Academic radiology：放射组学和深度学习对胃癌患者程序性死亡配体1表达水平的非侵入性评估！

胃癌（GC）是世界上诊断率第六高的癌症，也是癌症相关死亡的第三大原因。最近，免疫检查点抑制剂的发展已经彻底改变了晚期恶性肿瘤的治疗。阻断程序性细胞死亡1（PD-1）和程序性死亡配体1（PD-L1）轴的单克隆抗体在治疗晚期胃癌方面显示出良好的效果，并被美国、中国、日本和其他国家批准作为晚期胃癌的一线疗法。然而，由于PD-1/PD-L1阻断剂的疗效因人而异，全面评估和精确选择最有可能从抗PD-1/PD-L1治疗中获益的患者至关重要。肿瘤细胞上较高的PD-L1表达水平与抗PD-1/PD-L1免疫治疗后有利的治疗反应和延长的总生存期密切相关，因此被广泛用作患者选择的指标。

目前，对PD-L1表达水平的评估主要是基于免疫组化（IHC）检测，这需要手术或侵入性活检的肿瘤组织。然而，基于组织的活检的一些缺点完善了其使用：1）PD-L1是一个动态的生物标志物，在肿瘤发展过程中水平会有波动，这使得有创活检不适合长期监测PD-L1的表达水平；2）由于GC的空间异质性，通过活检获得的肿瘤组织可能不足以代表全面的肿瘤情况；3）IHC检测过程费时费力，患者可能要等上几天才能得到结果；4）内窥镜活检获得的有限组织可能不足以在常规的组织学和分子测试后进行准确的PD-L1评估。由于上述基于组织的活检的缺陷，对评估GC中PD-L1表达水平的非侵入性方法的需求正在增加。

最近，计算机视觉技术的发展使得通过分析常规临床图像（CT、MR等）来精确评估组织学生物标志物成为可能。放射组学和深度学习方法可以通过生成和整合高通量的定量放射学特征来推断肿瘤病理的微观特征、，这被称为 "数字活检"。基于CT/PET-CT的数字活检系统在预测非小细胞肺癌（NSCLC）中PD-L1的表达水平方面的功效已经在多项研究中得到检验。

近日，发表在academic radiology杂志的一项研究开发和验证了一项基于增强CT（CECT）的可实现对GC中PD-L1表达水平非侵入性评估的人工智能系统，该系统可以为临床医生提供额外的提示性信息以选择合适的病例进行抗PD-1/PD-L1治疗。

本研究连续招募了217名接受胃切除术的GC患者，其中157名来自中心1的患者作为训练队列，60名来自中心2的患者作为外部验证队列。从入选患者的术前对比度增强CT图像中提取了1205个定量的放射组学特征。使用回归随机森林模型计算出放射学特征，并在多层感知器中与临床因素相结合。数字活检系统的性能通过接收器操作特征（ROC）曲线和校准曲线在训练和验证队列中进行了评估。 

为构建放射学特征选择了15个特征，在训练队列（P<0.0001）和外部验证队列（P<0.01）中都与PD-L1的表达水平明显相关。在训练队列（AUC=0.806，95%CI：0.736-0.875）和验证队列（AUC=0.784，95%CI：0.668-0.901）中，整合放射学特征和临床因素的混合深度学习模型能够准确区分PD-L1高表达水平的GCs。 

图 一个PD-L1阳性患者和一个PD-L1阴性患者的示例。上图：一名61岁的男性，患有分化不良的胃腺癌，PD-L1 CPS=15；下图：一名48岁的女性，患有分化不良的胃腺癌，PD-L1 CPS=0。（A和E）增强CT图像。(B和F) 肿瘤区域的手动注释。(C和G)用于特征提取的感兴趣体积的三维可视化。(D和H）2名患者的PD-L1的IHC染色结果（200x）

本项研究结果表明，深度学习和定量放射学特征的结合是对GC中PD-L1表达水平进行非侵入性评估的潜在方法。同时，数字活检系统可以为GC的免疫治疗的临床决策提供宝贵的提示性信息。

原始出处：

Wentao Xie,Zinian Jiang,Xiaoming Zhou,et al.Quantitative Radiological Features and Deep Learning for the Non-Invasive Evaluation of Programmed Death Ligand 1 Expression Levels in Gastric Cancer Patients: A Digital Bopsy Study.DOI:10.1016/j.acra.2022.10.012