《Cancer Letters》：Automated CT-derived Body Composition Predicts Pathologic Response to Neoadjuvant Immunotherapy in Non–Small Cell Lung Cancer
編輯推薦：
非小細胞肺癌患者新輔助免疫化療后病理完全緩解的預測模型優化研究。基于三維CT自動分析的骨骼肌和內臟脂肪體積指數動態變化可獨立預測pCR，其與臨床變量結合的機器學習模型驗證了更高預測效能（敏感度52.8%-62.1%，特異度66.7%-74.7%）。
黃一龍|魏志濤|葉冠超|崔艷芬|李傳普|吳光耀|楊偉|張炳謙|張振光|姜遠明|Lizza E.L. Hendriks|Leonard Wee|Dirk De Ruysscher|Andre Dekker|史磊|劉在義|何波|史振偉
中國云南省昆明市昆明醫科大學第一附屬醫院醫學影像科，郵編650032
摘要
僅依靠腫瘤內在生物標志物無法充分預測非小細胞肺癌（NSCLC）患者對新輔助免疫化療（NICT）的病理完全緩解（pCR）。基于人工智能（AI）的三維CT衍生體成分分析可能具有補充的預測價值。我們評估了其在NSCLC患者NICT后pCR中的關聯。這項多中心回顧性研究納入了2019年7月至2024年7月期間接受NICT治療的NSCLC患者。使用治療前后的CT掃描數據進行自動化T1–T12節段定位和體積體成分分割。評估指標包括骨骼肌、肌肉間、內臟和皮下脂肪體積指數（SAVI）及其在掃描間的百分比變化。在657名患者（平均年齡61.3歲，87.4%為男性）中，pCR率分別為39.7%（訓練集）、38.4%（內部驗證集）和34.9%（外部驗證集）。多變量分析顯示，基線骨骼肌體積指數（SMVI）較高與pCR獨立相關（OR=2.22）。在NICT期間，SMVI每相對增加1%，pCR的可能性增加16%（OR=1.16）；而SAVI每相對增加10%，pCR概率提高15.6%（OR=1.56）。整合臨床變量、基線SMVI、%ΔSMVI和%ΔSAVI的機器學習模型在所有隊列中的區分能力顯著優于僅使用臨床變量的模型（p<0.05）。該模型在內部和外部驗證隊列中的表現分別為62.1%和52.8%的敏感度以及66.7%和74.7%的特異性。基于AI的CT衍生體成分量化，特別是基線SMVI以及NICT期間SMVI和SAVI的動態變化，與NSCLC的pCR獨立相關。將這些可調節的生物標志物納入預測模型可提升預測性能。
引言
非小細胞肺癌（NSCLC）占所有肺癌病例的85%，通常在局部晚期才被診斷出來。基于臨床試驗結果，新輔助免疫化療（NICT）已成為可切除II/III期疾病的標準化治療方案[1][2]。病理完全緩解（pCR），即原發灶和淋巴結標本中無殘留腫瘤，是關鍵的生存替代指標[3]，術前預測可能有助于指導NICT后的治療[4][5]。盡管PD-L1表達、腫瘤突變負荷和腫瘤浸潤淋巴細胞具有預測價值（即使在PD-L1陰性亞組中，pCR率也可達到24-56%[1][6]，但這些生物標志物的局限性凸顯了需要補充預測因子，尤其是動態或可調節的特征，以優化治療個性化。
新興證據表明，體成分，特別是肌肉和脂肪分布，可能影響免疫療法的效果，但相關研究結果存在矛盾。例如，一些研究認為肥胖與治療反應改善有關（“肥胖悖論”[7][8]，而另一些研究則指出高脂肪含量與多種癌癥的整體死亡率增加相關[9]。這些矛盾可能源于依賴于如體重指數（BMI）等粗略指標，這些指標無法區分肌肉質量、區域脂肪分布和代謝健康狀況。事實上，肌肉或脂肪的流失（而非總體重）與較差的生存率相關[10][11]，這凸顯了BMI在捕捉臨床相關體成分特征方面的局限性。相比之下，基于CT的體成分量化，如肌肉和脂肪體積量化，在多種癌癥中顯示出預后價值[12][13]。鑒于NSCLC中異常體成分譜型較為常見但未被充分認識[14]，精確的基于影像的體成分量化可為NICT的異質性反應提供關鍵見解。
雖然基于CT的體成分測量在預測NSCLC生存率方面顯示出潛力[13][15]，但其在預測NICT治療反應中的作用尚未得到充分探索。我們認為這一知識空白源于以往研究中的方法學局限，包括依賴二維分析[16][17]、耗時的手動分割[16][17][18]、不完整的體成分分析[16][17][18]，以及樣本量較小的單中心隊列。這些限制阻礙了體成分作為pCR可靠預測因子的應用。為解決這些問題，我們開展了一項多中心研究，利用深度學習從常規胸部CT掃描中自動化進行三維體成分量化。本研究評估了基線體成分特征及其隨時間的變化，以評估其在預測NSCLC患者NICT后pCR中的增量價值。
排除不符合條件的人員后，共有657名來自七家中心的患者被納入分析，具體中心分布詳見補充材料A2。最終的主要隊列包括來自中心1-6的505名患者，隨機分為訓練組（n=354）和內部驗證組（n=151）。獨立的外部驗證組包括來自中心7的152名患者。表1總結了所有患者的臨床病理和體成分特征。
這項多中心研究評估了基于常規CT掃描的自動化三維體成分分析在預測接受NICT的NSCLC患者pCR中的效果。較高的基線SMVI以及治療期間SMVI/SAVI的增加與pCR獨立相關。結合基線和縱向體成分指標的分析表現優于僅使用臨床指標的模型，證明了這種自動化方法在NSCLC個性化管理中的臨床潛力。
何波：撰寫、審稿與編輯、監督、概念構思。吳光耀：數據整理。史振偉：撰寫、審稿與編輯、監督、軟件開發、方法學設計、數據整理、概念構思。楊偉：驗證、軟件開發、方法學設計。張炳謙：數據整理。張振光：驗證。姜遠明：驗證。Lizza E.L. Hendriks：撰寫、審稿與編輯。Leonard Wee：撰寫、審稿與編輯。黃一龍：撰寫、初稿撰寫、軟件開發、研究設計。
本研究涉及人類參與者，已獲得鄭州大學第一附屬醫院倫理委員會的批準（2024-KY-2262-002）。由于本研究為回顧性研究，因此無需患者簽署同意書或書面知情同意。
本工作得到了非傳染性疾病-國家科學技術重大項目（2024ZD0531100）、國家自然科學基金（82460348、82302131、82472062、82260338）、廣東省自然科學基金（2024A1515011672）、昆明醫科大學的一級學科團隊（2024XKTDTS03）、昆明醫科大學第一附屬醫院的535人才項目（2025535Q04）以及云南省基礎研究項目的支持。
