18F-FDG PET/CT影像组学预测非小细胞肺癌患者PD-L1表达状态的价值

作     者：赵晓倩 

作者单位：河北医科大学 

学位级别：硕士

导师姓名：赵新明

授予年度：2022年

学科分类：1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 100214[医学-肿瘤学] 100106[医学-放射医学] 10[医学] 

主      题：非小细胞肺癌 18F-FDG PET/CT 影像组学 PD-L1 

摘      要：目的:评估基于F-FDG PET/CT显像的影像组学特征对非小细胞肺癌患者PD-L1表达状态的预测能力,构建和验证影像组学模型、临床模型以及两者相结合的复合模型,并基于最优预测模型进一步开发列线图,从而应用F-FDG PET/CT显像的影像组学特征预测非小细胞肺癌患者的PD-L1表达状态。方法:回顾性分析2016年9月至2021年7月于河北医科大学第四医院治疗前行F–FDG PET/CT显像检查且资料完整的非小细胞肺癌患者334例,男性203例,女性131例,年龄15～87岁,平均62.051±8.864岁。按照7:3的比例随机分为训练组(n=233)和验证组(n=101)。其原发病灶均经病理组织学证实且均进行了免疫组织化学技术(IHC)检测以获得程序性细胞死亡受体-配体1(PD-L1)的表达状态。应用影像学软件LIFEx7.0.0,并以40%最大标准化摄取值(SUV)为阈值,在PET/CT图像上逐层勾画病灶的感兴趣区域(ROI),并分别提取了63个PET影像组学特征和63个CT影像组学特征。在训练组中,应用最小绝对收缩与选择算子(LASSO)算法筛选出最佳影像组学特征,根据权重系数建立公式并计算每例患者的影像组学得分,用于构建影像组学模型,通过Logistic回归建立临床模型及两者相结合的复合模型。利用受试者工作特征(ROC)曲线和ROC曲线下面积(AUC)来评价训练组和验证组中这三种模型的预测性能。另外,基于复合模型开发列线图,用于预测NSCLC患者PD-L1的表达状态。结果:本研究共纳入的334例患者,按照7:3的比例随机分为训练组(n=233)和验证组(n=101)。IHC检测PD-L1表达阳性162例,阴性172例。通过LIFEx软件从每例患者的PET/CT图像中各提取了126个影像组学特征,然后应用Mann-Whitney U检验对126个影像组学特征进行初步筛选,筛选出75个与PD-L1表达状态有关的特征,最后使用LASSO算法和10倍交叉验证对这75个特征进行降维处理,最终得到两个最佳影像组学特征,根据公式算出每例患者的影像组学得分(Rad-score),并且构建影像组学模型。多因素分析显示,临床分期(OR=1.579,95%CI:0.220～0.703,P=0.000)是PD-L1不同表达状态的显著预测因子,故用此因子构建临床特征模型。使用多元逻辑回归建立两者的复合模型。在训练组和验证组中,影像组学模型用于预测NSCLC患者PD-L1表达状态的AUC值分别为0.706和0.761。同时,在训练组和验证组中,临床预测模型的AUC值分别为0.638和0.640。基于影像组学模型和临床变量的复合模型训练组和验证组中的AUC值分别为0.718和0.769。基于复合模型构建列线图,Hosmer–Lemeshow检验证实了在训练组(χ=1.463,P=0.481)和验证组(χ=1.563,P=0.458)中,预测概率和实际预测概率之间有着良好的一致性。结论:1.基于治疗前F-FDG PET/CT影像组学特征建立的预测模型(影像组学模型及联合临床变量后的复合模型)在预测NSCLC患者PD-L1的不同表达状态方面具有良好的预测性能。2.NSCLC患者的临床特征模型也能预测其PD-L1的表达状态,在其临床变量中,临床分期是PD-L1不同表达状态的显著预测因子。3.在训练组中,基于影像组学得分(Rad-score)和临床变量(临床TNM分期)创建的列线图具有良好的预测性能,可帮助确认能够从免疫治疗中获益的患者,从而指导NSCLC患者临床免疫治疗,帮助临床医师做出更好的治疗决策,提高NSCLC患者的生存率。