文章题目提供了三条信息：

1）预测变量：治疗前CT影像组学

2）结局：免疫治疗的响应（响应与否，二值变量）

3）研究对象：多癌种晚期实体瘤（如乳腺、宫颈、胃肠道等）

Figure 2

详见Figure 1：

Figure 1

    对训练集上提取的特征值进行z-score（）标准化处理；然后使用训练集上求得的平均值和标准差值对测试集的特征值进行标准化处理。

a.ICC1 corresponding to intraconvolution kernel reproducibility.

b.ICC2 corresponding to interconvolution kernel reproducibility

c.ICC3 corresponding to interobserver reproducibility.

（原文Table E5）

原文的Table 2对选择得到的各特征及其权重做了详细展示

Table E6

Figure 3和S1展示了每个标志物预测效果的ROC曲线

（从左到右依次为：radiomics, radiomics-clinical 和 clinical-only signature）

Figure 4展示了cohort 1-3中Radscore与病人预后的关联

结果显示：

    影像组学标志物Radscore总体来说是病人OS的显著预测因子。在结合临床指标后，多中心可重复性更好，且预测OS的C-index有所提升。

Figure 5展示了cohort 2和3根据Radscore分组后病人的生存曲线

Figure 6展示了Radscore与细胞毒性免疫表型 (cytotoxic immunotype) 之间的关联

    根据影像组学标志物Radscore将cohort 4病人分为两组，组间细胞毒性表型没有显著差异。

Figure E2展示了Radscore与肿瘤浸润性淋巴细胞 (TIL) 之间的关联

1

一句话文章总结 

本文基于术前增强CT的影像特征，开发了用于预测晚期实体瘤的免疫治疗效果的影像组学标志物，并说明了结合临床特征有助于提升预测效果。

2

优点 

可能你有些不敢相信，这篇文章应用的是如此经典的影像组学套路，就发表在了影像顶刊Radiology。文章是做到了什么让整个过程给人感觉更具高级感呢？

我认为原因在以下几点:

① 螃蟹吃得早。免疫治疗是近年来兴起的肿瘤新疗法之一，作者及时抓住了这一风口，选取影像作为切入点，构建了影像组学和免疫治疗响应之间的关联。属于影像+免疫治疗中的早期研究成果。

② 研究的广度。本文的主要目标是预测免疫治疗的响应（二值），但也研究了影像标志物预测预后的能力，同时分析了其与肿瘤生物特征之间的关联。疗效、预后和生物验证占全了，虽然每部分挖掘的深度有限，但广度是值得我们学习的。

③ 套路应有的步骤，文章基本都具备了，实现了比较完整的论述；

④ 与同样具备完整套路的文章相比，文章的数据展示做的比较好。对于主线的分类任务，本文不仅给出了预测的AUC，还详细地列出了sensitivity, specificity等量化评估指标，使明明比较骨感的流程看起来很丰满，也说明了文章对于各种临床场景（比如对sensitivity要求高）的适用性。

3

局限性  

从文章总体的内容来看，做的比较规范、系统，质量佳，是个学习的好的模板。本文对于分类、预后和生物验证都有涉及，工作量较大。

但从玩法上来说，本文也有一些可提升之处：

① 从信息获取的层面来说，只用了病灶本身的特征，而没有使用病灶外围的特征（peri-tumor features），这一点作者在Discussion中也提到了。

② 从算法设计的层面来说，本文涉及到了同一病人多病灶的情况，采用了求平均的方法统一病灶和病人两个尺度的信息。这种情况可以考虑使用深度学习，用端到端的CNN模型来自动提取特征，不仅能够提取每个病灶的信息，还可以实现病灶间的信息融合。

③ 从临床意义的层面来说，本文对于预后的探索使用了病人的OS，其受到其他临床因素的干扰较大。后续研究也可以结合DFS、PFS等生存期，探索影像组学对于不同临床终点的指示价值。

4

 可行性

表明影像组学的牛逼，并且告诉大家这个研究是实实在在可以实现的。

 

本研究不到200例，单中心的数据，发到Radiology杂志，着实令人羡慕。对于使用套路来研究某一临床问题来说，时效性非常重要，而从影像组学入手开展队列研究向来是一条不错的路径。与此同时我们也要注重积累，提升对影像组学在临床问题中应用的敏感度，这样才能在机会到来时牢牢地抓住！

!

结语 

好啦，本期的文献分享到这里，对于追求顶刊的小伙伴是不是又一次的冲击呢？继续跟紧君莲数据库的平鑫而论专栏，我们下期见吧~~

参考文献

[1] Ligero M, Garcia-Ruiz A, Viaplana C, et al. A CT-based Radiomics Signature Is Associated with Response to Immune Checkpoint Inhibitors in Advanced Solid Tumors. Radiology. 2021;299(1):109–119. doi: 10.1148/radiol.2021200928.

[2] Sun R, Limkin EJ, Vakalopoulou M, et al. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD- L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol 2018;19(9):1180–1191.

END

平鑫而论专栏

平平无奇的病理组学套路，是什么让它发到Nature子刊？

多种机器学习分类器影像组学+二分类问题就能发在欧放？OMG！

影像组学+外部验证？2区起步不是梦！