首页 > 文章详情

2024 WCLC | 使用机器学习和CT放射组学预测晚期NSCLC中使用帕博利珠单抗单药治疗的疾病进展

08月17日

编译：肿瘤资讯

来源：2024 WCLC

2024世界肺癌大会（WCLC）将于美国当地时间9月7-10日在圣地亚哥举行，旨在为全球肺癌领域的学者、专家、从业人员提供最新临床研究、科学研究成果及广阔的学术交流平台。
近日，WCLC官网已披露部分摘要。Calum MacAulay专家团队发表了一项使用机器学习和CT放射组学预测晚期NSCLC中使用帕博利珠单抗单药治疗的疾病进展的研究，【肿瘤资讯】特此整理，以飨读者。

研究标题：Predicting Disease Progression to Upfront Pembrolizumab Monotherapy in Advanced NSCLC with Machine Learning and CT Radiomics

使用机器学习和CT放射组学预测晚期NSCLC中使用帕博利珠单抗单药治疗的疾病进展

摘要号：OA03.04

背景

加拿大卫生部批准帕博利珠单抗用于PD-L1≥50%且无EGFR/ALK畸变的晚期非小细胞肺癌（NSCLC）的一线治疗。 Keynote 024试验显示，55%的此类患者在帕博利珠单抗单药治疗中有疾病进展。因此，临床问题：我们能否区分最佳接受帕博利珠单抗单药治疗或需要帕博利珠单抗+铂类二联化疗的PDL 1 ≥50%患者的子队列？我们提出使用基线CT放射组学特征的机器学习模型，该模型可以在开始治疗之前预测接受帕博利珠单抗单药治疗晚期非小细胞肺癌的患者的疾病进展。

方法

本研究包括两个晚期NSCLC患者回顾性队列，一个发现训练队列（Tr-set; N=97，56 F：41 M，73± 6 yo）和一个外部验证队列（X-set; N=17，9 F：8 M，65± 10 yo）。所有患者均在基线时进行CT检查，并在接受一线帕博利珠单抗治疗后9-12周进行额外的随访CT检查。使用RECIST v1.1标准定义评估缓解：“疾病控制（DC）”vs“疾病进展（PD）”（Tr-set：60 DC vs. 37 PD，X-set：9 DC vs 8 PD）。放射组学特征提取流水线用于从肺肿瘤病变的轴向CT图像中提取2D放射组学形状、纹理和强度特征。在患者基线人口统计学、临床和CT放射组学特征的组合上训练五重交叉验证的ML模型（Logisitic Regression; LR），以分类DC与PD患者。使用最佳拟合LR模型计算每例患者的预测“PD风险”，并通过将计算的“PD风险”与Youden临界值进行比较，将患者分为“高风险PD"与“低风险PD”组，使用Kaplan-Meier图比较两组之间的生存期（总生存期[OS]和无进展生存期[PFS]）。

结果

ROC分析显示，整合基线变量组合的最佳拟合LR模型在预测PD方面具有良好的性能（Tr-set：AUC=0.91±0.06，X-set：AUC=0.88，CI 95%：0.72-0.99）。 Kaplan-Meier曲线表明，在Tr和X集中，“预测的PD高风险”组的OS在统计学上比“预测的PD低风险”组差（Tr集：对数秩p<0.0001; X集：对数秩p<0.01 [NB：图1C和1D中仅显示X集]）。