非小细胞肺癌免疫治疗的影像学研究进展

田琪 综述 冯峰 审校

肺癌是威胁到全人类生命健康的常见恶性肿瘤之一[1]。根据组织学类型，肺癌主要分为非小细胞肺癌(non-small cell lung cancer，NSCLC)和小细胞肺癌(small cell lung cancer，SCLC)，以NSCLC为主，约占所有病例的85%[2]。目前，NSCLC的治疗方法以外科手术辅以化疗为主，但疗效常因为患者的个体化差异较大，往往无法取得令人满意的治疗效果。近年来，免疫治疗已经成为NSCLC的热点治疗方法，通过使用免疫检查点抑制剂(immune checkpoint inhibitors，ICIs)对NSCLC患者进行治疗，可以有效延长晚期及转移性NSCLC患者的生存期[3]。影像学一直都是用于监测NSCLC的有效检查手段，利用先进的影像技术对患者医学图像进行定性或定量分析，继而预测免疫检查点分子标志物并能对免疫治疗的疗效和患者预后进行评价。本文对影像学在NSCLC免疫治疗中的应用进行综述。

NSCLC免疫治疗的机制与现状

免疫系统可以识别并清除发生突变的肿瘤细胞，然而，当肿瘤细胞逃避免疫系统的免疫监视作用后，可造成肿瘤的增殖以及疾病的进展。肿瘤细胞通过表达具有免疫抑制性的特殊分子使得细胞毒T淋细胞(CD8+T细胞)功能失活，最终阻遏免疫系统对肿瘤细胞的杀伤作用。ICIs通过抑制检查点标志物，使肿瘤细胞对T细胞的无法产生抑制作用。细胞毒性T淋巴细胞抗原4(cytotoxic T-lymphocyte antigen 4，CTLA-4)是第一个成为临床靶点的免疫检查点受体[4]。CTLA-4抑制剂会导致一系列不良反应，因此该类抑制剂并未广泛用于临床。细胞程序性死亡受体1(programmed death-1，PD-1)/程序性死亡配体1(programmed death ligand-1，PD-L1)单抗与常规化疗相比具有更强的抗肿瘤作用，因而改变了NSCLC传统的治疗模式。最新的《NCCN非小细胞肺癌临床实践指南》[3]针对晚期或转移性NSCLC的维持治疗也已经明确指出：如果NSCLC患者接受ICIs一线免疫治疗，则应接受两年的维持治疗；而如果患者接受二线免疫治疗，则应接受维持治疗直至疾病进展。由此可见，ICIs在晚期NSCLC治疗中具有重要作用。

研究显示，免疫组化或基因检测PD-1/PD-L1高表达的肺癌患者免疫治疗获益度更高。但是利用病理筛选具有PD-1/PD-L1高表达的患者属于有创检查，且存在不能多次、全肿瘤取样而造成漏诊的问题，可能使部分不能承受手术活检或活检漏诊的患者无法得到及时治疗。因此，迫切需要无创且基于全肿瘤的采样技术以选择能从免疫治疗中受益的患者。非侵入性的影像学技术不仅可以实时、动态地对NSCLC患者的免疫检查点标志物进行预测，并且通过构建影像组学模型也能对NSCLC患者的生存期和预后进行预测。

影像学在预测NSCLC免疫检查点标志物中的应用

1.CT影像组学预测免疫检查点标志物

临床实践中，应用最广泛的是免疫组化检测PD-L1。然而，由于PD-L1在肿瘤微环境中表达高度复杂，免疫组化无法充分了解PD-L1在全身的表达水平。CT成像不仅可以了解肿瘤的宏观特征，同样也能发掘肿瘤细胞的更深层次的特征。CT影像组学是指从肿瘤患者CT图像提取大量影像学信息，并进行肿瘤分割、特征提取以及模型建立，从而挖掘患者肿瘤细胞的分子特性[5]。Yoon等[6]对NSCLC患者CT图像的形态学特征和CT影像组学特征与PD-L1表达之间的关系分别进行相关性分析发现，所有形态学特征与PD-L1表达均无关联(P值均>0.05)，影像组学特征与PD-L1表达显著相关(P=0.0007)。这说明利用影像组学特征评价PD-L1表达状态比形态学特征更能发现那些可以从免疫治疗中获益的患者。另外，有研究[7]共收集了390例确诊NSCLC患者的CT图像并筛选出9个最佳影像组学特征，结合临床病理危险因素以开发PD-L1表达状态(PD-L1表达≥50%)预测模型。结果表明，在训练组中联合模型受试者操作特征曲线下面积(area under curve，AUC)为0.829，单独的影像组学模型AUC为0.786。因此，结合临床病理特征可以提高预测效能，未来计算机辅助这类特征的自动提取、靶区勾画，能减少医生投入的时间，有望推进此类方法的进一步应用。此外，具有PD-1或PD-L1高表达、肿瘤组织中有大量CD8+T细胞浸润的NSCLC患者更易从免疫治疗中获益。Sun等[8]构建CT影像组学模型对该类患者具有较高的预测效能(AUC=0.76)，这也为NSCLC免疫治疗获益人群的选择提供了新思路，具有临床推广应用的潜力。

2.18F-FDG PET/CT预测免疫检查点标志物

18F-脱氧葡萄糖正电子发射计算机断层显像/计算机断层扫描(18F-deoxyglucose positron emission tomography /computer tomography，18F-FDG PET/CT)是用于肿瘤诊断的最广泛使用的分子成像方式。18F-FDG可以通过葡萄糖转运蛋白转移到癌细胞中，从而保存在肿瘤中并被PET所摄取。Wang等[9]研究了NSCLC患者18F-FDG PET/CT代谢信息与免疫标志物表达之间的相关性，并探讨最大标准化摄取值(maximal standard uptake value，SUVmax)在肺癌中的作用。该研究证明，SUVmax与CD8+T细胞浸润程度、PD-1和PD-L1的表达程度均存在明显正相关(P值均<0.05)。Wang等[10]利用肿瘤比例评分(tumour proportional score，TPS)确定接受18F-FDG PET/CT扫描的未经治疗的ⅢB-Ⅳ期NSCLC患者肺部病变中的PD-L1表达程度，将患者分为PD-L1低、中和高表达(分别对应PD-L1 TPS<1%、1%～49%和≥50%)，最后分析PD-L1表达与SUVmax值的关系。结果表明，SUVmax可以作为PD-L1表达的潜在生物标志物，能够对NSCLC患者PD-L1表达程度进行有效分层(SUVmax <14.4、14.4～17.5和>17.5分别对应PD-L1低、中和高表达)。此外，临床特征和代谢特征联合预测比单独代谢特征表现出更好的效能。Zhou等[11]通过构建基于临床和多种PET代谢特征(如SUVmax)的联合模型成功预测肿瘤中有CD8+T细胞高度浸润及PD-1/PD-L1高表达的NSCLC患者(AUC=0.869)。因此，PET/CT代谢特征，尤其是SUVmax在预测肺癌免疫治疗检查点标志物表达程度方面表现出较好的预测效能，联合临床特征效果更佳，可以为指导NSCLC患者免疫治疗提供重要信息。但因其检查费用较高，临床常规应用受到限制。

NSCLC免疫治疗的预后评价

1.iRECIST标准评估NSCLC患者免疫治疗效果

改良版实体瘤反应评估标准(response evaluation criteria in solid tumors 1.1，RECIST 1.1)是评估实体瘤治疗反应的主要方法，然而通常用于传统的细胞毒性化疗[12]。由于免疫疗法本身的特殊机制，该标准在评估免疫相关的肿瘤异常反应模式时仍然具有一定的局限性。其中，影像学在进行形态评估时最常见和最具挑战性的反应模式是“假性进展”，即在影像上表现似病灶复发或者变大，随后病灶逐渐消失或保持稳定[13]。如果无法正确识别假性进展，无疑会使患者面临更高的风险(继续无效治疗)。为了评估这种特殊的反应模式，2016年制定了更加详细的实体瘤免疫治疗疗效评价标准(immune response evaluation criteria in solid tumor，iRECIST)，该标准主要通过免疫治疗后两个时间点确认患者是否真正发生进展，即患者若在治疗后某一时间点发生未经证实的肿瘤进展，则从该时间点开始，继续随访4～8周，在随访结束后以证实是否是真正的进展[14]。新标准不仅适用于ICIs治疗的NSCLC患者，对于采用免疫治疗的其他癌症，包括黑色素瘤、肾细胞癌和膀胱癌等也同样适用。

2.影像组学评估NSCLC患者免疫治疗效果

在预测和评估NSCLC患者的免疫治疗反应时，影像组学可以提供定量预测指标作为RECIST相关标准的有效补充[15]。

CT影像组学在NSCLC免疫治疗的疗效评价及预后评估的应用：CT影像组学以非侵入性方式反映肿瘤的整体状况，可对NSCLC患者预后进行有效预测。Zerunian等[16]前瞻性纳入了21例接受一线帕普利珠单抗治疗的晚期NSCLC患者，在基线时的对比增强CT上提取纹理参数，并采用生存分析评估纹理分析的预后价值。结果表明，在纹理参数中，正像素(MPP)的平均值与无进展生存期(progression free survival，PFS)和总生存期(overall survival，OS)显著相关(P=0.0035、0.0038)，MPP可以作为预测一线免疫治疗的NSCLC患者OS和PFS的成像生物标志物。Yang等[17]对纳入的接受抗PD-1/PD-L1药物治疗的200名晚期NSCLC患者CT图像进行回顾性分析，并在患者进行免疫治疗前通过预测模型将患者分为免疫治疗无反应中的高风险者和低风险者，最终预测生存期。结果表明，低风险组的PFS(11.1个月vs. 3.3个月)和OS(31.7个月 vs. 17.2个月)显著高于高风险组。也有研究[18]利用CT影像组学特征和临床病理因素共同构建联合列线图对接受ICIs治疗的NSCLC患者的PFS进行预测。结果表明，列线图预测的PFS与真实PFS之间一致性指数为0.791。因此，通过影像组学或联合临床特征构建预测模型，能为患者的预后提供有价值的信息[19]。值得注意的是，影像组学模型有望与病理组学模型和免疫评分相结合[20]，以进一步提高对NSCLC患者免疫疗效的预测能力。

目前，数据科学高度创新，机器学习是一类技术和研究领域，也是人工智能(artificial intelligence，AI)的核心[21]。影像组学作为一个新兴的机器学习领域，能将放射图像转换为可挖掘的高维数据[22]。利用机器学习建立影像组学模型预测NSCLC患者的生存期效果更佳。Liu等[23]对接受那武单抗治疗前的46名NSCLC患者的CT图像上的原发肿瘤进行分割并提取影像组学特征，通过三个机器学习分类器(向量机分类器、逻辑回归分类器和高斯朴素贝叶斯分类器)生成的预测分数将患者分为癌症进展的高风险组和低风险组，并进行生存分析。结果表明，高、低风险患者组在PFS和OS分析方面存在显著差异(P值均<0.05)。深度学习作为机器学习的一个分支，通过大量计算，学习到数据内在有规律的高阶表达特征，进一步提高影像组学模型的预测能力。Tian等[24]建立深度学习模型对PD-L1表达程度不同的NSCLC患者(PD-L1表达高于50%为高风险患者，低于50%为低风险患者)的PFS有显著的分层能力(P=0.01)。总之，随着机器学习的快速发展，特别是深度学习，有望在未来更广泛地应用于临床。最新的研究表明，基于深度学习的AI已经能够监测、量化肿瘤的整体生长，发掘有价值的预后信息，从而使接受ICIs治疗的NSCLC患者受益。Trebeschi等[25]利用AI以全自动的方式快速评估患者治疗前及治疗后胸部CT图像上所有肿瘤病灶，从中提取影像组学特征并建立影像组学模型，以预测接受PD-1检查点抑制剂治疗的152名IV期NSCLC患者的疗效。结果表明，基于AI的影像组学模型在预测自图像采集之日起的1年OS方面具有较高的效能(测试集AUC=0.75)；AI生成的预后热图还可对纵隔淋巴结转移和肋骨转移进行预测。由此可见，未来AI在免疫治疗的疗效评价方面具有巨大的潜力，为后续NSCLC患者无创个体化评估及预测提供了新手段。尽管如此，由于AI对硬件设备计算要求高、模型设计复杂等原因，投入临床应用还需要大量实践并验证其效能。

18F-FDG PET/CT影像组学在NSCLC免疫治疗的疗效评价和预后评估的应用：由于恶性肿瘤的分子和功能变化比解剖变化更快，因此利用18F-FDG PET/CT可以在分子层面及时评估肿瘤的进展。Mu等[26]从接受免疫治疗前的NSCLC患者的PET图像、CT图像以及已校准的PET/CT融合图像中分别提取影像组学特征，并结合其他临床预测指标构建影像组学列线图。结果表明，列线图显示出较好的预测性能，预测PFS的一致性指数为0.77，预测OS的一致性指数为0.84。Valentinuzzi等[27]的研究通过构建18F-FDG PET影像组学模型，并比较其是否比常用的临床标准更能预测Ⅳ期NSCLC患者对那武单抗的反应。结果表明，影像组学模型在预测OS能力方面优于当前临床标准，影像组学模型预测OS的AUC为0.90，临床模型预测OS的AUC为0.79。为此，PET/CT影像组学可以为NSCLC免疫治疗的疗效及预后评估提供临床标准或SUV值之外的补充信息。

影像学识别免疫相关不良事件

ICIs通过特异性阻断检查点标志物CTLA-4、PD-1和PD-L1，使被遏制的CD8+T细胞恢复杀伤功能。但是免疫疗法也会导致长期的肿瘤反应，从而使免疫系统平衡失调，产生免疫相关毒性，并可能涉及各个组织，称为免疫相关不良事件(immune-related adverse events，irAEs)[28]。IMpower系列研究[29]irAEs汇总分析结果显示：无论是免疫治疗组还是对照组，发生irAEs的患者的OS均显著长于无irAEs的患者。这就表明发生irAEs的患者往往是ICIs治疗受益患者，而无irAEs的患者可能ICIs治疗无效。由此可见，irAEs可以作为NSCLC患者治疗获益的标志性事件并提示临床及时进行干预治疗，对于无irAEs的患者临床医生需及时鉴别其治疗是否有效并采取应对措施。

目前已有的3期临床试验表明，那武单抗会引起58%的NSCLC患者发生irAEs，帕普利珠单抗引起29%的患者发生irAEs[30]，以肺炎、肺结节病、假性进展和皮肤样反应为主[31-32]。肺炎是NSCLC患者面临的最危险的irAEs[33]，这是因为免疫治疗相关性肺炎没有特异性的临床表现且影像学表现无法与传染性肺炎区分开，从而不能及早干预治疗。胸部X光检查常显示为斑片状实质混浊，且对细微实质异常的检测不敏感；CT检查主要表现以磨玻璃影、网状影、实变和牵拉性支气管扩张为主，特别是当接受ICIs治疗的患者出现新的磨玻璃影时，应及时考虑自身免疫介导的肺炎[34-35]。目前，尚未有可靠的诊断标准以区分传染性肺炎和免疫治疗相关性肺炎，因此尤其是在临床恶化的情况下，即便是轻微的体征，例如磨玻璃状影、非典型结节及网状结构，也应报告为可疑病例。且与其他irAEs(皮疹、结肠炎、甲状腺功能减退和肝炎在治疗6个月后及1年后均有可能发生)不同的是，免疫治疗相关性肺炎常发生在ICIs治疗的6个月左右，主要以6个月内多见。因此，在ICIs治疗6个月内任何暗示肺炎的影像学迹象都应及时与肿瘤科医生进行讨论，并提早开始可的松治疗[30]。由此可见，随着ICIs在临床上得到越来越广泛的运用，影像科医生和临床医生有必要利用影像学及时识别irAEs，并及早治疗以提高NSCLC患者的生存率。

总结与展望

在过去的几年中，影像学尤其是机器学习及AI在NSCLC免疫治疗中取得了一定进展，特别是能够对免疫检查点标志物及免疫治疗效果进行无创、实时、动态地预测，在将来NSCLC临床诊疗中具有广阔的应用前景。另外，一些新技术在免疫治疗方面也展现出巨大的潜力。例如，利用超顺磁性氧化铁在体外标记活体小鼠的CD8+T细胞，继而注射到小鼠体内，在3.0T MRI T2WI序列上，CD8+T细胞浓度较高部位显示为较低的信号，以此实现MRI对免疫细胞的无创体内追踪[36]，该项研究结果为未来活体成像免疫细胞提供了可行的方法。PET成像首次实现在NSCLC患者体内使用具有高PD-L1亲和力新型小分子放射性显像剂(基于小肽片段的[68]Ga放射性显像剂)，数小时快速显像PD-L1阳性的肿瘤并量化肿瘤细胞中PD-L1表达水平，PD-L1表达水平与肿瘤摄取值之间存在强正相关[37]。值得注意的是，这是首次在人体研究中证明了低分子量肽衍生显像剂量化PD-L1表达水平的可行性和安全性，有助于筛选能从抗PD-L1治疗中获益的患者，同时还可以在后续治疗中动态监测PD-L1水平，具有重要的临床应用和推广价值。

尽管用于NSCLC免疫治疗的影像学技术多样，但仍然存在些许问题。首先，建立影像组学模型进行诊断(包括基因诊断)并进行治疗评价或预后判断，但是因为计算机处理影像信息的内在逻辑不明，这种研究的真实意义偶尔会受到质疑。其次，影像组学模型的可重复性仍然存在不少争议，尚存在不同算法之间的一致性欠佳的问题。第三，免疫成像常依赖于新型分子探针，且大多处于动物实验阶段，其临床安全性和有效性还有待验证。最后，PD-L1是较常用的检查点标志物，但肿瘤中还存在很多亚型，如何利用先进的影像技术预测这些新抗原并评价疗效及预后还有待于进一步探究，在未来肿瘤临床诊疗中的作用和前景也需进一步研究解读。