无病生存曲线；C：外部验证队列3年总生存曲线；D：外部验证队列3年无病生存曲线
![]()
图 4
根据ypTNM分期分析RS-CN模型预测预后Kaplan-Meier生存曲线 A：ypTNM Ⅱ期患者3年总生存曲线；B：ypTNM Ⅱ期患者3年无病生存曲线；C：ypTNM Ⅲ期患者3年总生存曲线； D：ypTNM Ⅲ期患者3年无病生存曲线
表 1 训练组和验证组患者的临床基线资料比较
临床参数 训练队列（n=132） 验证队列（n=45） P 性别 0.707 男 99（75.0） 35（77.8） 女 33（25.0） 10（22.2） ECOG（分） 0.010 0 90 （68.2） 21（46.7） 1/2 42（31.8） 24（53.3） 肿瘤直径（mm） 0.203 ≥50 49（37.1） 12（26.7） <50 83（62.9） 33（73.3） 肿瘤位置 0.082 上部 56（42.4） 16（35.6） 非上部 76（57.6） 29（64.4） Lauren分型 0.393 肠型 52（39.4） 13（28.9） 混合型 26（19.7） 12（26.7） 弥漫型 54（40.9） 20（44.4） 新辅助化疗前cT分期（期） 0.887 T2/3 28（21.2） 10（22.2） T4 104（78.8） 35（77.8） 新辅助化疗前cN分期（期） 0.006 N0 30（22.7） 2（4.4） N+ 102（77.3） 43（95.6） 新辅助化疗方案 <0.001 紫杉醇类 41（31.1） 0 铂类 79（59.8） 45（100） 其他 12（9.1） 0 新辅助化疗周期数（个） <0.001 ≥3 75（56.8） 40（88.9） <3 57（43.2） 5（11.1） RECIST 标准 0.003 完全缓解 2（1.5） 2（4.4） 部分缓解 5（3.8） 2（4.4） 疾病稳定 57（43.2） 32（71.1） 完全进展 68（51.5） 9（20.0） ypT分期（期） <0.001 T0 8（6.1） 3（6.7） T1 7（5.3） 9（20.0） T2 15（11.4） 1（2.2） T3 59（44.7） 4（8.9） T4 43（32.6） 28（62.2） ypN分期（期） 0.168 N0 43（32.6） 21（46.7） N1 21（15.9） 4（8.9） N2 32（24.2） 6（13.3） N3 36（27.3） 14（31.1） 术后辅助化疗 0.773 是 109（82.6） 38（84.4） 否 23（17.4） 7（15.6） （ ）内单位为%；cTNM和ypTNM根据第8版美国癌症联合会（AJCC）进行分期；ECOG：体力状况评分 
下载: 导出CSV
表 2 验证队列单因素、多因素COX回归分析OS相关独立危险因素
变量 单变量 多变量 HR （95%Cl） P HR （95%Cl） P 年龄（岁） 0.495 — ≤65 Ref — >65 0.85（0.53～1.30） 性别 0.378 — 男 Ref — 女 0.78（0.45～1.35） BMI（kg/m2） 0.826 — ≤25 Ref — >25 0.93（0.46～1.86） ECOG（分） 0.304 — 0 Ref — 1 0.775（0.48～1.26） 手术失血（mL） 0.249 — <150 Ref — ≥150 1.35（0.811～2.24） 淋巴结清扫数目（枚） 0.979 — <15 Ref — ≥15 0.97（0.14～7.02） 新辅助化疗周期（个） 0.147 — <3 Ref — ≥3 1.43（0.88～2.31） 化疗周期（个） 0.395 — <3 Ref — ≥3 0.81（0.50～1.31） 新辅助前CEA（ng/mL） <0.001 0.007 <11 Ref Ref ≥11 2.78（1.67～4.64） 2.27（1.31～3.95） CT影像组学评分 0.005 0.048 低得分组 Ref Ref 中得分组 1.96（1.06～3.63） 2.87（1.44～5.71） 高得分组 2.34（1.36～4.02） 3.76（1.85～7.63） 肿瘤直径 （mm） 0.089 — <50 Ref — ≥50 1.48（0.94～2.31） 肿瘤位置 0.080 — 上部癌 Ref — 非上部癌 1.54（0.94～2.52） 新辅助化疗前cT分期（期） 0.007 0.050 T2/3 Ref Ref T4 2.78 （1.33～5.80） 2.84（1.06～5.32） 新辅助化疗前cN分期（期） 0.012 0.022 N0 Ref Ref N+ 2.37（1.21～4.63） 2.32（1.12～4.34） Lauren分型 0.035 0.020 肠型 Ref Ref 混合型 1.59（0.82～3.06） 2.00（1.02～3.94） 弥漫型 1.79（1.04～3.07） 2.11（1.22～3.65）
下载: 导出CSV
-
[1] Sung H, Ferlay J, Siegel RL, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021, 71(3):209-249. DOI: 10.3322/caac.21660
[2] Zhang ZY, Dai ZL, Yin XW, et al. Meta-analysis shows that circulating tumor cells including circulating microRNAs are useful to predict the survival of patients with gastric cancer[J]. BMC Cancer, 2014, 14:773. DOI: 10.1186/1471-2407-14-773
[3] Sasako M, Sakuramoto S, Katai H, et al. Five-year outcomes of a randomized phase Ⅲ trial comparing adjuvant chemotherapy with S-1 versus surgery alone in stage Ⅱ or Ⅲ gastric cancer[J]. J Clin Oncol, 2011, 29(33):4387-4393. DOI: 10.1200/JCO.2011.36.5908
[4] Yoshida K, Kodera Y, Kochi M, et al. Addition of docetaxel to oral fluoropyrimidine improves efficacy in patients with stage Ⅲ gastric cancer: interim analysis of JACCRO GC-07, a randomized controlled trial[J]. J Clin Oncol, 2019, 37(15):1296-1304. DOI: 10.1200/JCO.18.01138
[5] Cunningham D, Allum WH, Stenning SP, et al. Perioperative chemotherapy versus surgery alone for resectable gastroesophageal cancer[J]. N Engl J Med, 2006, 355(1):11-20.
[6] Schuhmacher C, Gretschel S, Lordick F, et al. Neoadjuvant chemotherapy compared with surgery alone for locally advanced cancer of the stomach and cardia: European Organisation for Research and Treatment of Cancer randomized trial 40954[J]. J Clin Oncol, 2010, 28(35):5210-5218. DOI: 10.1200/JCO.2009.26.6114
[7] Tokunaga M, Sato Y, Nakagawa M, et al. Perioperative chemotherapy for locally advanced gastric cancer in Japan: current and future perspectives[J]. Surg Today, 2020, 50(1):30-37. DOI: 10.1007/s00595-019-01896-5
[8] Ajani JA, D'Amico TA, Bentrem DJ, et al. Gastric cancer, version 2.2022, NCCN clinical practice guidelines in oncology[J]. J Natl Compr Canc Netw, 2022, 20(2):167-192. DOI: 10.6004/jnccn.2022.0008
[9] Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nat Rev Clin Oncol, 2017, 14(12):749-762. DOI: 10.1038/nrclinonc.2017.141
[10] Aerts HJWL, Velazquez ER, Leijenaar RTH, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J]. Nat Commun, 2014, 5:4006. DOI: 10.1038/ncomms5006
[11] Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2):563-577. DOI: 10.1148/radiol.2015151169
[12] Dong D, Fang MJ, Tang L, et al. Deep learning radiomic nomogram can predict the number of lymph node metastasis in locally advanced gastric cancer: an international multicenter study[J]. Ann Oncol, 2020, 31(7):912-920. DOI: 10.1016/j.annonc.2020.04.003
[13] Yu YF, Tan YJ, Xie CM, et al. Development and validation of a preoperative magnetic resonance imaging radiomics-based signature to predict axillary lymph node metastasis and disease-free survival in patients with early-stage breast cancer[J]. JAMA Netw Open, 2020, 3(12):e2028086. DOI: 10.1001/jamanetworkopen.2020.28086
[14] Shrout PE, Fleiss JL. Intraclass correlations: uses in assessing rater reliability[J]. Psychol Bull, 1979, 86(2):420-428. DOI: 10.1037/0033-2909.86.2.420
[15] Ji GW, Zhu FP, Xu Q, et al. Radiomic features at contrast-enhanced CT predict recurrence in early stage hepatocellular carcinoma: a multi-institutional study[J]. Radiology, 2020, 294(3):568-579. DOI: 10.1148/radiol.2020191470
[16] Henderson AR. The bootstrap: a technique for data-driven statistics. Using computer-intensive analyses to explore experimental data[J]. Clin Chim Acta, 2005, 359(1/2):1-26.
[17] Grossmann P, Stringfield O, El-Hachem N, et al. Defining the biological basis of radiomic phenotypes in lung cancer[J]. Elife, 2017, 6:e23421. DOI: 10.7554/eLife.23421
[18] Al-Batran SE, Homann N, Pauligk C, et al. Effect of neoadjuvant chemotherapy followed by surgical resection on survival in patients with limited metastatic gastric or gastroesophageal junction cancer: the AIO-FLOT3 trial[J]. JAMA Oncol, 2017, 3(9):1237-1244. DOI: 10.1001/jamaoncol.2017.0515
[19] Aoyama T, Nishikawa K, Fujitani K, et al. Early results of a randomized two-by-two factorial phase II trial comparing neoadjuvant chemotherapy with two and four courses of cisplatin/S-1 and docetaxel/cisplatin/S-1 as neoadjuvant chemotherapy for locally advanced gastric cancer[J]. Ann Oncol, 2017, 28(8):1876-1881. DOI: 10.1093/annonc/mdx236
[20] Braman NM, Etesami M, Prasanna P, et al. Intratumoral and peritumoral radiomics for the pretreatment prediction of pathological complete response to neoadjuvant chemotherapy based on breast DCE-MRI[J]. Breast Cancer Res, 2017, 19(1):57. DOI: 10.1186/s13058-017-0846-1
[21] Wang WT, Yang L, Yang ZX, et al. Assessment of microvascular invasion of hepatocellular carcinoma with diffusion kurtosis imaging[J]. Radiology, 2018, 286(2):571-580. DOI: 10.1148/radiol.2017170515
[22] Smyth EC, Fassan M, Cunningham D, et al. Effect of pathologic tumor response and nodal status on survival in the medical research council adjuvant gastric infusional chemotherapy trial[J]. J Clin Oncol, 2016, 34(23):2721-2727. DOI: 10.1200/JCO.2015.65.7692
[23] Sun KY, Hu HT, Chen SL, et al. CT-based radiomics scores predict response to neoadjuvant chemotherapy and survival in patients with gastric cancer[J]. BMC Cancer, 2020, 20(1):468. DOI: 10.1186/s12885-020-06970-7
[24] Li ZY, Xiao QY, Wang YK, et al. A modified ypTNM staging system-development and external validation of a nomogram predicting the overall survival of gastric cancer patients received neoadjuvant chemotherapy[J]. Cancer Manag Res, 2020, 12:2047-2055.
计量
- 文章访问数: 173
- HTML全文浏览量: 23
- PDF下载量: 33
