Page 21 - 南京医科大学自然版
P. 21
第46卷第8期 张林岑，王 芬，袁 梅. 基于CT影像组学评估PD⁃1免疫联合治疗非小细胞肺癌疗效的初步
2026年8月 研究［J］. 南京医科大学学报（自然科学版），2026，46（8）：1122-1130，1144 ·1127 ·
重复性较差（ICC<0.75）的特征后，共保留 1 159 项 测试集的 ROC 曲线（图 4），最终朴素贝叶斯（naive
稳定影像组学特征用于后续分析。对全部特征 Bayes，NB）模型最稳定，其三折交叉验证的结果如
进行最小⁃最大值归一化处理，并随后实施特征降 表 2 所 示 ，训 练 集 及 测 试 集 AUC 分 别 为 0.675、
维与筛选。最终筛选得到 5 个具有代表性的组学 0.647，同时可以看到模型的准确度较高，训练集及
特征，其中包括 2 个来源于原始 CT 图像的一阶统 测试集均为 0.720，敏感性也较高，训练集及测试集
计特征（log_sigma_2_0_mm_3D_firstorder_Minimum、 分别为 0.818、0.730，另外，模型的阳性预测值训练
log_sigma_3_0_mm_3D_firstorder_Minimum）及3个通 集及测试集分别达到了 0.765 和 0.805，这也可以反
过滤波器变换后的纹理特征（log_sigma_3_0_mm_ 映出本研究模型预测结果可靠性及临床可信度较
3D_glcm_InverseVariance、 log_sigma_4_0_mm_3D_ 高。采用 DCA 评价模型预测免疫联合治疗疗效的
gldm_Large Dependence Low Gray Level Emphasis、 净获益，结果表明使用 NB 模型预测接受免疫联合
log_sigma_4_0_mm_3D_gldm_Low Gray Level Em⁃ 治疗的NSCLC患者的总体净获益更高（图5）。
phasis），图2（小提琴图）及图3（箱式图）反映了各影
3 讨 论
像组学特征的分布情况。
本研究发现CT影像组学可用于准确预测NSCLC
免疫联合治疗疗效。通过对 NSCLC 患者肿瘤病灶
1.2
1.0
进行靶区勾画，提取了1 159个影像组学特征，并基
0.8
value 0.6 于筛选的CT图像特征构建了影像组学模型，结果显
P 0.4 示NB模型对于NSCLC免疫联合治疗疗效预测净获
0.2 益 更 高 。 尽 管 本 研 究 仅 聚 焦 单 一 影 像 组 学 对
0.0 NSCLC 免疫联合治疗疗效的预测，缺乏临床、传统
-0.2 影像学特征及PD⁃L1等指标横向对比研究，但既往多
Firstorder Glcm Gldm Glrlm Glszm Ngtdm Shape 项研究纳入临床特征、传统影像学指标及PD⁃L1表达
Feature category 等进行多维度对比后，发现传统模型及方法存在免
图2 各影像组学特征分布（小提琴图） 疫治疗假性进展识别困难、难以捕捉肿瘤异质性变
Figure 2 Distribution of each radiomic feature（violin
化以及检测成本高、周期长、难以动态监测等问题，
plot）
而影像组学能够无创、可重复、动态捕捉肿瘤整体
特征及异质性变化，在NSCLC免疫联合治疗疗效的
1.0
预测中表现更优 ［15-16］ 。
0.8
《中国肺癌免疫治疗规范化应用指南（2024版）》
［14］
value 0.6 指出，在免疫治疗联合化疗策略中，PD⁃L1表达水平
P 0.4
并非可靠的疗效预测指标。研究显示，无论 PD⁃L1
0.2 表达高低，患者均可能从免疫联合化疗中获益，其
临床疗效不受 PD⁃L1 表达状态影响，而本研究结果
0
Firstorder Glcm Gldm Glrlm Glszm Ngtdm Shape 也显示PD⁃L1表达水平对于治疗是否敏感无明显相
关性（P > 0.05），这也佐证了指南里的论述，所以亟
Feature category
需构建影像组学模型在治疗前或治疗早期阶段实
图3 各影像组学特征分布（箱式图）
Figure 3 Distribution of each radiomic feature（box plot） 现对相关人群免疫治疗疗效的准确预判，提高临床
治疗效率，而本研究结果也证明通过提取一定数量
2.3 模型构建与性能评估 的影像组学特征，构建影像组学模型，可无创、定量
完 成 特 征 融 合 和 筛 选 后 ，基 于 Python 平 台 评估 PD⁃L1 免疫联合治疗疗效，为临床早期识别获
的 scikitlearn 库建立多种机器学习分类模型。为优 益人群提供客观依据，从而实现在免疫联合治疗前
化模型性能并防止过拟合，在训练集上实施三折交 或治疗早期阶段对于相关人群疗效作出精确判断，
叉验证，通过调节超参数确定最优模型配置，以获 同时其预测结果有助于优化个体化治疗决策，提升
得最稳定的预测性能。通过比较各模型训练集及 免疫联合治疗的精准性与临床实用性。
