01文献学习今天分享的文献是由郑州大学第一附属医院高剑波教授等团队于2026年3月12日在《Insights into Imaging》中科院2区IF4.5上发表的研究“CT-based radiomics for predicting the treatment response to PD-1/PD-L1 inhibitors combined with chemotherapy in unresectable gastric cancer”即基于CT的影像组学预测不可切除胃癌PD-1/PD-L1抑制剂联合化疗治疗反应该研究开发并验证了一种基于CT影像组学的模型用于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。研究纳入了368例来自两中心的患者提取门静脉期CT图像的影像组学特征构建影像组学评分Radscore并结合临床因素构建多种机器学习模型。最终选择Logistic回归模型构建诺模图并通过TCGA数据探索Radscore与肿瘤免疫微环境的关系。创新点①首次聚焦于PD-1/PD-L1抑制剂联合化疗的标准方案专门预测不可切除胃癌对该联合治疗的治疗反应。②深入探究影像组学特征的生物学基础揭示Radscore与肿瘤免疫微环境如CD8T细胞的显著相关性。③多中心严格验证并外部验证模型构建动态列线图实现了稳定且高泛化性的预测性能。临床价值①提供无创、便捷的预测工具可早期识别免疫联合化疗的潜在获益人群指导个性化治疗。②避免不必要的组织活检及其相关风险通过常规CT图像即可实时评估肿瘤免疫状态。③助力临床决策通过在线动态列线图实现快速、直观的个体化疗效概率预测优化治疗策略。02研究背景和目的研究背景胃癌是全球范围内常见的恶性肿瘤之一发病率位居第五死亡率位居第四对公共健康构成严重负担。大多数患者在确诊时已处于晚期无法接受根治性手术切除传统化疗方案疗效有限患者中位总生存期通常不足一年。近年来以PD-1/PD-L1抑制剂为代表的免疫治疗特别是与化疗联合应用已在多项临床试验中显示出显著疗效成为晚期胃癌的一线治疗推荐方案。然而如何精准预测患者对该联合治疗方案的响应仍是临床上的重大挑战。目前常用的预测生物标志物如PD-L1表达水平和微卫星不稳定性MSI依赖于组织样本存在侵入性、肿瘤异质性、检测周期长和成本高等问题限制了其广泛应用。因此亟需开发一种无创、可靠、可重复的预测工具以帮助筛选出最可能从免疫联合化疗中获益的患者从而实现个体化治疗。研究目的本研究旨在开发和验证一种基于CT影像的影像组学模型用于预测不可切除胃癌患者在接受PD-1/PD-L1抑制剂联合化疗后的治疗反应。具体目标包括首先构建并优化影像组学特征Radscore通过多中心数据验证其在不同人群中的预测性能和泛化能力其次结合临床独立预测因子如治疗周期和CA72-4水平采用多种机器学习算法构建并比较不同模型的预测效果最终选择最优模型构建可视化的列线图nomogram并部署为在线工具以提高临床实用性最后探索影像组学评分与肿瘤免疫微环境之间的关联利用TCGA数据库中的转录组数据分析Radscore与多种免疫细胞如CD8 T细胞、活化CD4记忆T细胞等浸润水平的相关性揭示其潜在的生物学机制为影像组学在免疫治疗响应预测中的应用提供理论依据。03数据和方法研究数据训练集231例郑州大学第一附属医院内部验证集97例郑州大学第一附属医院外部验证集40例山东大学第二医院TCGA/TCIA队列29例用于免疫浸润分析时间范围2019年5月至2024年2月中心12021年1月至2023年1月中心2图 1研究入组患者流程图技术方法图像获取与特征提取使用门静脉期CT图像手动勾画ROI提取851个影像组学特征包括原始和小波特征。特征筛选ICC评估可重复性LASSO回归筛选15个关键特征构建Radscore。模型构建比较5种机器学习模型Logistic回归、XGBoost、SVM、随机森林、朴素贝叶斯选择最优模型构建诺模图。模型评估使用AUC、校准曲线、DCA评估模型性能。免疫浸润分析使用TCGA数据计算Radscore与22种免疫细胞浸润水平的相关性Spearman相关。04实验结果Radscore显著高于响应组p 0.001在三组队列中AUC分别为0.868、0.816、0.793。Logistic回归模型表现最佳且最稳定AUC分别为0.886、0.831、0.826。临床模型表现较差AUC 0.6加入Radscore后显著提升预测能力。诺模图具有良好的校准度和临床净收益并部署为在线工具ShinyApp。免疫浸润分析显示Radscore与活化CD4记忆T细胞、CD8 T细胞正相关与B记忆细胞负相关。图 2各队列患者放射组学评分Radscore分布及应答/无应答组对比图 3不同预测模型的受试者工作特征ROC曲线图 4动态列线图预测胃癌免疫联合化疗疗效的临床应用实例图 5放射组学模型与逻辑回归联合模型的校准曲线和决策曲线分析DCA图 6Radscore与肿瘤免疫微环境中22种免疫细胞丰度的Spearman秩相关分析05研究结论该研究通过对368例不可切除胃癌患者的多中心数据分析成功构建并验证了一种基于CT影像组学的预测模型用于评估PD-1/PD-L1抑制剂联合化疗的治疗反应。研究发现由15个影像组学特征构成的影像组学评分Radscore在训练集、内部验证集和外部验证集中均表现出良好的预测效能AUC分别为0.868、0.816和0.793。进一步结合临床因素治疗周期和CA72-4水平构建的逻辑回归模型表现最优AUC分别提升至0.886、0.831和0.826显示出较高的准确性和稳健性。研究还开发了可视化的动态列线图并部署为在线工具便于临床个体化应用。更为重要的是研究揭示了Radscore与肿瘤免疫微环境的显著关联高分值与活化CD4记忆T细胞、CD8T细胞的浸润水平呈正相关与B记忆细胞呈负相关这为影像组学的预测能力提供了生物学基础。综上该CT影像组学模型不仅能够非侵入性地预测免疫治疗效果还反映了肿瘤免疫状态具有指导个体化治疗的潜在价值。参考文献Zhan PC, Yang S, Li LM, Liu X, Cheng Z, Zhang YY, Wang JX, Chen QL, Gao JB. CT-based radiomics for predicting the treatment response to PD-1/PD-L1 inhibitors combined with chemotherapy in unresectable gastric cancer. Insights Imaging. 2026 Mar 12;17(1):66. doi: 10.1186/s13244-026-02214-7.