基于CT的深度基础模型预测肺癌中免疫检查点抑制剂诱导的肺炎风险

背景：免疫检查点抑制剂（ICI）已彻底改变癌症治疗，但可引起严重的免疫相关不良事件，其中肺炎（ICI-P）是最严重的一种。在ICI开始前早期识别高危患者对于密切监测、及时干预和优化预后至关重要。目的：开发并验证一种深度学习基础模型，从肺癌患者的基线CT扫描中预测ICI-P。方法：我们设计了Checkpoint-Inhibitor Pneumonitis Hazard EstimatoR（CIPHER），一种深度学习驱动的基础模型，结合对比学习和基于transformer的掩码自编码器，从肺癌患者的基线CT扫描中预测ICI-P。使用自监督学习，CIPHER在来自2,500名非小细胞肺癌（NSCLC）患者的590,284个CT切片上进行预训练，以学习异质性肺实质的表示。预训练后，CIPHER被适配到MD Anderson Cancer Center NSCLC免疫治疗内部队列，该队列有347名患者，其中33名发生经裁定的ICI-P。仅使用254名非ICI-P患者进行微调，并保留93名患者的内部验证集（包括33例ICI-P病例和60例非ICI-P对照）用于评估。CIPHER与临床、放射组学和集成比较模型进行基准测试，并在独立的Johns Hopkins NSCLC队列116名患者（包括20例ICI-P病例和96例非ICI-P对照）中进行外部验证。结果：在我们的内部免疫治疗队列中，CIPHER一致区分ICI-P风险升高的患者与无事件患者，曲线下面积（AUC）范围为0.77至0.85。在头对头基准测试中，CIPHER达到AUC 0.83，优于临床、放射组学和集成模型。在外部验证队列中，CIPHER保持高性能（AUC=0.83；平衡准确率=81.7%），超过放射组学模型（DeLong p=0.0318），并展示出优越的特异性而不牺牲敏感性。相比之下，放射组学模型尽管敏感性高（85.0%），但特异性明显较低（45.8%）。混淆矩阵分析证实CIPHER分类稳健，正确识别96例非ICI-P病例中的80例和20例ICI-P病例中的16例。结论：我们开发并外部验证了CIPHER，一种基于CT的影像生物标志物，用于NSCLC中治疗前ICI-P风险分层。CIPHER显示出作为ICI-P风险评估非侵入性工具的前景，但在临床转化前需要前瞻性验证。