胃癌是全球范围内一个重大的健康负担，其发病率高居恶性肿瘤第五位，死亡率位列第四。对于早期患者，手术切除是有效的治疗手段，但遗憾的是，高达60-70%的患者在确诊时已处于晚期，失去了根治性手术的机会。对于这些不可切除的晚期胃癌患者，传统的化疗方案生存获益有限。近年来，以PD-1/PD-L1抑制剂为代表的免疫治疗，尤其是与化疗的联合方案，彻底改变了胃癌的治疗格局，已成为主流临床指南推荐的一线治疗方案。
然而，在这场抗击胃癌的“攻坚战”中，一个核心难题依然悬而未决：并非所有患者都能从这种联合疗法中受益。目前的预测“路标”——如PD-L1蛋白表达、微卫星不稳定性（MSI）状态等——主要依赖有创的活检或手术获取的组织样本。这些方法不仅受制于肿瘤内部的异质性，也存在操作复杂、耗时、成本高等局限，难以在临床实践中广泛应用。因此，迫切需要一种无创、可靠且易于获取的工具，来提前识别出那些最有可能从免疫联合化疗中获益的“优势人群”，从而实现真正的精准治疗，避免无效治疗带来的副作用和经济浪费。
为此，研究人员在《Insights into Imaging》上发表了一项研究，旨在利用临床常规检查——计算机断层扫描（CT）中蕴含的丰富信息，开发一个智能预测模型。他们提出的核心问题是：能否基于治疗前的CT图像，通过人工智能（AI）技术提取肉眼无法识别的定量特征（即影像组学特征），来精准预测不可切除胃癌患者对PD-1/PD-L1抑制剂联合化疗的治疗反应？更进一步，这种影像学预测背后是否有着可解释的生物学基础？
为了回答这些问题，研究团队回顾性纳入了来自两个医疗中心的368名接受PD-1/PD-L1抑制剂联合化疗的不可切除胃癌患者。研究主要应用了几项关键技术方法：首先，基于治疗前的门静脉期CT图像，研究者手动勾画肿瘤区域，并从中提取了851个定量影像特征。其次，他们运用最小绝对收缩和选择算子（LASSO）回归等统计学方法，从海量特征中筛选出最具预测价值的15个，构建了一个名为“影像组学评分（Radscore）”的综合指标。接着，研究者比较了五种不同的机器学习算法，将Radscore与从临床数据中筛选出的独立预测因子（治疗周期数和CA72-4水平）相结合，以构建最优的预测模型。最后，为了探究Radscore的生物学意义，他们利用癌症基因组图谱（TCGA）数据库中的胃癌患者数据，将计算出的Radscore与通过转录组数据估算的22种免疫细胞浸润水平进行了关联分析。
研究结果
• 基线特征 ：总共368名胃腺癌患者被纳入研究，并被分为训练队列、内部验证队列和外部验证队列。三组患者的基线临床特征无显著差异，表明分组均衡。
• 临床影像学特征与治疗反应的关系 ：通过逻辑回归分析发现，治疗周期数和CA72-4水平是预测治疗反应的独立临床因素。然而，仅基于这两个因素构建的临床模型预测能力有限。
• 影像组学特征构建 ：通过特征筛选，最终确定了15个最优的影像组学特征来构建Radscore。分析显示，在所有三个患者队列中，治疗有效组的Radscore均显著高于治疗无效组，表明Radscore具有很强的区分能力。
• 模型构建与性能比较 ：Radscore本身就在各队列中表现出了良好的预测性能（训练、内部验证、外部验证队列的曲线下面积AUC分别为0.868、0.816、0.793），远优于单纯的临床模型。在比较了逻辑回归、XGBoost等五种机器学习算法构建的融合模型后，逻辑回归模型表现出了最高且最稳定的预测性能，其AUC值分别为0.886、0.831和0.826。基于此模型，研究构建了一个可视化的列线图，并开发了交互式网页应用，方便临床医生直接输入患者数据获取个性化的治疗反应预测概率。
校准曲线和决策曲线分析（DCA）均证实了该模型具有良好的校准度和临床实用性。
• 免疫浸润分析 ：在TCGA队列的验证中，Spearman相关性分析揭示，Radscore与活化的CD4+记忆T细胞以及CD8+ T细胞的浸润水平呈显著正相关，而与记忆B细胞呈负相关。
这表明较高的Radscore可能反映了一个更具促炎、抗肿瘤活性的免疫微环境，而较低的Radscore则可能暗示免疫抑制状态。
结论与讨论
这项研究成功开发并验证了一个基于CT影像组学的列线图模型，该模型在预测不可切除胃癌对PD-1/PD-L1抑制剂联合化疗的治疗反应方面，展现出了强大的预测性能和良好的泛化能力。与以往一些间接预测或样本量有限的研究相比，本研究直接针对当前标准联合疗法，并在多中心队列中进行了严格验证。
研究的深远意义在于，它不仅仅提供了一个“黑箱”预测工具。通过将Radscore与肿瘤免疫微环境（TIME）的细胞组成相关联，研究为其预测能力提供了潜在的生物学机制解释。Radscore与活化CD4+记忆T细胞、CD8+ T细胞的正相关性表明，该评分可能捕捉了与免疫治疗敏感性相关的关键免疫特征。这为“影像组学特征为何能预测疗效”这一根本问题提供了有说服力的答案，将影像表型与潜在的生物学功能联系了起来，增强了模型的可信度和临床应用价值。
在实践层面，该模型利用的是临床常规采集的CT图像，无需额外检查或侵入性操作，具有无创、便捷、可重复的优势。它所构建的在线交互式列线图工具，使得临床医生能够像使用计算器一样，快速评估个体患者对联合免疫化疗的可能反应概率，从而为制定个性化治疗方案提供了重要的决策支持。
当然，研究也存在一些局限性，例如其回顾性设计可能引入选择偏倚，样本量仍有扩大空间，并且尚未纳入更先进的深度学习技术。未来的研究方向可以包括在前瞻性、大规模的多中心队列中进一步验证该模型，整合多模态影像（如双能CT）和更丰富的临床基因组学数据，并探索深度学习等更复杂的算法，以期构建预测更精准、解释性更强的下一代智能辅助工具。
总之，这项研究标志着在利用人工智能解读医学影像、赋能癌症精准免疫治疗的道路上迈出了坚实的一步。它将冰冷的CT图像转化为蕴含生物学热度的“数字活检”报告，不仅为不可切除胃癌患者的治疗选择提供了新工具，也为理解影像特征背后的肿瘤生物学开辟了新视角。
打赏
校准曲线和决策曲线分析（DCA）均证实了该模型具有良好的校准度和临床实用性。
这表明较高的Radscore可能反映了一个更具促炎、抗肿瘤活性的免疫微环境，而较低的Radscore则可能暗示免疫抑制状态。
