CT-baserad radiomisk algoritm för att hjälpa operationsbeslut och förutsäga immunterapisvar av NSCLC (TOP-RLC)

Tidig upptäckt och diagnos av lungknölar är kliniskt signifikant när det gäller optimalt val av behandling och undvikande av onödiga kirurgiska ingrepp. Resultaten av deferentiella patologier orsakar mycket olika prognos efter standardkirurgi bland pulmonell precancerös lesion, atypisk adenomatös hyperplasi (AAH) såväl som adenokarcinom in situ (AIS) och tidigt stadium av invasiv adenokarcinom (IAC). Mikroinvasionen av pulmonellt perifokalt interstitium är svårt att identifiera från AIS om inte patologisk immunhistokemisk studie genomfördes efter operationen, vilket kan orsaka förlängd ingreppstid och olämpligt kirurgiskt beslutsfattande. Nyckelfunktionshärledda variabler screenade från CT-skanningar via statistik och maskininlärningsalgoritmer kan bilda en radiomiksig signatur för sjukdomsdiagnos, tumörstadieindelning, terapisvar och patientprognos. Syftet med denna studie var att undersöka om den kombinerade radiomiska signaturen baserad på fokala och perifokala (5 mm) radiomiska egenskaper effektivt kan förbättra prediktiv prestanda för att skilja precancerösa lesioner från lungadenokarcinom i tidigt stadium. Dessutom är immunterapisvaret olika bland patienter och inte mer än 20% av patienterna kan dra nytta av det. Ingen pålitlig biomarkör har hittats än förväntar sig programmerad dödligand 1 (PD-L1) uttryck, den enda godkända biomarkören för immunterapi. Nya rapporter tyder dock på att patienter kan dra nytta av immunterapi oavsett PD-L1 positiv eller negativ. Däremot har radiomik visat fördelarna med icke-invasivitet, lättförvärv och ingen begränsning av provtagning. Därför tillämpade vi denna strategi för att förutsäga immunterapisvaret hos avancerade NSCLC-lungcancerpatienter som får immunkontrollpunktshämmare (ICI), vilket skulle förhindra vissa icke-nyttiga patienter från den negativa effekten av ICI.