Construction of a predictive model for efficacy of neoadjuvant immunotherapycombined with chemotherapy in gastric cancer based on CT radiomics
-
摘要:目的
探讨基于CT影像组学构建的预测模型对于局部进展期胃癌（locally advanced gastric cancer，LAGC）新辅助免疫治疗联合化疗疗效的预测价值。
方法回顾性收集2019年6月至2021年6月邢台医学高等专科学校第二附属医院收治的114例新辅助免疫治疗联合化疗后行胃癌根治术的LAGC患者的临床病理资料，按收治时间分为训练集（n=67）和验证集（n=47）。对所有患者治疗前静脉期CT图像进行高通量特征提取，并筛选特征构建影像组学预测模型。采用ROC曲线以及校正曲线评价模型的预测效能，采用Kaplan-Meier曲线评估模型的预后分层能力。
结果基于mRMR算法以及LASSO回归模型，本研究在584个特征中筛选出5个特征构建影像组学Rad评分。该评分在训练集和验证集中预测病理完全缓解（pathological complete response，pCR）率的曲线下面积分别为0.865和0.830，且拟合度良好（Hosmer-Lemeshow检验：P>0.05）。根据约登指数确定Rad评分的最佳截点值，高Rad评分的患者其3年无复发生存率（训练集82.7% vs. 60.4%；验证集78.9% vs. 53.8%）、3年总体生存率（训练集78.9% vs. 60.2%；验证集79.3% vs. 50.0%）均显著高于低Rad评分者（P<0.05）。
结论CT影像组学预测模型能够有效预测LAGC患者行新辅助免疫治疗联合化疗后的病理学反应及预后，有望成为一个实用的临床工具。
Abstract:ObjectiveTo investigate the value of a computed tomography (CT) radiomics-based model for predicting the efficacy of neoadjuvant immunotherapy combined with chemotherapy for locally advanced gastric cancer (LAGC).
MethodsData on 114 patients with LAGC who underwent radical surgery after neoadjuvant immunotherapy combined with chemotherapy at The Second Affiliated Hospital of Xingtai Medical College between June 2019 and June 2021 were retrospectively collected. These patients’ data were divided into a training set (n=67) and a validation set (n=47) based on the time of admission. High-throughput features were extracted from baseline portal phase CT images of all patients, and the selected features were used to construct the radiomics prediction model. The predictive performance of the model was evaluated using receiver operating characteristic (ROC) and calibration curves. The prognostic ability of the model was assessed using Kaplan–Meier curves.
ResultsBased on the maximum relevancy min-redundancy (mRMR) algorithm and least absolute shrinkage and selection operator (LASSO) regression model, 5 out of 584 assessed features were incorporated into the radiomics (Rad) score. The respective areas under the curve for predicting pathological complete response (pCR) in the training and validation sets were 0.865 and 0.830, respectively, and good fits were obtained (Hosmer-Lemeshow test: P>0.05). The optimal cut-off value for the Rad score was determined based on the Youden index. Patients with high Rad scores had significantly higher 3-year recurrence-free survival rates (82.7% vs. 60.4% in the training set and 78.9% vs. 53.8% in the validation set) and 3-year overall survival rates (78.9% vs. 60.2% in the training set and 79.3% vs. 50.0% in the validation set) than those with low Rad scores (P<0.05).
ConclusionsThe CT radiomics prediction model effectively predicted the pathological response and prognosis of patients with LAGC after neoadjuvant immunotherapy combined with chemotherapy and is expected to serve as a practical clinical tool.
-
Keywords:
- gastric cancer /
- neoadjuvant treatment /
- immunotherapy /
- radiomics
-
目前，中国的胃癌发病率和死亡率仍处于全球较高水平[1]，手术仍是可切除胃癌患者最主要的治疗方式。然而，对于局部进展期胃癌（locally advanced gastric cancer，LAGC），超过40%的患者在接受标准的根治性切除后仍会发生肿瘤复发[2]。近10余年，新辅助化疗联合手术的综合治疗模式被广泛应用于LAGC患者[3]。由于胃癌的高度异质性，以5-氟尿嘧啶为基础的化疗方案的疗效已经进入瓶颈。近年来，以程序性死亡受体-1（programmed cell death-1，PD-1）或程序性死亡受体配体1（programmed cell death-ligand 1，PD-L1）抑制剂为基础的免疫治疗已成为研究热点，并且在晚期胃癌患者中取得较好疗效[4]。然而，免疫治疗在LAGC新辅助治疗中的应用却遇到阻碍。国外一项研究（KEYNOTE-585）[5]显示，在新辅助治疗中联合免疫治疗虽然能够明显提高患者的病理完全缓解（pathological complete response，pCR）率，但其未能显著延长总体生存期。如何在开始治疗前筛选出对该治疗模式敏感的患者群体是一个巨大的挑战。为此，本研究收集行新辅助免疫治疗（信迪利单抗）联合化疗的LAGC患者的临床病理资料，旨在构建预测新辅助治疗疗效的CT影像组学模型。
1. 材料与方法
1.1 临床资料
回顾性选取2019年6月至2021年6月入组邢台医学高等专科学校第二附属医院一项前瞻性、观察性研究的125例LAGC患者作为研究对象。所有患者均在新辅助免疫治疗联合化疗后施行胃癌根治术。纳入标准：1）年龄18～75岁；2）内镜活检病理确诊为原发性胃腺癌；3）美国东部肿瘤协作组（ECOG）体力状况评分为0～2分；4）初始影像学检查明确临床分期为T3/4N+M0；5）主要器官功能正常；6）完成新辅助治疗后，根据《日本胃癌治疗指南》[6]行胃癌根治术联合D2淋巴结清扫；7）临床病理资料和随访信息完整。排除标准：1）合并其他脏器的恶性肿瘤；2）合并远处转移；3）既往接受过其他抗肿瘤治疗；4）残胃癌；5）临床病理资料或随访信息不全。
根据上述标准，共114例LAGC患者纳入本研究，其中2019年6月至2020年12月收治的67例纳入训练集，2021年1月至2021年6月收治的的47例纳入验证集。本项研究通过医院伦理委员会审批，并免除知情同意书的要求（编号：2019YF009）。
1.2 方法
1.2.1 治疗方案与病理学评估
治疗方案：新辅助治疗前，所有患者均行胃镜+病理活检与腹盆部CT增强扫描。所有患者接受3个周期的新辅助治疗方案，包括信迪利单抗、奥沙利铂和卡培他滨[7]。在完成新辅助治疗后的2～4周内进行外科治疗。主刀医师均具备至少150例的胃癌根治术经验。
病理学评估：根据美国癌症联合委员会（AJCC）第8版癌症分期系统对手术标本进行ypTNM分期。根据Becker肿瘤退缩等级（tumor regression grade，TRG）[8]评估肿瘤退缩程度。
1.2.2 影像学检查及分析
CT扫描参数：采用美国GE 16排螺旋CT扫描仪。检查前禁食8～12 h，检查前5～10 min内饮用1 000 mL温水，检查时患者仰卧，首先行腹部平扫，管电压120kVp，自动管电流150～190 mA，球管旋转时间0.4 s或0.5 s；之后经肘静脉以流率3.0～3.5 mL/s注射碘海醇90～100 mL，分别延迟28 s与60 s获得动脉期与静脉期图像。CT扫描的层厚、层间距均为5 mm，并以标准算法重建图像。
病灶分割：由于胃癌病灶大多在静脉期出现明显增强，并依此与邻近组织分隔开来，因此本研究从PACS系统获取该期的CT图像（DICOM格式），以进行后续的特征提取。由2名高年资放射科医师在ITK-SNAP软件（3.4.0版本）上对所有患者的静脉期图像勾画感兴趣区域，包括原发肿瘤轴平面最大截面和肿大淋巴结轴平面最大截面（图1A，B）。
![]()
图 1 影像组学特征的提取、降维、筛选流程A：CT图像导入；B：感兴趣区域勾画、影像组学特征提取；C：mRMR算法对影像组学特征进行降维；D：LASSO回归方法筛选特征建模影像组学特征提取：采用MATLAB平台上的开源Radiomics分析包对所有患者的感兴趣区域进行分析并提取影像组学特征（https://github.com/mvallieres/radiomics）。影像组学特征包括14个一阶统计特征、8个形状特征以及270个纹理特征，其中纹理特征包括灰度共生矩阵（gray-level co-occurrence matrix，GLCM）、灰度步长矩阵（gray-level run-length matrix，GLRLM）、弧度区域大小矩阵（gray-level size zone matrix，GLSZM）以及邻域灰度差矩阵（neighborhood gray-tone difference matrix，NGTDM）特征。每例患者共可提取584个影像组学特征，包括292个原发肿瘤特征与292个肿大淋巴结特征。在特征降维和筛选前，对所有特征进行Z-score标准化。
特征降维和筛选：研究基于三步法在训练集患者中筛选出最具代表性的影像组学特征[9]。首先，计算2名放射科医师所提取的影像组学特征的组内相关系数（intra-class correlation coefficient，ICC），并保留ICC≥0.80的特征；随后，采用最大相关最小冗余（max-relevance and min-redundancy，mRMR）算法筛选出与目标结局相关性高且与变量间冗余性低的特征；最后，采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）的回归分析算法，经过10折交叉验证确定具有低共线性的最优特征子集（图1C，1D）。
1.2.3 观察指标
所有患者的基线临床病理资料，包括年龄、性别、ECOG评分、cT分期、肿瘤大小、区域最大淋巴结短径、肿瘤部位、联合阳性分数（combined positive score，CPS）、错配修复（mismatch repair，MMR）状态状态。当区域最大淋巴结短径≥15 mm时认为存在目标淋巴结[10]。每例患者均采集其新辅助治疗前的原发肿瘤样本进行PD-L1和MMR蛋白（MLH1、MSH2、MSH6、PMS2）的免疫组织化学检测。CPS评分定义为PD-L1染色细胞（包括肿瘤细胞、巨噬细胞与淋巴细胞）的总数/肿瘤细胞总数（×100）。任何一个MMR蛋白表达缺失评价为错配修复功能缺陷（deficient mismatch repair，dMMR），所有4个蛋白表达均阳性为错配修复功能完整（proficient mismatch repair，pMMR）。PD-L1表达检测使用Ventana SP263试剂盒（购自美国Spring Biosciences公司）。MMR蛋白（pMMR）检测所用单克隆抗体分别为MLH1（clone ab92312）、MSH2（clone ab52266）、MSH6（clone ab92471）、PMS2（clone ab110638）均购自英国Abcam公司。
病理学反应采用病理完全缓解（pathological complete response，pCR）评估，定义为胃原发病灶处和所有区域淋巴结均未发现残余的存活肿瘤细胞。
1.2.4 随访
所有患者术后2年内每3个月随访1次，术后3～5年每6个月随访1次。随访内容包括体格检查、肿瘤标志物以及相关影像学检查。末次随访时间为2024年6月。无复发生存时间定义为手术时间至肿瘤复发时间；如未发生肿瘤复发，则为手术时间至末次随访时间或死亡时间。总体生存时间定义为手术时间至死亡时间或末次随访时间。
1.3 统计学分析
采用SPSS软件（22.0版本）与R软件（4.4.0版本）进行数据分析。计量资料以
$\bar x \pm s $ 表示，组间比较采用独立样本t检验。计数资料以绝对数和百分比表示，组间比较采用χ2检验或Fisher精确检验。绘制受试者工作特征（receiver operating characteristic，ROC）曲线，通过计算曲线下面积（area under the curve，AUC）评估模型预测效能。绘制校正曲线观察模型预测概率与实际概率的一致性，并采用Hosmer-Lemeshow 检验评估模型的拟合度。采用Kaplan-Meier法进行生存分析，生存差异的比较采用Log-rank检验。采用Cox比例风险回归模型进行单因素和多因素分析。以P<0.05为差异具有统计学意义。2. 结果
2.1 一般资料
训练集的67例患者中，男性52例，女性15例，平均年龄为（59.9±9.5）岁。57例患者在完成新辅助治疗后接受根治性全胃切除术。术后病理提示pCR 11例，ypⅠ期11例，ypⅡ期14例，ypⅢ期31例。验证集的47例患者中，男性31例，女性16例，平均年龄为（61.2±8.8）岁。42例患者在完成新辅助治疗后接受根治性全胃切除术。术后病理提示pCR 10例，ypⅠ期6例，ypⅡ期11例，ypⅢ期20例。训练集的67例LAGC患者中，11例患者（17.2%）达成pCR。pCR组患者的ECOG评分均为0（100% vs. 57%，P=0.005），且dMMR的比例显著较高（27% vs. 2%，P=0.012）。验证集的47例LAGC患者中，10例患者（21.3%）达到pCR。pCR组患者的dMMR的比例显著较高（30% vs. 0，P=0.007，表1）。
表 1 训练集和验证集中PCR组与非PCR组患者的基线特征比较n（%） 基线特征 训练集（n=67） 验证集（n=47） PCR组（n=11） 非PCR组（n=56） χ2 P PCR组（n=10） 非PCR组（n=37） χ2 P 性别 — 0.433 — 0.716 男 10（91） 42（75） 6（60） 25（68） 女 1（9） 14（25） 4（40） 12（32） ECOG评分（分） — 0.005 — 0.414 0 11（100） 0 9（90） 26（70） 1～2 32（57） 24（43） 1（10） 11（30） cT分期（期） 1.374 0.241 0.080 0.778 T3 2（18） 4（7） 2（20） 6（16） T4 9（82） 52（93） 8（80） 31（84） 肿瘤大小（mm） 0.002 0.967 0.888 0.346 <60 4（36） 20（36） 6（60） 16（43） ≥60 7（64） 36（64） 4（40） 21（57） 淋巴结最大径（mm） 1.329 0.249 0.080 0.778 <15 4（36） 31（55） 8（80） 31（84） ≥15 7（64） 25（45） 2（20） 6（16） 分化程度 0.324 0.569 2.659 0.103 高或中分化 3（27） 11（20） 4（40） 6（16） 低或未分化 8（73） 45（80） 6（60） 31（84） 肿瘤部位 5.125 0.163 3.155 0.368 上部 5（46） 22（39） 7（70） 19（51） 中部 2（18） 14（25） 1（10） 4（11） 下部 4（36） 8（14） 0 9（24） 多部位 0 12（21） 2（20） 5（14） CPS评分（分） 0.377 0.539 0.819 0.316 <1 4（36） 26（46） 3（30） 17（46） ≥1 7（64） 30（54） 7（70） 20（54） MSI状态 — 0.012 — 0.007 pMMR 8（73） 55（98） 7（70） 37（100） dMMR 3（27） 1（2） 3（30） 0 2.2 影像组学模型构建
训练集的67例LAGC患者中，研究最终选出5个最优特征，以此构建影像组学Rad评分。相应的特征和权重系数见表2。
表 2 影像组学Rad评分的组成特征 区域 系数 NGTDM_Busyness_1.0 原发肿瘤 0.060989396 NGTDM_Busyness 肿大淋巴结 0.045428849 GLCM_ClusterProminence_1.0 原发肿瘤 − 0.006514814 NGTDM_Strength_1.0 肿大淋巴结 0.015289641 GLRLM_GLN 原发肿瘤 0.001380478 常数 0.161764725 2.3 模型效能
在训练集和验证集中影像组学Rad评分预测PCR的AUC值分别为0.865（95%CI：0.764～0.967）与0.830（95%CI：0.673～0.987）。在训练集中，根据约登指数，Rad评分的最佳截点值为0.135，该截点的灵敏度和特异度分别为100%和57%。在验证集中，该截点的灵敏度和特异度分别为90%和49%（图2）。
校正曲线和Hosmer-Lemeshow检验均提示Rad评分在训练集和验证集中拟合度良好，表明该评分的预测结果与实际结果基本一致（训练集P=0.848；验证集P=0.720）（图2）。
本研究开展一项敏感性分析，在训练集中将原发肿瘤与肿大淋巴结提取的特征分别构建Rad评分并与总Rad评分进行比较。Rad原发肿瘤评分和Rad肿大淋巴结评分的建模过程与总Rad评分一致。敏感性分析结果显示，原Rad评分预测PCR的AUC值（0.865）高于Rad原发肿瘤评分（0.847）和Rad肿大淋巴结评分（0.807），见图3。
2.4 模型的预后价值
根据影像组学Rad评分与其截点值（0.135）将所有患者分为高Rad组（Rad≥0.135）和低Rad组（Rad <0.135）。在训练集中，高Rad组和低Rad组的3年无复发生存率分别为82.7%和60.4%，差异具有统计学意义（P=0.018）；高Rad组和低Rad组的3年总体生存率分别为78.9%和60.2%，差异具有统计学意义（P=0.039）。在验证集中，高Rad组和低Rad组的3年无复发生存率分别为78.9%和53.8%，差异具有统计学意义（P=0.038）；高Rad组和低Rad组的3年总体生存率分别为79.3%和50.0%，差异具有统计学意义（P=0.018）（图4）。
在训练集中，单因素分析显示，高Rad评分（P=0.050）和肿瘤多部位（P=0.024）是患者无复发生存的影响因素（表3）。多因素分析显示，高Rad评分是影响无复发生存（HR=0.316，95%CI：0.116～0.865；P=0.025）和总体生存（HR=0.332，95%CI：0.129～0.854；P=0.022）的独立预后因素（表4）。在验证集中，单因素分析显示，仅Rad评分是患者无复发生存的影响因素（P=0.048）（表5）。
表 3 训练集患者无复发生存的单因素分析基线特征 例数 HR 95%CI P 年龄（岁） 67 0.985 0.943～1.029 0.506 体重指数（kg/m2） 67 0.957 0.800～1.144 0.629 性别 0.203 男 52 1.891 0.709～5.042 女 15 ECOG评分（分） 0.586 0 43 1.302 0.504～3.360 1-2 24 cT分期（期） 0.344 T3 6 23.897 — T4 61 肿瘤大小（mm） 0.148 <60 24 2.274 0.748～6.911 ≥60 43 淋巴结最大径（mm） 0.370 <15 35 1.530 0.603～3.878 ≥15 32 分化程度 0.893 高或中分化 14 1.079 0.355～3.280 低或未分化 53 肿瘤部位 上部 27 1.000 中部 16 2.830 0.798～10.033 0.107 下部 12 1.826 0.408～8.162 0.431 多部位 12 4.592 1.227～17.187 0.024 CPS评分（分） 0.965 <1 30 1.021 0.396～2.636 ≥ 1 37 MSI状态 0.443 pMMR 63 0.044 — dMMR 4 Rad评分 0.050 高 32 0.374 0.140～0.998 低 35 0.374 0.140～0.998 表 4 训练集患者无复发生存的多因素分析基线特征 B值 标准误 Wald值 HR 95%CI P 无复发生存 Rad评分（高vs.低） −1.148 0.512 5.031 0.317 0.116～0.865 0.025 肿瘤部位（多部位vs.上部） 0.416 0.182 5.265 1.517 1.063～2.165 0.022 总体生存 Rad评分（高vs.低） −1.103 0.482 5.232 0.332 0.129～0.854 0.022 肿瘤部位（多部位vs.上部） 0.482 0.161 8.927 1.620 1.181～2.223 0.003 表 5 验证集患者无复发生存的单因素分析基线特征 例数 HR 95%CI P 年龄（岁） 47 0.818 0.948～1.071 0.818 体重指数（kg/m2） 47 1.020 0.842～1.236 0.839 性别 0.878 男 31 0.913 0.286～2.914 女 16 ECOG评分（分） 0.700 0 35 0.778 0.217～2.794 1～2 12 cT分期（期） 0.703 T3 8 1.339 0.299～5.987 T4 39 肿瘤大小（mm） 0.863 <60 22 0.912 0.320～2.601 ≥60 25 淋巴结最大径（mm） 0.696 <15 39 1.290 0.360～4.629 ≥15 8 分化程度 0.490 高或中分化 10 1.695 0.379～7.578 低或未分化 37 肿瘤部位 上部 26 1.000 中部 5 3.098 0.740～12.975 0.122 下部 9 1.834 0.438～7.676 0.406 多部位 7 2.537 0.604～10.664 0.204 CPS评分（分） 0.723 <1 20 1.219 0.408～3.639 ≥1 27 MSI状态 0.480 pMMR 44 0.044 0～255.531 dMMR 3 Rad评分 0.048 高 18 0.343 0.119～0.992 低 29 3. 讨论
目前，免疫治疗已经成为晚期胃癌的一线治疗，但其在LAGC患者中的应用仍存在限制。近年的临床试验结果表明，仅部分患者能够从免疫治疗中获益[11]。如何确定与治疗疗效相关的生物标志物并筛选出免疫治疗的优势人群是当前研究的重要方向。
近年来，影像组学被证明是一种非常有效的工具，可以从医学影像中提取高通量的影像组学特征，进而深入挖掘其中潜在的相关生物学信息。目前影像组学方法在评估胃癌的分型、分期和预后方面已有较多的应用[12]。针对免疫治疗，国内有研究[13-14]利用胃癌患者的CT图像构建影像组学模型，成功用于预测免疫治疗的疗效。但是，这些研究仅将肿瘤影像学反应作为疗效指标，并且研究人群局限于无法手术切除的晚期肿瘤患者。本研究在接受新辅助免疫治疗联合化疗的LAGC患者中开展相应研究，并构建了能够准确区分患者病理学反应以及预后的影像组学预测模型。该模型在训练集和验证集中均具有良好的预测效能，优于预测效能较差的CPS评分与灵敏度低的MMR状态，表明其具有较强的实用性。
胃癌是一个高度异质性的恶性肿瘤，这意味着即使在同一个患者中，其原发病灶和淋巴结转移灶的表型可能完全不同。Reim等[15]的研究分别评估了胃癌原发灶和淋巴结转移灶在新辅助化疗后的病理退缩程度，发现接近1/4的患者存在原发灶和转移灶反应的不一致性。本研究筛选的5个影像组学特征中同样包括3个原发肿瘤特征以及2个肿大淋巴结特征，表明单纯评估原发肿瘤不足以预测治疗反应，敏感性分析结果同样证实了这一点。
本研究发现具有更多异质纹理特征和非均匀密度模式的肿瘤更可能从新辅助免疫治疗联合化疗中获益，与既往研究相似[16]。Huang等[13]的研究得到相似的结论，并且发现影像组学特征与肿瘤的免疫浸润模式相关。肿瘤免疫微环境的差异可影响肿瘤的构成[17]，而肿瘤微环境本身与免疫治疗以及化疗的疗效密切相关[18]，因此借助影像组学方法可以筛选出对新辅助免疫治疗联合化疗更为敏感的患者群体。
本研究存在一定的局限性：作为回顾性、单中心研究，样本量较小，研究结果有待外部验证集的进一步验证；本研究仅测定了患者基线的CPS评分和MMR状态，而影像组学Rad评分的预测效能是否优于其他免疫指标（如肿瘤突变负荷）还需要进一步研究。
综上所述，基于治疗前CT图像构建的影像组学模型可以准确预测LAGC患者行新辅助免疫治疗联合化疗后的PCR情况和长期生存，有助于临床个体化治疗决策的制定。
-
![]()
图 1 影像组学特征的提取、降维、筛选流程
A：CT图像导入；B：感兴趣区域勾画、影像组学特征提取；C：mRMR算法对影像组学特征进行降维；D：LASSO回归方法筛选特征建模
表 1 训练集和验证集中PCR组与非PCR组患者的基线特征比较
n（%） 基线特征 训练集（n=67） 验证集（n=47） PCR组（n=11） 非PCR组（n=56） χ2 P PCR组（n=10） 非PCR组（n=37） χ2 P 性别 — 0.433 — 0.716 男 10（91） 42（75） 6（60） 25（68） 女 1（9） 14（25） 4（40） 12（32） ECOG评分（分） — 0.005 — 0.414 0 11（100） 0 9（90） 26（70） 1～2 32（57） 24（43） 1（10） 11（30） cT分期（期） 1.374 0.241 0.080 0.778 T3 2（18） 4（7） 2（20） 6（16） T4 9（82） 52（93） 8（80） 31（84） 肿瘤大小（mm） 0.002 0.967 0.888 0.346 <60 4（36） 20（36） 6（60） 16（43） ≥60 7（64） 36（64） 4（40） 21（57） 淋巴结最大径（mm） 1.329 0.249 0.080 0.778 <15 4（36） 31（55） 8（80） 31（84） ≥15 7（64） 25（45） 2（20） 6（16） 分化程度 0.324 0.569 2.659 0.103 高或中分化 3（27） 11（20） 4（40） 6（16） 低或未分化 8（73） 45（80） 6（60） 31（84） 肿瘤部位 5.125 0.163 3.155 0.368 上部 5（46） 22（39） 7（70） 19（51） 中部 2（18） 14（25） 1（10） 4（11） 下部 4（36） 8（14） 0 9（24） 多部位 0 12（21） 2（20） 5（14） CPS评分（分） 0.377 0.539 0.819 0.316 <1 4（36） 26（46） 3（30） 17（46） ≥1 7（64） 30（54） 7（70） 20（54） MSI状态 — 0.012 — 0.007 pMMR 8（73） 55（98） 7（70） 37（100） dMMR 3（27） 1（2） 3（30） 0 
下载: 导出CSV
表 2 影像组学Rad评分的组成
特征 区域 系数 NGTDM_Busyness_1.0 原发肿瘤 0.060989396 NGTDM_Busyness 肿大淋巴结 0.045428849 GLCM_ClusterProminence_1.0 原发肿瘤 − 0.006514814 NGTDM_Strength_1.0 肿大淋巴结 0.015289641 GLRLM_GLN 原发肿瘤 0.001380478 常数 0.161764725
下载: 导出CSV
表 3 训练集患者无复发生存的单因素分析
基线特征 例数 HR 95%CI P 年龄（岁） 67 0.985 0.943～1.029 0.506 体重指数（kg/m2） 67 0.957 0.800～1.144 0.629 性别 0.203 男 52 1.891 0.709～5.042 女 15 ECOG评分（分） 0.586 0 43 1.302 0.504～3.360 1-2 24 cT分期（期） 0.344 T3 6 23.897 — T4 61 肿瘤大小（mm） 0.148 <60 24 2.274 0.748～6.911 ≥60 43 淋巴结最大径（mm） 0.370 <15 35 1.530 0.603～3.878 ≥15 32 分化程度 0.893 高或中分化 14 1.079 0.355～3.280 低或未分化 53 肿瘤部位 上部 27 1.000 中部 16 2.830 0.798～10.033 0.107 下部 12 1.826 0.408～8.162 0.431 多部位 12 4.592 1.227～17.187 0.024 CPS评分（分） 0.965 <1 30 1.021 0.396～2.636 ≥ 1 37 MSI状态 0.443 pMMR 63 0.044 — dMMR 4 Rad评分 0.050 高 32 0.374 0.140～0.998 低 35 0.374 0.140～0.998
下载: 导出CSV
表 4 训练集患者无复发生存的多因素分析
基线特征 B值 标准误 Wald值 HR 95%CI P 无复发生存 Rad评分（高vs.低） −1.148 0.512 5.031 0.317 0.116～0.865 0.025 肿瘤部位（多部位vs.上部） 0.416 0.182 5.265 1.517 1.063～2.165 0.022 总体生存 Rad评分（高vs.低） −1.103 0.482 5.232 0.332 0.129～0.854 0.022 肿瘤部位（多部位vs.上部） 0.482 0.161 8.927 1.620 1.181～2.223 0.003
下载: 导出CSV
表 5 验证集患者无复发生存的单因素分析
基线特征 例数 HR 95%CI P 年龄（岁） 47 0.818 0.948～1.071 0.818 体重指数（kg/m2） 47 1.020 0.842～1.236 0.839 性别 0.878 男 31 0.913 0.286～2.914 女 16 ECOG评分（分） 0.700 0 35 0.778 0.217～2.794 1～2 12 cT分期（期） 0.703 T3 8 1.339 0.299～5.987 T4 39 肿瘤大小（mm） 0.863 <60 22 0.912 0.320～2.601 ≥60 25 淋巴结最大径（mm） 0.696 <15 39 1.290 0.360～4.629 ≥15 8 分化程度 0.490 高或中分化 10 1.695 0.379～7.578 低或未分化 37 肿瘤部位 上部 26 1.000 中部 5 3.098 0.740～12.975 0.122 下部 9 1.834 0.438～7.676 0.406 多部位 7 2.537 0.604～10.664 0.204 CPS评分（分） 0.723 <1 20 1.219 0.408～3.639 ≥1 27 MSI状态 0.480 pMMR 44 0.044 0～255.531 dMMR 3 Rad评分 0.048 高 18 0.343 0.119～0.992 低 29
下载: 导出CSV
-
[1] Yang L, Ying XJ, Liu S, et al. Gastric cancer: Epidemiology, risk factors and prevention strategies[J]. Chin J Cancer Res, 2020, 32(6):695-704. DOI: 10.21147/j.issn.1000-9604.2020.06.03
[2] 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
[3] Zhang XT, Liang H, Li ZY, et al. Perioperative or postoperative adjuvant oxaliplatin with S-1 versus adjuvant oxaliplatin with capecitabine in patients with locally advanced gastric or gastro-oesophageal junction adenocarcinoma undergoing D2 gastrectomy (RESOLVE): an open-label, superiority and non-inferiority, phase 3 randomised controlled trial[J]. Lancet Oncol, 2021, 22(8):1081-1092. DOI: 10.1016/S1470-2045(21)00297-7
[4] Xu JM, Jiang HP, Pan YY, et al. Sintilimab plus chemotherapy for unresectable gastric or gastroesophageal junction cancer: the ORIENT-16 randomized clinical trial[J]. JAMA, 2023, 330(21):2064-2074. DOI: 10.1001/jama.2023.19918
[5] Shitara K, Rha SY, Wyrwicz LS, et al. Neoadjuvant and adjuvant pembrolizumab plus chemotherapy in locally advanced gastric or gastro-oesophageal cancer (KEYNOTE-585): an interim analysis of the multicentre, double-blind, randomised phase 3 study[J]. Lancet Oncol, 2024, 25(2):212-224. DOI: 10.1016/S1470-2045(23)00541-7
[6] Association JGC. Japanese gastric cancer treatment guidelines 2018 (5th edition)[J]. Gastric Cancer, 2021, 24(1):1-21. DOI: 10.1007/s10120-020-01042-y
[7] Jiang HP, Yu XF, Li N, et al. Efficacy and safety of neoadjuvant sintilimab, oxaliplatin and capecitabine in patients with locally advanced, resectable gastric or gastroesophageal junction adenocarcinoma: early results of a phase 2 study[J]. J Immunother Cancer, 2022, 10(3):e003635. DOI: 10.1136/jitc-2021-003635
[8] Becker K, Langer R, Reim D, et al. Significance of histopathological tumor regression after neoadjuvant chemotherapy in gastric adenocarcinomas: a summary of 480 cases[J]. Ann Surg, 2011, 253(5):934-939. DOI: 10.1097/SLA.0b013e318216f449
[9] Han SM, Han XM, Song YL, et al. Integrating tumor and nodal radiomics to predict the response to neoadjuvant chemotherapy and recurrence risk for locally advanced gastric cancer[J]. Curr Med Imaging, 2024, 20:e15734056299880.
[10] Schwartz LH, Litière S, de Vries E, et al. RECIST 1.1-Update and clarification: From the RECIST committee[J]. Eur J Cancer, 2016, 62:132-137. DOI: 10.1016/j.ejca.2016.03.081
[11] 陈俊良,王风华.2021版CSCO胃癌诊疗指南转移性胃癌更新解读[J].中国肿瘤临床,2022,49(7):325-330. [12] 李齐英,张广风,王欣如,等.影像组学在胃癌中的研究进展[J].中国医学影像技术,2019,35(2):286-289. [13] Huang WC, Xiong WJ, Tang L, et al. Non-invasive CT imaging biomarker to predict immunotherapy response in gastric cancer: a multicenter study[J]. J Immunother Cancer, 2023, 11(11):e007807. DOI: 10.1136/jitc-2023-007807
[14] Liang ZW, Huang A, Wang LF, et al. A radiomics model predicts the response of patients with advanced gastric cancer to PD-1 inhibitor treatment[J]. Aging, 2022, 14(2):907-922. DOI: 10.18632/aging.203850
[15] Reim D, Novotny A, Friess H, et al. Significance of tumour regression in lymph node metastases of gastric and gastro-oesophageal junction adenocarcinomas[J]. J Pathol Clin Res, 2020, 6(4):263-272. DOI: 10.1002/cjp2.169
[16] Trebeschi S, Drago SG, Birkbak NJ, et al. Predicting response to cancer immunotherapy using noninvasive radiomic biomarkers[J]. Ann Oncol, 2019, 30(6):998-1004. DOI: 10.1093/annonc/mdz108
[17] McGranahan N, Furness AJ, Rosenthal R, et al. Clonal neoantigens elicit T cell immunoreactivity and sensitivity to immune checkpoint blockade[J]. Science, 2016, 351(6280):1463-1469. DOI: 10.1126/science.aaf1490
[18] Wang JB, Qiu QZ, Zheng QL, et al. Tumor immunophenotyping-derived signature identifies prognosis and neoadjuvant immunotherapeutic responsiveness in gastric cancer[J]. Adv Sci, 2023, 10(15):e2207417. DOI: 10.1002/advs.202207417
计量
- 文章访问数: 70
- HTML全文浏览量: 15
- PDF下载量: 19
