小罗碎碎念
今天和大家分享一个国自然面上项目，执行年限为2020.01～2023.12，直接费用为55万元。
项目旨在借助影像组学和深度学习技术，探究NSCLC免疫治疗时肿瘤表型变化规律，构建联合预测模型评估疗效，筛选潜在获益人群。
在研究过程中，项目组通过多中心回顾性研究和前瞻性收集病例，对晚期NSCLC患者展开全面研究。涵盖从CT影像挖掘信息预测疗效、分析外周血细胞因子与疗效关系，到探索CIP风险预测及预后等多方面工作。同时参与数据库建设，为研究提供数据支撑。
项目取得了丰富成果，发表6篇论文，包括国外SCI论著和国内核心综述。研究成果可辅助临床预估免疫治疗响应、筛选获益人群和调整方案，还培养了多名研究生。不过，项目也面临疫情导致的患者收集和数据获取难题，后续计划通过持续收集病例、运用新技术和依托新数据库来推进研究 。
知识星球
如需获取推文中提及的各种资料，欢迎加入我的知识星球！
一、项目简介
随着如PD - 1阻断剂等免疫检查点抑制剂投入临床使用并取得超出预期的临床效果，免疫治疗成为当下肿瘤研究热点。然而目前临床统计显示，免疫治疗只能在20% - 50%的晚期实体瘤病人中发挥作用。如何更好地捕捉NSCLC免疫治疗过程中肿瘤的演进，进一步实现获益人群的筛选是临床亟需解决的问题。
影像组学和深度学习作为影像人工智能分析模式的两个技术核心，提供了探查肿瘤异质性的全新视角。本项目以接受PD - 1抑制剂治疗的NSCLC患者为研究对象，设计大样本前瞻性队列研究，借助影像组学和深度学习技术，探讨CT图像信息中包含的潜在信息是否可以反映NSCLC在免疫治疗药物作用下肿瘤病灶表型的宏观演变模式；构建基于临床 - 影像 - 实验室的联合预测模型，前瞻性预测和评价接受PD - 1抑制剂治疗的NSCLC患者治疗效果。
本项目研究结果将指导临床医师识别免疫治疗潜在受益人群，使肺癌治疗决策向精准医学水平靠拢。
二、基于平扫 CT 抽取定量影像组学表型有效预测晚期 NSCLC 患者免疫治疗的流程
A部分：实验设计流程图
- TP₁ CT Scan Screening Period（基线CT扫描筛查期）：对患者进行基线测量，获取基于图像的计算生物标志物，圈出目标病灶。
- TP₂ 2 - 3 Cycles of Therapy（2 - 3个治疗周期）：进行随访测量，依据iRECIST标准，同样获取基于图像的计算生物标志物，关注目标病灶变化。
- Lesion - Level Analysis（病灶水平分析）：选择最大的目标病灶作为代表性反应，同时将患者的所有目标病灶纳入反应评估。
- TP₁ CT Scan 6 Months Follow - up（6个月随访的TP₁ CT扫描）：进行短期随访，通过特征工程和机器学习构建最大病灶模型、目标病灶模型，进行独立验证和分层分析。
B部分：病例入排标准及分组
- 筛选合格病例：在NCT04079283队列中筛选了285例患者。
- 排除标准：
- CT质量差（7例）。
- 目标病灶边界不明确（35例）。
- 基线CT和免疫治疗间隔时间过长（46例）。
- 无法进行随访扫描（34例）。
- 在TP₁时目标病灶变为不可测量（2例）。
- 最终数据集及分组：
- 纳入基线放射组学数据集的有197例患者。
- 构建Delta - Radiomic数据集有161例患者。
- 数据集划分为训练集（112例，占70%）和独立测试集（49例，占30%）。
三、对比平扫与增强 CT 影像组学特征用于表征 NSCLC 免疫治疗疗效表型的流程
- 图像选择与预处理（Image Selection and Preprocessing）：展示了非增强CT（NCE - CT）和增强CT（CE - CT）图像，作为后续分析的基础。
- 处理方法（Approaches）：针对目标病灶（Target Lesions），考虑最大病灶（Largest Lesion），存在将最大病灶与目标病灶结合（Combining）的操作，也有从最大病灶到目标病灶的关联分析。
- 分割（Segmentation）：对病灶进行分割处理，图中展示了分割后的病灶图像。
- 特征提取（Feature Extraction）：从分割后的图像中提取形状（Shape）、小波（Wavelet）、纹理（Texture）、直方图（Histogram）等特征。
- 特征选择（Feature Selection）：通过计算机操作进行特征选择和系数优化（Feature selection and coefficient optimisation）。
- 结合临床数据生成模型（Combining Clinical Data and generate models）：将提取和选择的特征与临床数据相结合，生成相关模型。
- 特异性验证（Specificity Verification）：对生成的模型进行特异性验证，图中展示了化疗数据（Chemotherapy Data）的相关图表，包括风险（Risk）、总点数（Total Points）、放射组学点数（Radiomics Points）、远处转移（Distant Metastasis）等信息的分析曲线。
结束语
本期推文的内容就到这里啦，如果需要获取医学AI领域的最新发展动态，请关注小罗的推送！如需进一步深入研究，获取相关资料，欢迎加入我的知识星球！
