首页 > 文章详情

2024 ESMO IO 丨AI赋能：影像组学预测uHCC患者对仑伐替尼+替雷利珠单抗为基础的联合疗法的治疗反应

2024年12月12日

整理：肿瘤资讯

来源：肿瘤资讯

靶向药物与免疫检查点抑制剂的联合疗法在不可切除肝细胞癌（HCC）的一线治疗中已被广泛采用，但鉴于肝癌的高度异质性，仍有部分患者对该联合治疗无反应。精准识别可能从该治疗方案中获益的患者群体，进一步优化治疗方案，提高患者预后，成为临床研究的关键议题。

在2024年ESMO IO大会上，公布了一项由温州医科大学附属第一医院陈钢教授团队发起的”基于CT机器学习算法影像组学预测不可切除肝细胞癌对仑伐替尼+替雷利珠单抗为基础治疗方案的治疗反应“的研究数据（Final Poster Number：43P）^[1]。

这项研究为后续的临床工作带来了新的启示，即通过机器学习算法可以更精准地预测患者对特定治疗方案的反应，这对于个性化医疗和精准治疗具有重要意义。
肿瘤资讯有幸邀请到陈钢教授，深度解读该项研究，并共同探讨影像组学的未来发展方向。

摘要题目：基于CT的机器学习影像组学预测不可切除肝细胞癌对仑伐替尼联合替雷利珠单抗为基础的联合方案的治疗反应

Abstract Title: Machine learning radiomics based on CT to predict response to lenvatinib plus tislelizumab based therapy for unresectable hepatocellular carcinoma

第一作者：陈钢

本期特邀点评专家——陈钢教授

陈钢教授

温州医科大学附属第一医院

· 温州医科大学附属第一医院副院长
· 温州医科大学附属第一医院肝胆胰外科主任医师、教授，博士研究生导师
· 温州医科大学附属第一医院肝脏肿瘤诊治中心主任
· 浙江省肝胆胰肿瘤生物工程交叉国际联合实验室主任
· 入选浙江省万人计划科技创新领军人才、浙江省卫生高层次创新人才等
· 受聘为中国医师协会肝癌专委会常委、中国抗癌协会肝癌专委会委员、浙江省抗癌协会理事、浙江省肝胆胰肿瘤外科联盟副主任委员
· 主持国家重点研发计划政府间科技合作重点专项1项，主持国自然5项，以第一作者及通讯作者（含共通）在Hepatology 、Cancer Research 、 Clinical Cancer Research及Oncogene等国际权威SCI期刊发表论文80余篇
· 获2021年度浙江省科技进步三等奖（排名第一）

研究设计

本研究回顾性收集2019年至2024年期间接受仑伐替尼（LEN）联合替雷利珠单抗（TIS）为基础治疗方案的患者，最终共110例uHCC患者纳入分析。其中，30例患者接受了LEN联合TIS治疗，80例患者接受了LEN联合TIS及TACE的三联治疗。研究收集了患者的临床数据资料和增强CT影像资料，通过mRECIST标准评估肿瘤缓解情况，应用了五种机器学习算法，包括逻辑回归（logistic regression）、随机森林（random forest）、神经网络（neural networks）、支持向量机（support vector machines）和朴素贝叶斯（naive Bayes），基于临床和放射组学特征开发疗效预测模型。使用ROC曲线、准确率（ACC）、校准曲线（CC）和决策曲线分析（DCA）评估这些模型的预测性能。

研究结果

在110名符合条件的患者中，客观反应率（ORR）为33.6%，疾病控制率（DCR）为75.9%。训练集共88例，验证集共22例，两队列的患者基线特征无显著性差异。总共提取了240个放射组学特征，并使用mRMR（最大相关最小冗余）算法选择了15个重要特征进行进一步分析。基于20个临床变量和15个放射组学特征，使用五种不同的机器学习算法开发了预测模型。

随机森林（RF）模型显示出最佳的预测性能，在训练集和验证集中的平均曲线下面积（AUC）分别为0.99和0.72，ACC值分别为0.99和0.66。

图1. 训练集(A)和验证集(B)中的ROC曲线

DCA和CC进一步证明了RF模型在预测治疗反应方面的稳健性能。

图2. 训练集(A)和验证集(B)中的DCA曲线

图3. 训练集(A)和验证集(B)中的CC曲线

研究结论

基于临床和放射组学特征的机器学习模型已成功构建，以预测LEN联合TIS为基础的治疗在uHCC患者中的疗效。这些模型为个性化治疗策略提供了潜在的指导建议。

专家点评

肝细胞癌（HCC）是最常见的原发性肝癌类型，据估计2022年中国新发肝癌病例约37万例，死亡病例数约32万例^[2]。大多数患者初诊时已是不可切除状态，BCLC B/C分期约占87%^[3]。对于不可切除HCC（uHCC），目前以免疫为基础的联合治疗已成为晚期一线治疗的重要策略。然而，并非所有患者均能从治疗中获益，如何更好地识别不同治疗模式的获益人群，并建立有效预测模型，是临床上亟待攻克的难题。

在过去十年中，人工智能（AI）技术在临床医学领域迅速发展，带来了高效数据处理和精确模型构建的优势。令人鼓舞的是，基于AI的影像组学在HCC患者的临床决策中扮演着越来越重要的角色，为预测、诊断和预后提供了新的技术保障。

本团队近几年致力于系统性开发构建机器学习影像组学模型，利用人口统计学特征、治疗前分子特征/肿瘤特征、治疗前后的临床数据等，来预测uHCC患者对不同治疗方案的治疗反应，包括目前临床一线常用的靶向单药治疗、靶免联合治疗、介靶免三联治疗方案。通过这些高预测性能的模型，帮助临床医生筛选适合患者的最优方案，最终实现个体化精准医疗。既往研究中，我们成功构建了机器学习影像组学模型，用于预测uHCC患者对仑伐替尼单药^[4]、仑伐替尼联合TACE^[5]的疗效，研究成果已分别发表于Clinical Cancer Research、Cancers杂志。（点击查看研究详情）

在本项研究中，我们收集真实世界中的临床数据和影像资料，特别是治疗前的增强计算机断层扫描（CECT）图像。通过从这些CECT图像中提取关键的影像组学特征，并将它们应用于机器学习算法，我们能够预测患者对仑伐替尼联合替雷利珠单抗为基础的治疗方案的潜在治疗反应。这种方法提供了一种量化的概率评估，帮助预测不可切除肝细胞癌（uHCC）患者对特定治疗方案的响应可能性。机器学习影像组学模型有助于优化治疗策略、给予临床决策建议。具体来说，该模型能够为医生提供关于患者可能对仑伐替尼联合替雷利珠单抗为基础的治疗方案产生阳性反应的预测信息，从而为uHCC患者的个性化治疗提供了新的工具。这种预测工具的开发，旨在提高治疗的针对性和有效性。

与传统方法相比，AI影像组学在成本效益和预测准确性上具有优势，但目前尚缺乏统一的临床指南或专家共识支持其在HCC管理中的应用。为了提高影像组学模型的普适性和可靠性，需要在图像处理、数据处理、算法操作和模型构建方面实现标准化，并进行更多的多中心研究和验证。通过进一步的研究和标准化工作，AI影像组学有望成为HCC管理中不可或缺的工具，为临床决策提供强有力的支持，并最终改善肝癌患者的生活质量和生存率。

参考文献

[1] Gang Chen, et al. 2024 ESMO IO Poster 43.
[2] Global cancer burden growing, amidst mounting need for services. Saudi Med J. 2024 Mar;45(3):326-327.
[3] 秦叔逵等 .中国原发性肝癌临床登记调查（CLCS）2022年生存分析更新报告，2022 CSCO学术年会.
[4] Bo Z, et al. Clin Cancer Res. 2023 May 1;29(9):1730-1740.
[5] Ma J, et al. Cancers (Basel). 2023 Jan 19;15(3):625.

责任编辑：肿瘤资讯-QTT
排版编辑：肿瘤资讯-高惠

2024年12月13日

杨世忠

阳泉市肿瘤防治研究所 | 肿瘤内科

仑伐替尼加替雷利珠单抗治疗肝癌

2024年12月13日

王郭虹

桂林市第二人民医院 | 肿瘤科

仑伐替尼加替雷利珠单抗治疗肝癌

2024年12月13日

杜建帅

平遥县人民医院 | 肿瘤科

学习学习学习学习