CT-baseret radiomisk algoritme til at assistere kirurgisk beslutning og forudsige immunterapirespons af NSCLC (TOP-RLC)

Tidlig påvisning og diagnosticering af lungeknuder er klinisk signifikant med hensyn til optimal behandlingsvalg og undgåelse af unødvendige kirurgiske indgreb. Deferentielle patologiresultater forårsager vidt forskellige prognoser efter standardkirurgi blandt pulmonal præcancerøs læsion, atypisk adenomatøs hyperplasi (AAH) samt adenocarcinoma in situ (AIS) og tidligt stadium invasivt adenokarcinom (IAC). Mikro-invasionen af ​​pulmonal perifokal interstitium er vanskelig at identificere fra AIS, medmindre patologisk immunhistokemisk undersøgelse blev implementeret efter operationen, hvilket kan forårsage forlænget proceduretid og uhensigtsmæssig kirurgisk beslutningstagning. Nøglefunktions-afledte variabler screenet fra CT-scanninger via statistik og maskinlæringsalgoritmer kan danne en radiomiksig signatur til sygdomsdiagnose, tumorstadieinddeling, terapirespons og patientprognose. Formålet med denne undersøgelse var at undersøge, om den kombinerede radiomiske signatur baseret på de fokale og perifokale (5 mm) radiomiske træk effektivt kan forbedre den prædiktive ydeevne til at skelne præcancerøse læsioner fra lungeadenokarcinom i tidligt stadie. Desuden er immunterapirespons forskellig blandt patienter, og ikke mere end 20% af patienterne kunne drage fordel af det. Der er endnu ikke fundet nogen pålidelig biomarkør, forventer programmeret dødsligand 1 (PD-L1) ekspression, den eneste godkendte biomarkør til immunterapi. Nylige rapporter antydede dog, at patienter kunne drage fordel af immunterapi uanset PD-L1 positiv eller negativ. I modsætning hertil har radiomik vist fordelene ved ikke-invasivitet, let erhvervet og ingen begrænsning af prøveudtagning. Derfor anvendte vi denne strategi til forudsigelse af immunterapiresponset hos avancerede NSCLC-lungecancerpatienter, der modtog immune checkpoint-hæmmere (ICI'er), som ville forhindre en ikke-nyttig patient fra den negative virkning af ICI'er.