劉穎 李倩 張宇威 葉兆祥

免疫檢查點抑制劑（immune -checkpoint inhibitor，ICI）作為驅(qū)動基因陰性的局部晚期和轉(zhuǎn)移性非小細胞肺癌（non-small-cell lung cancer，NSCLC）病人的治療選擇，已被列入美國國立綜合癌癥網(wǎng)絡(luò)（national comprehensive cancer network，NCCN）指南[1]和歐洲腫瘤醫(yī)學會（European society of medical oncology，ESMO）指南[2]，至此免疫治療開啟了肺癌治療的新格局。免疫治療尤其是ICI 可顯著延長晚期NSCLC 病人無進展生存期（progression free survival，PFS）及總生存期（overall survival，OS）。在部分晚期NSCLC 病人中，ICI 更是已經(jīng)取代了傳統(tǒng)的放化療手段，以其高效低毒的顯著優(yōu)勢成為一線治療方案[3]。然而，只有一部分病人在免疫治療后表現(xiàn)出持久的臨床獲益[4]。Ⅰ/Ⅱ期程序性死亡受體-1/程序性死亡受體-配體1（programmed cell death-1/programmed cell death-Ligand 1，PD-1/PD-L1） 抗體單藥治療的臨床試驗[5-6]顯示，僅14.5%~19.4%的晚期NSCLC 病人能夠持久臨床獲益（>6 個月）。影像學檢查是唯一能夠在體全面觀察腫瘤病灶表型的方法，傳統(tǒng)療法研究均依賴于影像作為客觀療效的評價。本文就常規(guī)CT 影像學方法和影像人工智能在晚期NSCLC 病人免疫治療療效評價中的最新進展進行綜述。

1 常規(guī)CT 影像學方法評價晚期NSCLC 免疫治療現(xiàn)狀及局限性

1.1 治療現(xiàn)狀 影像學評價是肺癌病人免疫治療療效評估的客觀依據(jù)。2017 年，實體瘤療效評價標準 （response evaluation criteria in solid tumor，RECIST）工作組及其免疫治療小組委員會制定了《實體瘤免疫療效評價標準（RECIST1.1 for immunebased therapeutics，iRECIST）》[7]， 該 標 準 基 于RECIST 1.1 標準，仍然以形態(tài)及解剖結(jié)構(gòu)為基礎(chǔ)，采用單徑測量方法，通過計算腫瘤變化率來評價療效。盡管iRECIST 針對免疫治療的特殊反應(yīng)模式（如假性進展、新病灶出現(xiàn)等）提出了待證實的疾病進展（immune unconfirmed progressive disease，iUPD）和已證實的疾病進展（immune confirmed progressive disease，iCPD）2 個新的應(yīng)答類別，但該標準并非治療決策指南，僅為免疫治療臨床試驗提供數(shù)據(jù)管理框架，首次療效評價為iUPD 后，病人需于4~8 周后重復(fù)行影像學檢查評估，以確認疾病所處的狀態(tài)（iCPD、解除iUPD 或維持iUPD）。一項單中心研究[8]回顧性分析了160 例晚期NSCLC 病人接受PD-1/PD-L1 的療效，20 例病人的CT 影像檢查出現(xiàn)非典型反應(yīng)，其中8 例為假性進展（5%），12 例出現(xiàn)分離的應(yīng)答反應(yīng)（8%），即部分病灶增大，部分病灶縮小。Forde 等[9]分析了納武單抗對NSCLC 病人行新輔助免疫治療前基線及術(shù)前隨訪影像資料、術(shù)后標本的病理資料，部分病人腫瘤影像學改變與病理不一致；在術(shù)前隨訪CT 影像提示腫瘤較基線檢查明顯增大的病人中，有1 例術(shù)后病理評價為主要病理緩解，該病人術(shù)后病理顯示組織中絕大部分為免疫細胞，90%的腫瘤細胞消退。

1.2 局限性 CT 是肺癌治療后隨訪療效評價的常用影像學檢查手段，通過徑線測量能夠反映腫瘤床大小的變化，增強CT 檢查后腫瘤區(qū)域強化程度可以提示壞死區(qū)域存在，但無法從接受免疫治療后的NSCLC 病人多樣的影像學表現(xiàn)中鑒別和預(yù)測出實際有效的病人人群，難以在早期階段識別真正的腫瘤進展，無法實現(xiàn)前瞻性預(yù)測病人免疫治療響應(yīng)程度。

2 人工智能影像分析預(yù)測NSCLC 免疫治療療效

隨著醫(yī)學成像設(shè)備與技術(shù)不斷升級，醫(yī)學影像不僅僅是圖片，更是隱含肉眼不可識別的高通量可挖掘的數(shù)據(jù)[10]。以影像模式識別為核心分析技術(shù)，結(jié)合人工智能算法，構(gòu)建影像驅(qū)動的影像與臨床、病理生理, 乃至基因水平指標之間關(guān)聯(lián)的分析模式在腫瘤學領(lǐng)域得到廣泛應(yīng)用。

2.1 基于基線CT 影像的人工智能分析預(yù)測晚期肺癌免疫治療療效 Sun 等[11]選取了135 例來源于Ⅰ期PD-1/PD-L1 單藥治療臨床試驗的不同部位腫瘤病人，病例組成中占前4 位的依次是肺癌（22%）、乳腺癌（13%）、婦科腫瘤（13%）和頭頸部腫瘤（10%），使用治療前增強CT 影像訓練機器學習算法，建立基于CT 影像的影像組學預(yù)測模型來分析預(yù)測腫瘤免疫細胞表達水平及PD-1/PD-L1 抑制劑治療效果，然后在3 組來自不同多中心臨床試驗的驗證數(shù)據(jù)集中予以驗證。在癌癥基因組數(shù)據(jù)庫隊列119 例病人的驗證數(shù)據(jù)集中驗證了該算法的可靠性，模型預(yù)測基因表達CD8 細胞的效能達0.67（95%CI：0.57~0.77）；另一組100 例腫瘤免疫表型已知病人的驗證集中，模型可以很好地區(qū)分免疫浸潤型與免疫荒漠型，前者的影像組學評分顯著高于后者；在接受PD-1/PD-L1 單藥免疫治療的137 例第3 組病人的驗證數(shù)據(jù)集中證實，治療后6 個月療效評價為客觀有效者的基線影像組學評分顯著高于疾病進展和疾病穩(wěn)定者，疾病控制者顯著高于疾病進展者，影像組學評分較高者即模型預(yù)測為治療有效組的病人中位生存期為24.3 個月，而無效組的中位生存期僅為11.5 個月。該研究中涵蓋了不同部位腫瘤，忽略了不同部位腫瘤自身存在的異質(zhì)性差異，但結(jié)果證實了影像人工智能分析預(yù)測肺癌免疫治療療效的可行性。

隨后，Trebeschi 等[12]采用AI 技術(shù)對接受 PD-1治療的進展期惡性黑色素瘤和NSCLC 病人治療前的增強CT 影像分析研究，共納入203 例病人的1 055 個靶病灶（原發(fā)病灶和轉(zhuǎn)移病灶），構(gòu)建的機器學習模型可以預(yù)測病灶和病人水平的免疫治療療效以及反應(yīng)模式（混合型、統(tǒng)一型）的特點。在NSCLC 病灶水平（肺內(nèi)轉(zhuǎn)移病灶、淋巴結(jié)轉(zhuǎn)移病灶）預(yù)測免疫治療進展與非進展時顯示出良好的預(yù)測效能；對納入研究的靶病灶數(shù)目大于1 的病人進行病人水平的療效評價，混合型反應(yīng)模式表現(xiàn)為病灶治療后進展與有效并存，統(tǒng)一型反應(yīng)模式表現(xiàn)為病灶出現(xiàn)一致性進展或一致性有效，模型在進展期惡性黑色素瘤和NSCLC 腫瘤的OS 的預(yù)測效能受試者操作特征（ROC）曲線下面積（AUC）達0.76。將構(gòu)建模型應(yīng)用于39 例接受化療的Ⅳ期NSCLC 病人數(shù)據(jù)集，未能顯著地預(yù)測病人OS 和病人對治療的總體反應(yīng)情況，說明其免疫治療特異性無法泛化到非免疫治療的療效預(yù)測。此外，該研究還利用262例有基因表達數(shù)據(jù)的NSCLC 獨立驗證集分析影像組學指標的生物學基礎(chǔ)，發(fā)現(xiàn)影像組學指標與有絲分裂相關(guān)的通路存在顯著相關(guān)性，提示增殖潛能的增加與免疫治療療效較好存在潛在聯(lián)系。

ICI 給晚期NSCLC 病人帶來生存獲益的同時，也可能對部分病人產(chǎn)生不利影響——超進展，即免疫治療后出現(xiàn)腫瘤快速進展現(xiàn)象，這種腫瘤生長的反常加速與預(yù)后不良有關(guān)，目前尚無有效的生物標志物來識別有超進展風險的病人[13-14]。Vaidya 等[15]回顧性總結(jié)了109 例接受PD-1/PD-L1 免疫抑制劑單藥治療的晚期NSCLC 病人臨床和影像數(shù)據(jù)，共19例病人出現(xiàn)超進展。從病人基線CT 影像中提取了198 個反映靶病灶內(nèi)部和周圍的紋理特征以及量化病灶周圍血管迂曲程度（quantitative vessel tortuosity，QVT）的組學特征。采用隨機森林方法篩選出可區(qū)分超進展與其他響應(yīng)模式的3 個影像組學特征（1 個瘤周紋理和 2 個 QVT 特征），由這 3 個組學特征建立的預(yù)測模型在訓練集（30 例）和測試集 （79 例） 的 AUC 分別為 0.85 和 0.96；Kaplan-Meier 生存曲線顯示該模型預(yù)測出的超進展組與非超進展組的OS 有顯著性差異[測試集風險比（HR）=2.66，95%CI：1.27~5.55]，即基線 CT 影像能夠在一定程度上預(yù)測接受免疫治療的晚期NSCLC 病人是否會出現(xiàn)超進展。

腫瘤突變負荷（tumor mutational burden，TMB）是ICI 療效預(yù)測的重要指標之一[16]。He 等[17]采用深度學習技術(shù)分析CT 影像，探討了基于深度學習的影像組學標志物與TMB 的相關(guān)性，及其對晚期NSCLC 病人ICI 治療反應(yīng)的預(yù)測價值?；仡櫺允占?27 例有TMB 數(shù)據(jù)的病人治療前CT 影像，基于3D-densenet 輸出了1 020 個深度學習特征來區(qū)分高TMB 和低TMB 病人，并建立TMB 影像組學標志物（TMB radiomic biomarker，TMBRB），同時使用傳統(tǒng)影像組學分析流程提取特征建立影像組學模型，TMBRB 的預(yù)測效能優(yōu)于傳統(tǒng)影像組學模型。在預(yù)測免疫治療療效時，TMBRB 將病人分為高風險組和低風險組，2 組的 OS（HR：0.54,95%CI：0.31~0.95）和 PFS（HR：1.78, 95%CI：1.07~2.95）有顯著差異。此外，TMBRB 與東部腫瘤協(xié)作組（Eastern Cooperative Oncology Group，ECOG） 評分相結(jié)合，對OS 和PFS 均有更好的預(yù)測能力。

Mu 等[18]分析了 194 例ⅢB-Ⅳ 期 NSCLC 接受PD-1/PD-L1 抑制劑治療病人的基線PET/CT 資料，分別提取肺內(nèi)原發(fā)腫瘤的PET、CT 影像和PET/CT融合影像的影像組學特征，建立相應(yīng)的組學特征模型及加權(quán)上述技術(shù)各自系數(shù)的多參數(shù)影像組學特征模型（multiparametric radiomics signature，mpRS），該研究終點設(shè)定為“持續(xù)臨床獲益（durable clinical benefit，DCB）”與“非持續(xù)臨床獲益（no durable benefit，NDB）”的免疫治療療效評價二分類標簽。結(jié)果表明mpRS 在訓練集、回顧性測試集和前瞻性測試集中AUC 值均最大，以多參數(shù)影像組學特征聯(lián)合臨床信息構(gòu)建的預(yù)測病人DCB 的模型，其預(yù)測效能在訓練集和2 個測試集中的AUC 分別為0.89、0.86 和0.86，決策曲線分析顯示其凈獲益率高于臨床特征模型和單純組學特征模型。根據(jù)單變量Cox回歸分析，mpRS、肺癌組織學類型和ECOG 量表評分與PFS 和OS 顯著相關(guān)；進一步構(gòu)建多因素Cox比例風險模型，聯(lián)合模型（多參數(shù)組學特征+臨床信息）預(yù)測PFS、OS 的C 指數(shù)值最大，并且在驗證集中達近似的預(yù)測效能（3 個數(shù)據(jù)集中預(yù)測PFS 的C 指數(shù)分別為 0.74、0.74 和 0.77，預(yù)測 OS 的 C 指數(shù)分別為 0.83、0.83 和 0.80）。

以上研究初步證明了基于基線影像的人工智能圖像分析解決免疫治療療效預(yù)測問題的可行性。

3 基于差值影像組學特征評價晚期NSCLC 免疫治療療效

3.1 差值影像組學概念的提出 前述影像組學預(yù)測免疫治療療效的相關(guān)研究都是基于單次醫(yī)學影像即治療前的基線影像，但基線影像無法涵蓋治療引起的相應(yīng)變化的信息，因此差值影像組學的概念應(yīng)運而生，它通過動態(tài)觀察影像，從影像的時間序列中提取特征，計算不同時間點（如治療前和治療后）影像組學特征變化來捕捉治療引起的組學特征值變化信息。該方法具有一定優(yōu)勢，特別是影響定量影像分析再現(xiàn)性的因素對其干擾較小[19-20]。

3.2 預(yù)測NSCLC 免疫治療療效 Khorrami 等[19]報道了應(yīng)用病灶內(nèi)部及周圍的治療前后差值組學特征預(yù)測NSCLC 免疫治療響應(yīng)及OS 的研究結(jié)果。影像醫(yī)師勾畫肺內(nèi)病灶后，將其邊界以2 mm 間隔向外周逐漸擴展，最終形成15 組擴展后勾畫結(jié)果，然后提取病灶內(nèi)部和周圍的影像組學特征（99 個紋理特征，495 個一階統(tǒng)計特征，24 個形態(tài)特征），計算治療前后影像組學特征變化率（delta radiomic analysis，DelRADx）。在 RIDER 肺癌 CT 影像數(shù)據(jù)集中（31 例病人在間隔15 min 內(nèi)接受2 次CT 掃描），以特征值組內(nèi)相關(guān)系數(shù)＞8 作為閾值，篩選具有較好的可重復(fù)性以及在不同CT 掃描條件下更具魯棒性的特征，再利用Wilcoxon 秩和特征選擇方法進行深度篩選。最終構(gòu)建出由8 個DelRADx 組成的預(yù)測模型，其預(yù)測免疫治療療效是否為無應(yīng)答者的AUC值在訓練集和 2 個驗證集分別達 0.88、0.85 和0.81，高于基線組學特征的療效預(yù)測模型（AUC 值分別為0.81、0.79 和0.74）。同時對研究隊列中有PD-L1 表達的25 例病人進行了亞組分析，選擇3個不同閾值（1%、10%和50%）進行PD-L1 表達水平分組，比較影像組學模型與PD-L1 表達預(yù)測OS的差異，結(jié)果顯示以閾值50%作為PD-L1 表達分組臨界點時，可以很好地鑒別不同OS 組，但HR 差異無統(tǒng)計學意義，且PD-L1 表達與免疫治療療效無顯著相關(guān)性。當回歸模型中納入PD-L1 評分和病灶周圍紋理特征Gabor Delta-RFs 時，計算所得PD-L1_Rad score 與 OS 顯著相關(guān)（HR=0.26），PD-L1_Rad score 分值低與分值高者的Kaplan-Meier 生存曲線差異顯著。研究隊列中36 例有治療前穿刺病理切片的病人進行了病理圖分析。淋巴細胞細胞核與其他細胞核相比具有其自身的特點，即較小的體積、更圓的形狀和較深的均勻染色，研究者利用細胞核的紋理、形狀和顏色特征，運用分水嶺算法分割細胞核，將其分為淋巴細胞和非淋巴細胞（主要是腫瘤細胞）[21]，進一步提取密度相關(guān)特征來表征淋巴細胞在周圍的分布。腫瘤浸潤性淋巴細胞（tumor infiltrating lymphocytes，TIL）密度與病灶周圍Gabor filter DelRADx 特征顯著相關(guān)，提示DelRADx 與腫瘤免疫微環(huán)境可能存在映射關(guān)系。上述研究結(jié)論初步展示了差值影像組學特征分析在預(yù)測NSCLC 免疫治療療效的優(yōu)勢。

4 展望

免疫治療作為一種新興的治療手段，在晚期NSCLC 中的治療已取得了一些突破性進展。然而，現(xiàn)有的臨床預(yù)測方法和影像學檢查技術(shù)在實體瘤免疫治療療效預(yù)測及評估方法均面臨巨大的挑戰(zhàn)。醫(yī)學影像的人工智能分析憑借其相對低的成本、豐富的可探索性、無創(chuàng)且可連續(xù)分析數(shù)據(jù)等獨特優(yōu)勢，為晚期NSCLC 的療效預(yù)測提供了全新的探查視角。肺癌免疫治療的影像人工智能方面的先驅(qū)研究證實了其預(yù)測療效的可行性，相信隨著大數(shù)據(jù)和多專業(yè)聯(lián)合研究的開展，CT 影像驅(qū)動的人工智能方法有望為臨床提供有效的免疫治療療效預(yù)測標志物，以進一步實現(xiàn)ICI 治療肺癌精準療效評估，達到靈活調(diào)整治療方案使病人更加獲益的最終目的。