患者队列构建与数据收集
建立多中心SCLC患者队列，收集基线临床、影像和病理数据
纳入2019年3月至2023年12月五家机构接受一线化学免疫治疗的病理确诊SCLC患者，收集人口统计学、病史、血液肿瘤标志物、TNM分期、PS评分等数据
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
AI衍生的三维身体成分预测小细胞肺癌化学免疫治疗的预后：一项多中心研究
AI-derived 3D body composition predicts prognosis of chemoimmunotherapy in small cell lung cancer: a multicenter study
实验完整度
高包含多中心患者队列、体外CD8免疫组化分析、机器学习建模与内外部验证，并进行了功能与机制相关性探索。
主要模型
575例病理确诊SCLC患者队列 Wuhan Union Hospital来源的基线胸部CT影像数据 35例患者的CD8免疫组化肿瘤组织样本 101个机器学习模型配置
重点核对
多中心患者队列：训练集161例、内部验证集69例、外部验证集345例 3D BC参数：从基线胸部CT自动提取，T8-T12椎体区间，按身高标准化 CD8+ T细胞浸润：35例患者肿瘤组织免疫组化染色，400倍高倍视野计数5个随机视野平均值 LDA模型：在训练集、内部验证集和外部验证集中的AUC分别为0.756、0.781和0.783 多变量Cox回归：SMVI（HR=0.956，95% CI 0.928至0.985，p=0.003）和VFVI（HR=1.017，95% CI 1.002至1.032，p=0.026）为独立预后因素
摘要
背景：尽管标准一线化学免疫治疗，小细胞肺癌（SCLC）预后仍差。迫切需要可靠、非侵入性的风险分层生物标志物。基于胸部CT扫描的三维（3D）身体成分（BC）分析为评估全身代谢状态提供了一种有前景的方法。方法：在这项多中心研究中，我们分析了五家机构接受一线化学免疫治疗的患者。使用深度学习模型，从基线胸部CT自动提取3D BC参数。我们评估了其与总生存期（OS）和无进展生存期的关联，使用Kaplan-Meier和Cox回归分析。共评估了101个机器学习模型配置以开发预测模型，并应用SHapley Additive exPlanations方法增强模型可解释性。此外，我们研究了BC参数与肿瘤微环境中CD8+ T细胞浸润的关联。结果：在575例患者中（训练集：161；内部验证：69；外部验证：345），所有四个3D BC指标均显著分层OS。多变量Cox分析显示，较高的骨骼肌体积指数与更好的OS独立相关（HR=0.956，95% CI 0.928至0.985，p=0.003），而较高的内脏脂肪体积指数与更差的OS相关（HR=1.017，95% CI 1.002至1.032，p=0.026）。3D BC比传统二维测量和体重指数提供了更明显的预后分层。所选线性判别分析模型在训练集、内部验证集和外部验证集中的曲线下面积分别为0.756、0.781和0.783。在一个35例患者的探索性亚组中，较高的骨骼肌体积指数与增加的瘤内CD8+T细胞密度相关。结论：较高的骨骼肌体积指数与更好的OS相关，而较高的内脏脂肪体积指数与更差的OS相关。自动3D BC可能为接受一线化学免疫治疗的SCLC患者提供补充性非侵入性预后信息。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- AI衍生的三维身体成分能否预测接受一线化学免疫治疗的小细胞肺癌患者的预后，并与肿瘤微环境中的CD8+ T细胞浸润相关？
- 核心机制
- 较高的骨骼肌体积指数与更好的OS独立相关，而较高的内脏脂肪体积指数与更差的OS独立相关；较高的SMVI与增加的瘤内CD8+T细胞密度相关。
- 主要证据
- 在多中心575例患者队列中，3D BC参数显著分层OS（Kaplan-Meier分析），多变量Cox回归显示SMVI和VFVI为独立预后因素；LDA模型在外部验证集中AUC为0.783；在35例患者的探索性亚组中，高SMVI组CD8+T细胞密度显著更高（p=0.013）。
- 研究意义
- 自动3D BC可能为接受一线化学免疫治疗的SCLC患者提供补充性非侵入性预后信息，并可能有助于个体化风险分层。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
3D身体成分参数提取与验证
从基线胸部CT自动提取3D BC参数，并验证自动分割与手动分割的一致性
使用TotalSegmentator（基于nnU-Net架构）自动分割T8-T12椎体区间肌肉和脂肪组织，提取体积参数并按身高标准化；随机选取50例患者由放射科医生手动分割，计算Dice相似系数、ICC和Bland-Altman分析
3D BC参数的预后价值分析
评估3D BC参数与OS的关联，并与2D参数和BMI比较
使用Kaplan-Meier分析和Cox回归分析，将患者按3D和2D BC参数及BMI的最佳截断值分为高值和低值组，比较OS差异；计算RMST量化生存差异
机器学习模型构建与验证
开发和验证基于临床变量和3D BC参数的预后预测模型
基于单变量Cox回归p<0.3筛选变量，构建101个监督机器学习模型预测1年死亡率，比较95个完整模型的性能，选择LDA模型进行外部验证；使用SHAP方法解释模型
BC参数与CD8+ T细胞浸润的探索性分析
初步探索3D BC参数与肿瘤免疫微环境中CD8+ T细胞浸润的关联
获取35例患者治疗前穿刺活检标本，进行CD8单克隆抗体免疫组化染色，计数5个400倍高倍视野中CD8+ T淋巴细胞数量，取平均值作为浸润密度；按SMVI、VFVI、SFVI、IMFVI中位数分组比较CD8+ T细胞密度
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 身体成分自动分割 | TotalSegmentator | -- | -- |
| 手动分割 | ITK-SNAP软件 V.3.8.0 | -- | V.3.8.0 |
| CD8免疫组化 | CD8单克隆抗体 | -- | -- |
| 统计分析 | R V.4.4.2 | -- | V.4.4.2 |
| Python V.3.10.12 | -- | V.3.10.12 | |
| survminer包 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者队列与分组 | 训练集161例、内部验证集69例、外部验证集345例；TNM分期III/IV分布；PS评分<2/≥2比例；中位随访时间45.29周 阅读提示：Methods中Patients小节及Table 1 |
| 3D BC参数提取 | 使用TotalSegmentator自动分割；3D分析范围为T8-T12椎体区间；2D分析为L1椎体中部水平；参数按身高标准化 阅读提示：Methods中BC measurements小节及online supplemental method S1 |
| 机器学习模型构建与验证 | 101个机器学习模型配置；单变量Cox回归p<0.3筛选变量；LDA模型在训练集、内部验证集和外部验证集中的AUC分别为0.756、0.781和0.783；Youden指数确定阈值 阅读提示：Methods中Feature selection for ML analysis and model interpretability小节及Figure 4、Table 2 |
| CD8+ T细胞浸润分析 | 35例患者；活检与治疗开始中位间隔9天；5个随机400倍高倍视野；CD8单克隆抗体免疫组化染色；按各BC参数中位数分组 阅读提示：Methods中Integration of BC and CD8+ T cell infiltration features小节及Figure 6 |
| 生存分析 | Kaplan-Meier分析；log-rank检验；多变量Cox回归结果（SMVI：HR=0.956，95% CI 0.928至0.985，p=0.003；VFVI：HR=1.017，95% CI 1.002至1.032，p=0.026） 阅读提示：Methods中Statistical analysis小节及Results中Univariate and multivariate Cox regression analysis小节 |