企业官网建设流程全解析

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，IF=4.5）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CD8+T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1）；2021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 6：Radscore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、CD8+T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.