Eur J Nucl Med Mol Imaging（IF=7.6）南方医科大学南方医院北京协和医院等团队：基于PET/CT的深度学习预测食管癌PD-L1与免疫疗效

01文献学习今天分享的文献是由南方医科大学南方医院联合西安电子科技大学、北京协和医院等团队于2025年8月在《European Journal of Nuclear Medicine and Molecular Imaging》中科院1区IF7.6上发表的研究“Deep learning-based non-invasive prediction of PD-L1 status and immunotherapy survival stratification in esophageal cancer using [18F]FDG PET-CT”即基于[18F]FDG PET-CT的深度学习无创预测食管癌PD-L1状态及免疫治疗生存分层研究该研究基于[18F]FDG PET-CT影像构建了多种3D ResNet10深度学习模型用于无创预测食管癌患者的PD-L1表达状态并进一步评估其衍生评分在免疫治疗中的生存分层能力。研究共纳入331例患者双中心其中50例接受免疫治疗。结果显示多模态模型尤其是结合PET、CT与临床因素的CPC模型在预测PD-L1状态方面表现优异AUC最高达0.927且其评分能有效分层免疫治疗后的无进展生存期和总生存期优于传统PD-L1免疫组化分层。创新点①首次构建基于[18F]FDG PET-CT的3D深度学习模型实现食管癌PD-L1状态无创精准预测。②多模态融合PETCT临床显著提升预测性能多中心验证保证了模型的泛化能力。③首次证明深度学习评分DLS在免疫治疗生存分层中优于传统PD-L1表达CPS≥10。临床价值①克服活检局限无创、动态评估PD-L1避免采样偏倚和重复活检。②精准筛选获益人群其生存分层能力超越病理金标准指导个体化免疫治疗。③降低医疗成本通过避免无效治疗节省药物及不良反应管理开支效费比高。图 1研究工作流程图第一阶段模型训练与内部验证纳入南方医院331例食管癌患者按检查时间以8:2比例分为训练队列n265和内部验证队列n66基于该队列的PET/CT影像CT、PET单模态及融合临床特征开展深度学习模型训练实现PD-L1状态预测并计算模型衍生的深度学习评分DLS。第二阶段模型外部验证纳入北京协和医院21例食管癌患者作为外部验证队列将第一阶段训练好的模型应用于该队列的PET/CT影像验证模型对PD-L1状态预测的普适性同时验证DLS的稳定性。第三阶段DLS的临床预后价值验证从南方医院队列中选取50例接受免疫联合化疗的食管癌患者作为生存分析队列基于模型输出的DLS对该队列进行生存分层验证DLS对免疫治疗后总生存期OS、无进展生存期PFS的分层价值并构建预后预测列线图实现临床转化。02研究背景和目的研究背景食管癌EC作为全球性的健康挑战其预后极差晚期患者的5年生存率低于20%。尽管以PD-1/PD-L1抑制剂为代表的免疫检查点抑制剂如KEYNOTE-590、ESCORT-1st等试验已重塑治疗格局为患者带来生存获益但精准筛选获益人群仍是临床难题。目前PD-L1表达的评估金标准是免疫组织化学IHC该方法存在关键局限性首先肿瘤内PD-L1分布存在显著的空间异质性单点活检难以全面反映整体表达水平导致高达30%的患者被错误分类其次活检样本存在采样偏差且无法动态监测治疗过程中PD-L1表达的波动变化。因此迫切需要一种更稳健、无创的方法来准确预测PD-L1状态并指导免疫治疗。氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描[18F]FDG PET/CT是一种广泛应用的成像方式可同时提供肿瘤的解剖和代谢信息。尽管既往研究提示肿瘤代谢如PET衍生参数与免疫逃逸机制如缺氧诱导的PD-L1上调相关但传统PET参数单独使用不足以准确预测PD-L1状态及其预后意义。相较于依赖手工特征的传统放射组学深度学习DL尤其是卷积神经网络CNN能够自主从成像数据中学习层次化表征捕捉非线性关系和细微的生物特征。然而深度学习在食管癌PD-L1评估中的应用尚待深入探索。研究目的本研究旨在开发并验证基于[18F]FDG PET/CT的深度学习模型用于无创预测食管癌患者的PD-L1状态并进一步评估衍生深度学习评分DLS在免疫治疗生存分层中的潜力。具体而言研究构建了四种基于3D ResNet10架构的模型结合PET、CT及临床因素的CPC模型、结合PET与CT的PC模型、仅基于PET的P模型以及仅基于CT的C模型同时构建了仅包含临床因素的Logistic模型作为对比。通过多中心数据训练集、内部验证集及外部验证集的严格验证评估各模型预测PD-L1状态的性能。更进一步研究探索DLS作为放射学标志物对接受免疫治疗患者的生存分层能力并与传统PD-L1状态联合阳性评分CPS≥10的分层效果进行比较。最终通过构建结合模型评分与临床因素的列线图旨在提高免疫治疗后生存概率的预测准确性为临床提供一种无创、可动态监测的个性化治疗决策支持工具弥补当前基于活检的PD-L1评估在空间异质性和动态监测方面的不足。03数据和方法研究数据样本量331例食管癌患者南方医院310例北京协和医院21例分组训练集265例内部验证集66例外部验证集21例免疫治疗亚组50例接受免疫联合化疗患者PD-L1阳性定义CPS ≥ 10技术方法模型架构3D ResNet10分别构建PET、CT、PETCT、PETCT临床因素的四个模型P、C、PC、CPC训练策略5折交叉验证SGD优化器数据增强Dropout正则化评估指标AUC、准确率、灵敏度、特异度、DCA、Grad-CAM可视化生存分析Cox回归、Weibull回归、诺模图构建统计方法t检验、Wilcoxon检验、DeLong检验、Hosmer-Lemeshow检验图 2无创检测PD-L1状态的模型架构影像特征提取模块双流网络分别构建3DResNet10网络处理CT影像和PET影像通过“卷积conv-最大池化Max pooling-全局池化Global pooling”的层级结构自主提取影像的高维特征最终CT、PET影像各自被转化为512维的特征向量实现原始影像的特征降维和量化。临床病理特征提取模块纳入年龄、性别、TNM分期、BMI等临床病理特征通过全连接层将这些多维度的临床变量统一编码为512维的特征向量实现影像特征与临床特征的维度统一为后续融合奠定基础。特征融合与分类模块采用后期融合策略将CT特征向量、PET特征向量、临床特征向量按通道维度拼接形成融合后的高维特征矩阵拼接后的特征输入至最终的全连接分类器输出PD-L1阳性1/阴性0的概率即为模型的核心预测结果。04实验结果PD-L1预测性能CPC模型在训练、内部验证、外部验证中的AUC分别为0.927、0.882、0.843优于其他模型和临床模型AUC ≈ 0.6。多模态模型显著优于单模态模型。DLS与临床因素相关性DLS与PD-L1状态显著相关r ≈ 0.4–0.5而传统临床因素与PD-L1无显著相关性。生存分层能力高DLS组患者PFS和OS显著延长如CPC模型PFS HR0.077P0.001OS HR0.155P0.018。PD-L1状态CPS ≥ 10未能有效分层生存P0.260 for PFS。诺模图结合DLS与临床因素的诺模图可个体化预测免疫治疗后生存概率。图 3深度学习模型的Grad-CAM可视化图 4各模型的ROC曲线与决策曲线分析图 5各DLS及PD-L1状态的生存分析结果图 6基于模型评分的PFS和OS预测列线图05研究结论该研究首次基于[¹⁸F]FDG PET/CT构建深度学习模型用于食管癌患者PD-L1状态的无创预测及免疫治疗后的生存分层。研究共纳入331例多中心患者开发了基于3D ResNet10的四种模型CPC、PC、P、C并与临床模型进行比较。结果显示融合PET、CT及临床信息的CPC模型在预测PD-L1状态方面表现最优在训练集、内部验证集和外部验证集中的AUC分别达到0.927、0.882和0.843显著优于传统临床模型AUC最高仅为0.671。进一步分析表明深度学习模型评分DLS能有效对免疫治疗后患者进行生存分层高风险组与低风险组在无进展生存期和总生存期方面存在显著差异如CPC模型PFS HR0.077OS HR0.155P0.05其预测能力优于传统的PD-L1表达CPS≥10。结合DLS与临床因素构建的诺模图进一步提升了生存预测的准确性。综上基于[¹⁸F]FDG PET/CT的深度学习模型不仅可准确预测食管癌PD-L1状态其衍生评分还可作为免疫治疗预后分层的非侵入性生物标志物为个体化治疗决策提供有力支持。参考文献Xie F, Zhang M, Zheng C, Zhao Z, Wang J, Li Y, Wang K, Wang W, Lin J, Wu T, Wang Y, Chen X, Li Y, Zhu Z, Wu H, Li Y, Liu Q. Deep learning-based non-invasive prediction of PD-L1 status and immunotherapy survival stratification in esophageal cancer using [18F]FDG PET/CT. Eur J Nucl Med Mol Imaging. 2026 Jan;53(2):1015-1028. doi: 10.1007/s00259-025-07463-0.​