首页 > 文章详情

【35under35】张臻博士：人工智能的力量：使用深度学习影像组学预测IV期非小细胞肺癌患者PD-(L)1疗效的真实世界研究

06月08日

作者：张臻

医院：浙江省肿瘤医院

第八届“35under35”报名已正式结束，数百位青年肿瘤医生将继续参与后续的一系列学术活动，展示青年医生的风采！第一轮为ASCO摘要解读，候选人在2024 ASCO口头报告专题中自由选择一份进行点评，现进行集中展示，供各位品评！如您喜欢，请不吝点赞或分享，让更多的医生同道看到！同时，您也可以在下方发表您的见解哦！

张臻

肿瘤学博士后，特聘副研究员，住院医师

浙江省肿瘤医院胸部放疗科
肿瘤学博士后，特聘副研究员，住院医师
国家公派博士研究生
主持国家自然科学基金青年项目，放疗红皮、绿皮、欧核（EJNMMI）、European journal of cancer等多个杂志审稿人，多次在ESTRO等国际会议口头汇报，发表论文二十余篇。

ASCO2024解读文献

Abstract 102

Real-world and clinical trial validation of a deep learning radiomic biomarker for PD-(L)1 immune checkpoint inhibitor response in stage IV NSCLC

人工智能的力量：使用深度学习影像组学预测IV期非小细胞肺癌患者PD-(L)1疗效的真实世界研究

摘要

背景

应用免疫检查点抑制剂（ICI）治疗是无突变晚期非小细胞肺癌（NSCLC）的标准治疗方案。然而，鉴于目前PD-(L)1标志物的不准确性，亟需可预测ICI治疗临床获益的生物标志物。我们基于CT影像开发并外部验证了一种具备普适性的生物标志物，用于预测对ICI的治疗响应。

方法

我们使用真实世界数据集（real-world dataset，RWD）开发并验证了一种基于深度学习放射组学（radiomic）的生物标志物，该数据集包括来自美国和欧洲学术和社区医院中使用PD-(L)1 ICI治疗的2,010名IV期NSCLC患者。排除了缺失基线影像、缺失随访数据或EGFR/ALK驱动基因突变阳性的患者，最终纳入1,188名患者。RWD数据集包括一个发现队列，即训练集，（数据集A，N=844）；一个（以接受治疗的）时间上（不同的）独立保留队列，即独立验证集，（数据集B，N=344），用于检验生物标志物的性能。为了测试生物标志物的普适性，使用一个前瞻性临床试验数据集进行验证，该数据集评估了Sasanlimab（萨善利单抗）在PD-(L)1治疗初治的晚期NSCLC患者中的效果（NCT02573259，数据集C，N=54）。我们采用了两阶段学习方法来建模预测6个月无进展生存期（PFS）。首先，我们使用一个独立的多任务深度学习特征提取器，该提取器在19,184个完整胸部CT扫描上进行训练。之后，我们将提取的特征输入Cox比例风险（CoxPH）模型，并结合年龄、性别和基线病灶测量值（最长直径和远处转移数量之和），生成时间依赖的PFS函数和响应评分。我们对数据集A进行了6折交叉验证以训练和评估模型，随后将其集成并应用于独立的数据集B和C。为了评估我们建立的生物标记物独立于PD-L1状态和人口统计学特征的预测能力，计算了生物标志物所识别出的低风险组人群的多变量校正风险比（multivariate adjusted HR）。

结果

在数据集A中，生物标志物在交叉验证测试集中PFS的HR为0.49（95% CI 0.38-0.63），在一线ICI单药治疗队列（1LMono）中HR为0.28（0.17-0.46）。在数据集B中，对于PFS的HR为0.54（0.35-0.83），在1LMono中HR为0.18（0.05-0.61）。在数据集C中，对于PFS的HR为0.30（0.14-0.68），OS的HR为0.29（0.10-0.83），TTP的HR为0.31（0.14-0.72）。

结论

对RWD和临床试验队列的验证证明，基于常规治疗前CT扫描的深度学习放射组学生物标志物可以预测患者对ICI的治疗响应，且该生物标志物可独立于PD-L1状态对患者进行风险分层。该工具有应用于临床决策的潜力，例如帮助判断不需要同时进行化疗的人群。在未来的工作中，我们计划在更大的前瞻性数据集中进一步验证我们的方法，并扩展其在新适应症中的应用。

解读

免疫治疗的到来极大的改变了肿瘤临床的治疗策略，但目前仍没有非常有效的生物标志物对免疫检查点抑制剂的疗效进行预测。人工智能与影像组学的发展为研究者提供了新的研究手段和实践方向。影像组学在2012年由荷兰Maastricht University的Lambin、Andre、Hugo等研究者共同提出，可以定量化的提取医学影像中肉眼无法获得的特征，近些年来，随着计算机技术的发展，逐渐拓宽到结合深度学习等方法进行图像的分析。

该项研究具有以下几个亮点：1.使用了真实世界数据进行生物标志物的开发与验证，不仅包含了多中心、多地域、多人种数据，还纳入了前瞻性研究的数据，相比于回顾性数据，前瞻性数据的终点随访更加准确和完善。此外，该研究共纳入1242位患者进行分析，相比于目前绝大多数研究的几十到几百例样本数量，该研究数据量的增加与模型的鲁棒性正相关。2.为进一步提高模型的稳定性，该研究的研究者使用了两步法进行模型的构建，即将特征提取器与分类器分别进行构建。特征提取部分采用深度学习模型，深度学习模型所需的样本量远大于传统统计学模型，因此作者使用了19,184个胸部CT进行该部分深度学习的训练。保证了深度学习模型所需的样本数量，以此来进一步提高被提取特征的稳定性。第二部分的分类器则使用传统统计学模型进行构建，降低了分类器所需的样本量，同时又可增加模型的可解释性，即每一个特征的权重都可进行输出，一定程度上克服了深度学习“黑盒子”的特性。

该研究设计巧妙，验证数据来源合理、样本量大，同时存在几点在全文进行发表后我们值得关注的地方：1.研究者仅报告了生物标志物的HR值，但其预测能力应得到完善汇报，例如从准确度、校准度、敏感度、特异度多方面来进行衡量。2.除了6个月的PFS外，影像组学生物标志物是否与患者长期生存、复发等终点相关？是否也可对免疫检查点抑制剂所致的副反应也进行预测？3.从模型建立的工程方法学角度考虑，特征提取器所使用的模型应当进行深入剖析，尤其在近几年来高效、准确的深度学习模型频繁涌现的背景下，更应得到大家的分析与研究。

该研究结合真实世界数据，为我们证明了人工智能有辅助制定应用免疫检查点抑制剂患者的临床决策的潜力，相信结合人工智能的力量，未来我们可以为患者更好的提供个性化诊疗服务。

指导老师点评

方敏教授-浙江省肿瘤医院

肿瘤治疗已经步入精准治疗时代，生物标志物的研究如火如荼，采用不同的生物标志物去精准预测患者治疗的疗效及不良反应，指导个体化治疗是大势所趋。影像组学人工智能作为生物标志物的补充，很好的弥补了目前临床免疫治疗的生物标志物疗效精准预测的缺陷，张臻博士很好地为我们解读了如何通过严格筛选入组人群和人工智能的方法有效结合，构建更符合临床实践的深度学习模型，真正实现指导临床实践。

【温馨提示】：如果您觉得张臻医生解读的好，请在下方为他点赞并将文章分享给更多的同道！当然，您也可以在下方留下您的个人见解哦！

责任编辑：肿瘤资讯-35under35班长