在非小细胞肺癌中对PD-L1表达的多序MRI驱动评估:一个试点研究
Agnese Robustelli Test1,2, Chandra Bortolotto3,4, Sithin Thulasi Seetha3,5
1Physics Department, University of Pavia, Pavia, Italy.
Biomedical physics & engineering express
|December 11, 2025
概括
这项研究开发了一种非侵入性MRI管道,用于预测非小细胞肺癌 (NSCLC) 中的编程细胞死亡-1 (PD-L1) 表达. 该方法结合了放射学和深度学习特征,实现了高精度,并可能取代免疫治疗指导的侵入性活检.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 医学成像分析 医学成像分析
- 计算病理学计算病理学
背景情况:
- 非小细胞肺癌 (NSCLC) 是全球癌症死亡的主要原因.
- 编程细胞死亡-1 (PD-L1) 表达是指导高级NSCLC免疫治疗的关键生物标志物.
- 目前的PD-L1评估依赖于侵入性活检程序,需要非侵入性替代品.
研究的目的:
- 开发和验证一种非侵入性管道,用于在NSCLC中分层PD-L1表达.
- 使用Intravoxel不连贯运动 (IVIM) 参数图 (扩散D,伪扩散D*, perfusion fraction pf) 和T1-VIBEMRI的定量分析.
- 整合放射学和深度学习功能,以提高预测性能.
主要方法:
- 分析了43名NSCLC患者的MRI数据,根据PD-L1状态分类 (阳性≥1%与负面<1%) 通过免疫组织化学.
- 从预处理的MRI数据中提取了1171个放射性和512个深度学习特征.
- 使用逻辑回归,随机森林和XGBoost模型测试放射性,深度学习和融合特征集,其性能由AUC评估,并通过交叉验证和排列测试验证.
主要成果:
- 物流回归模型实现了高分类性能,曲线下的面积 (AUC) 值从0.78到0.92.9不等.
- 融合模型 (结合放射性和深度学习特征) 的表现优于或匹配独立模型.
- IVIM-D*融合特征显示出最高的性能 (AUC=0.92),紧随其后的是IVIM-D*放射性特征 (AUC=0.91).
结论:
- 一种结合放射性深度学习方法显示了在MRI中非侵入性检测PD-L1表达的巨大潜力.
- 这种非侵入性管道可以彻底改变NSCLC患者的PD-L1评估,改善免疫疗法选择.
- 定量MRI分析为个性化癌症治疗策略提供了一个有希望的途径.
