整合CT影像組學與臨床病理特征預測HER2陽性胃癌生存率

CT影像組學融合模型賦能HER2陽性可切除胃癌預后評估，突破傳統TNM分期局限的精準診療新策略。

胃癌（GC）是全球主要的癌癥負擔之一，其發病率和死亡率長期位居惡性腫瘤前列，嚴重威脅人類健康[1]。近年來，HER2陽性胃癌作為一種具有獨特生物學行為的分子亞型，其治療策略已從單純手術演變為包括根治性胃切除、新輔助治療及抗HER2藥物在內的綜合模式，一定程度上改善了患者預后。然而，臨床實踐表明，即便是處于相同TNM分期且接受相似治療方案的可切除晚期胃癌（SRAGC）患者，其生存結局仍存在顯著的個體差異，這提示僅基于解剖學特征的傳統TNM分期系統在反映腫瘤生物學異質性方面存在局限，難以滿足精準醫療的需求[2]。因此，如何利用無創技術（如CT影像組學）挖掘肉眼無法識別的深層腫瘤特征，構建能夠補充甚至超越傳統分期系統的個體化預測模型，從而識別出高風險復發或預后不良的特定亞群，已成為優化HER2陽性胃癌臨床管理亟待解決的關鍵問題。

一項在

Academic Radiology

研究設計

本研究是一項基于雙中心數據的回顧性隊列研究，旨在系統性地評估HER2-p SRAGC患者在接受根治性手術或圍手術期治療后，治療前CT影像組學特征、臨床及實驗室指標在預測OS中的臨床價值。研究將納入的621例HER2-p SRAGC患者樣本按來源和用途劃分為訓練隊列、內部驗證隊列和外部驗證隊列，并依據建立的模型風險評分將患者劃分為高風險組和低風險組。該研究的核心方法是采用高通量影像組學技術對患者治療前靜脈期CT圖像提取定量特征，并結合腫瘤位置、厚度、cTNM以及CA199水平等臨床病理變量進行歸納分析 。研究的核心在于通過LASSO-Cox回歸和隨機生存森林算法（RSF），構建了融合Radscore與臨床-實驗室評分的多維列線圖模型，以闡明腫瘤異質性與生存預后之間的潛在關聯。研究的核心發現是該綜合影像組學模型在預測OS效能上優于傳統的臨床及病理TNM分期系統（pTNM），并對pTNM分期具有顯著的增量預后價值，提示通過無創影像手段早期識別高危亞群，可以加強術后監測并輔助制定個體化治療方案，從而有力地指導HER2陽性胃癌的臨床精準診療。

研究結果

該研究首先評估了HER2-p SRAGC患者在CT影像組學特征上對OS的預測有效性。通過LASSO-Cox回歸和RSF算法進行特征篩選與分析，結果顯示，篩選出的6個關鍵影像組學特征構建的“Radscore”具有顯著的預后價值。在訓練隊列及驗證隊列中，利用Radscore均能成功將患者劃分為高風險組和低風險組，且Log-rank檢驗表明高風險組患者的預后顯著差于低風險組。這表明基于靜脈期CT圖像的影像組學標簽是預測HER2陽性胃癌患者不良預后的潛在生物標志物。

圖1 通過lasso-Cox回歸篩選并經隨機生存森林排序的放射組學特征

在臨床病理特征和實驗室指標分析方面，研究利用單因素和多因素Cox回歸分析顯示，腫瘤位置、厚度、cTNM、年齡以及CA199水平是影響OS的獨立風險因素。基于此構建的臨床評分（ct_score）和實驗室評分（lab_score）雖然與OS存在相關性，但在不同隊列中的預測穩定性表現一般，且部分隊列的區分度未達到統計學顯著差異。這提示單一維度的臨床或實驗室指標在捕捉腫瘤生物學異質性方面仍存在局限。

圖2 不同研究隊列中放射組學模型的列線圖及生存曲線可視化

多維特征聯合分析揭示了影像與臨床指標整合的關鍵價值：融合了Radscore、ct_score和lab_score的綜合影像組學模型表現出了最佳的預測效能。該模型在所有研究隊列中的C-index均顯著優于單獨的臨床評分、cTNM以及術后pTNM。此外，分層分析進一步證實，在接受根治性胃切除術的患者中，該影像組學模型不僅預測效能優于pTNM，還能為pTNM分期提供顯著的增量預后價值。這提示該多維模型能夠有效補充傳統分期系統，通過無創手段實現對HER2-p SRAGC患者更精準的風險分層。

圖3 HER2陽性可手術切除的晚期胃癌患者接受根治性胃切除術后的生存曲線亞組分析

總結

本研究通過對兩個中心的患者隊列進行CT影像組學的回顧性分析，有效評估了治療前影像組學特征、臨床及實驗室指標在預測OS中的重大價值。研究清晰地揭示了基于靜脈期CT構建的Radscore結合臨床病理特征，可以作為HER2陽性胃癌患者預后分層的潛在生物標志物。更重要的是，該研究通過多模態數據的融合分析證實了影像組學在量化腫瘤生物學異質性方面的獨特優勢。這一綜合模型能超越單一的TNM分期系統，以更高的預測效能揭示影像表型與患者生存結局之間的深層關聯，尤其是在彌補pTNM預測不足方面展現了顯著的增量價值。這為開展針對HER2陽性胃癌的術前風險評估和優化治療決策提供了強有力的客觀依據，并允許醫生根據風險分層結果對高危患者進行更密切的術后監測或及時的干預 。盡管本研究是一項基于回顧性數據和傳統機器學習算法的初步探索，但其展示的影像組學與臨床特征的整合模式具有重要臨床意義。隨著前瞻性驗證的開展和先進人工智能技術的引入，這種基于無創影像的精準評估工具有望被納入未來的胃癌診療流程，以更精準地指導HER2陽性患者的全程個體化管理。

參考文獻：

1. Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin. 2024;74:229–63.

2. Xiao H, Xiao Y, Chen P, et al. Association Among Blood Transfusion, Postoperative Infectious Complications, and Cancer-Specific Survival in Patients with Stage II/III Gastric Cancer After Radical Gastrectomy: Emphasizing Benefit from Adjuvant Chemotherapy[J]. Ann Surg Oncol. 2021;28:2394–404.

3. Zhao H, Gao J, Li J, et al. CT Radiomics for Predicting Outcomes in HER2-Positive Surgically Resectable Advanced Gastric Cancer: A Preliminary Study[J]. Acad Radiol. 2025;32(9):5254-5266.

審批編號：CN-173730 有效期至：2026-12-09
本材料由阿斯利康提供，僅供醫療衛生專業人士參考

*“醫學界”力求所發表內容專業、可靠，但不對內容的準確性做出承諾；請相關各方在采用或以此作為決策依據時另行核查。