-(18)F-FDG_PE...非小细胞肺癌化疗预后的价值_李雪艳

《-(18)F-FDG_PE...非小细胞肺癌化疗预后的价值_李雪艳》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

海南医学院学报2023，29（3）210JournalofHainanMedicalUniversityDOI：10.13210/j.cnki.jhmu.20220906.001网络出版地址：https：//kns.cnki.net/kcms/detail/46.1049.R.20220906.1206.002.html18F⁃FDGPET/CT影像组学预测晚期非小细胞肺癌化疗预后的价值李雪艳，王大维，于丽娟，陈璐，潘登（海南省肿瘤医院医学影像部，海南海口570311）18［摘要］目的：探讨F-FDGPET/CT影像组学特征预测晚期非小细胞肺癌（non-smallcelllungcancer，18NSCLC）化疗预后的价值。方法：本项目回顾性研究了146例治疗前行F-FDGPET/CT检查的Ⅲ期、Ⅳ期NSCLC病例，全部病例在PET/CT检查后都进行了规范化化疗，按8∶2比率将病例随机分为训练组和测试组，并提取影像组学特征。在训练组中应用最小绝对收缩和选择算子（LASSO）算法和Cox风险比例回归模型分别筛选预测无进展生存（Progression-freesurvival，PFS）的影像组学特征和临床特征，分别建立影像组学模型、临床模型及二者结合的复合模型，计算影像组学评分（Rad-score）、临床评分及复合评分，并在测试组中进行检验。结果：LASSO算法最终筛选出4个影像组学特征，ROC结果表明：影像组学模型在训练组中预测PFS的AUC为0.746，测试组AUC为0.622。COX多因素分析共纳入了3种与PFS相关的临床特征，分别是病理类型、临床分期及MTV30。临床模型、影像组学模型及复合模型预测NSCLC患者化疗后PFS的ROC曲线下面积分别为0.746、0.753、0.716，以影像组学模型诊断效能最高，其灵敏度及特异度分别为0.663及0.833。Delong检验验证影像组学模型与复合模型（Z=1.777，P=0.076）及临床模型（Z=0.323，P=0.747）间的预测效能无统计学差异。结论：PET/CT影像组学模型对晚期NSCLC的化疗预后具有较好的预测价值。［关键词］PET/CT；非小细胞肺癌；影像组学；化疗；预后［中图分类号］R734.2［文献标识码］A［文章编号］1007-1237（2023）03-0210-0618TheprognosticvalueofradiomicsbasedonF⁃FDGPET/CTimaginginadvancednon⁃smallcelllungcancerLIXue-yan，WANGDa-wei，YULijuan，CHENLu，PANDeng（HainanCancerHospitalMedicalImagingDepartment，Haikou570311，China）［FoundationProject］：ThisstudywassupportedbyResearchandCultivationFoundationofHainanMedicalCollege（HYPY2020022）；HainanNaturalScienceFoundationYouthfund（822QN482）；DoctoralResearchFundprojectofHainanCancerHospital（2022BS04）；KeyR&DprojectsinHainanProvince（ZDYF2021SHFZ244）［Author］：LIXue-yan，VisitingStaff，M.D.，E-mail：650810692@qq.com.［Correspondenceto］：WANGDa-wei，AssociateChiefPhysician，E-mail：doctorwdw@126.com.Received：2022-07-20Revised：2022-09-01JHMU，2023；29（3）：210-215Viewfromspecialist:Itiscreative,andofcertainscientificandeducationalvalue.［ABSTRACT］Objective：Toinvestigatetheprognosticvalueofradiomicsfeaturesbasedon18F-FDGPET/CTimagingforadvancednon-smallcelllungcancer（NSCLC）treatedwithchemotherapy.Methods：Asampleof146NSCLCpatientsstagedⅢorstageⅣwereincludedinthisretrospectivestudywhoreceived18F-FDGPET/CTbeforetreatment.Allpatientsweretreated［基金项目］海南医学院科研培育基金项目课题（HYPY2020022）；海南省自然科学基金青年基金项目（822QN482）；海南省肿瘤医院博士科研基金项目（2022BS04）；海南省重点研发项目（ZDYF2021SHFZ244）［作者简介］李雪艳，主治医师，医学博士，E-mail：650810692@qq.com。［通讯作者］王大维，副主任医师，E-mail：doctorwdw@126.com。［收稿日期］2022-07-20［修回日期］2022-09-01网络出版时间：2022-09-0614

118李雪艳等.F-FDGPET/CT影像组学预测晚期非小细胞肺癌化疗预后的价值211withstandardizedchemotherapyafterPET/CTexaminationandweredividedintotraininggroupandvalidationgroupinan8：2ra-tiorandomly.Radiomicsfeatureswereextracted.Inthetraininggroup，theminimumabsolutecontractionandselectionoperator（LASSO）algorithmandCoxriskproportionalregressionmodelwereusedtoscreenradiomicsandclinicalprognosticfactorsofprogression-freesurvival（PFS）.Theradiomicmodel，clinicalmodelandcomplexmodelwereestablishedrespectively.Thecorre-spondingscoreswerecalculated，thenverifiedinthevalidationgroup.Results：TheLASSOalgorithmfinallyscreenedfourra-diomicsfeatures.ROCresultsshowedthatinthetraininggroup，theAUCofPFSpredictedbytheradiomicsmodelwas0.746，andthatintheverificationgroupwas0.622.COXmultivariateanalysisfinallyincludedthreeclinicalfeaturesrelatedtoPFSinNSCLCpatients，namelypathologicaltype，clinicalstageandMTV30.TheAUCforpredictingPFSbyclinicalmodel，radiomicsmodelandcompositemodelwere0.746，0.753and0.716，respectively.Theradiomicsmodelhadthehighestdiagnosticefficacy，anditssensitivityandspecificitywere0.663and0.833，respectively.Delongtestverifiedthattherewasnostatisticaldifferenceinthepredictiveefficacybetweentheradiomicsmodelandthecompositemodel（Z=1.777，P=0.076）andtheclinicalimagingmod-el（Z=0.323，P=0.747）.Conclusion：TheradiomicsmodelbasedonPET/CThasagoodpredictivevaluefortheprognosisofadvancedNSCLCtreatedwithchemotherapy，butitneedsfurthervalidationbeforeitcanbewidelyusedinclinicalpractice.［KEYWORDS］PET/CT；Non-smallcelllungcancer；Radiomics；Chemotherapy；Prognosis肺癌是当前全球最重要的公共卫生问题之一，晰，且不伴有可能影响图像分析的其他肺部疾病；［1］是发病和死亡风险最大的恶性肿瘤。非小细胞肺（5）既往或目前无其他恶性肿瘤；（6）病例资料完整癌（non-smallcelllungcancer，NSCLC）约占肺癌总可追踪。查阅入组病例的临床数据，包括年龄、性［2］量的80%，其细胞增殖速度通常较迟缓，且病情发别、吸烟状况、病理类型、血清肿瘤标志物、化疗方展不明显，在发病后往往容易错失根治性治疗的优案及周期数以及是否接受过放疗等。良时机。统计表明，大约75%的NSCLC病人就诊随访患者的无进展生存期（Progression-free［3］时已处于中晚期，5年生存率极差。尽管肺癌治疗survival，PFS）。PFS定义为患者初始治疗开始到方法不断多样化，传统细胞毒性化疗仍然是检查发现任何原因的进展、复发或死亡之间的时NSCLC患者全程管理特别是辅助治疗中的主要手间。通过我院云平台病案系统或电话随访，所有病段，因此，寻找能够预测化疗疗效的分子标志物，建例自初始治疗之日开始随访，均随访至死亡或截止立有效的预后模型来无创地评估NSCLC患者的生日期（2022年4月20日），中位随访时间为8.6（范存，筛选可能从化疗中受益的靶向人群等都是亟待围：2.8~57.6）个月。解决的问题。1.2PET/CT显像及影像参数收集　PET代谢影像组学不仅融合了传统医学影像、所有受检者检查前禁食4~6h，并检查外周血基因组学及临床各类大数据，同时把影像组学的基血糖（<150md/dL为正常）。使用GEDiscovery18本概念和临床诊断方法进行融合。其更具优势之710PET/CT仪，显像剂F-FDG由GEQilin回旋处在于通过计算机得到了高维信息，使PET图像内加速器设备和化学合成系统制备，放化纯度超过的微观信息在宏观影像上的数据化成为可能。本95%。显像剂静脉注射量为5.5~7.4MBq/kg，注18研究通过计算机技术深度挖掘多模态F-脱氧葡萄射后嘱受检者休息1h后行全身扫描、图像重建、衰糖（fluorodeoxyglucose，FDG）PET/CT数据，预测减校正、图像融合。使用PETVCAR软件收集肺晚期NSCLC化疗敏感性，建立并筛选优势预后癌形态学参数及代谢参数。形态学参数主要包括：模型。肿块大小、部位、密度、邻近支气管情况、内部及边1材料与方法缘情况等；代谢参数如下：原发灶最大标准化摄取1.1　一般资料　值（maximumstandardizeduptakevalue，SUVmax）、18选取本院2017年9月~2021年4月期间行F-原发灶和全身肿瘤代谢体积（metabolictumorvol-FDGPET/CT检查的146例晚期NSCLC患者作为ume，MTV）及病灶糖酵解总量［totallesionglycoly-研究对象。入组要求为：（1）初次诊断，支气管镜咬sis，TLG；TLG=平均SUV（meanSUV，SU-检或细针穿刺病理确诊为NSCLC；（2）临床分期为Vmean）×MTV］。在测定或计算原发灶MTV和Ⅲ、Ⅳ期；（3）接受PET/CT检查，并在之后进行了TLG时我们同时使用30%SUVmax、40%SUV-至少两周期的化学药物治疗；（4）PET/CT影像清max、50%SUVmax为阈值得出多组数据，而全身

2212海南医学院学报Vol.29No.3Feb.2023MTV（MTVwb）和全身TLG（TLGwb）使用原发灶照8：2的比率随机分为训练组（n=116例）和测试组40%SUVmax为阈值。（n=30例）。训练组116例病例年龄范围31~791.3VOI勾画及PET/CT组学特征提取　岁，平均年龄（58.6±9.7）岁。测试组30例病例年龄将全部病例PET/CT图像输出至Lifex软件范围42~80岁，平均年龄（58.2±10.7）岁。采用卡（版本6.20），并由两名经验丰富的核医学医生进行方检验验证训练组和测试组中基线特征分布基本阅片及分析。在PET图像中逐层描绘病变的感兴2均衡（χ=0.019~2.429，P=0.144~1.000），所有患趣区（Regionofinterest，ROI），直至ROI涵盖全部者一般资料详见表1。肿瘤部位；以42%SUVmax为优化阈值，半自动获2.2　影像组学特征的筛选与预后模型创建　得三维感兴趣体积（Volumeofinterest，VOI），并提使用LIFEx6.20和ITK-SNAP3.8勾画肿瘤取原发灶PET影像组学特征。应用ITK-SNAP3.8VOI，然后使用python从每个原发灶中提取了1017应用软件勾画并提取CT组学特征。在勾画ROI个影像组学特征参数，并通过Wilcoxon秩和检验在时，应在尽量避开周围血管和内部坏死区基础上，训练组中选择出具有显著差异的特征，共得到47个完整包含整个病灶。在上述VOI内提取形态、灰度特征，包括6个PET特征及41个CT特征。为了防统计、纹理和小波特征。止组学模型过度拟合，使用LASSO算法行进一步1.4　组学特征筛选及预后模型构建　行特征降维过滤，并通过十倍交叉检验选取最佳预为了避免组学模型过度拟合，在创建模型前对测参数。最终共筛选出4个组学特征（2个PET特组学特征做降维处理。通过最小绝对收缩和选择征和2个CT特征），分别是original_firstorder_算子（Leastabsoluteshrinkageandselectionopera-90Percentile（OF90P）、wavelet-LHH_firstorder_tor，LASSO）方法在训练组中筛选优势特征用于创90Percentile（WLF90P）、wavelet-HHL_firstorder_建组学模型。将上述特征通过相应的系数加权，再10Percentile（WHF10P）和NGLDM_Coarseness，特利用公式得到每个病例的放射组学评分（Rad-征的系数分别是−0.056，0.048，−0.004，−0.074。score，RS）。为了模拟常规的临床决策过程，将组学LASSO特征筛选过程如图1所示。通过下列公式特征和多因素Cox回归后有预测价值的临床参数进计算每个病人的RS：RS=−0.056×OF90P+行综合，形成复合预测模型。并通过受试者工作特0.048×WLF90P−0.004×WHF10P−0.074×征曲线（Receiveroperatingcharacteristiccurve，NGLDM_Coarseness。ROC结果显示：影像组学模ROC）来评估模型效能。型在训练组中预测NSCLCPFS的AUC为0.746，1.5　统计学处理　测试组为0.622（图2）。根据PFS中位数将全部病例分为高风险组和2.3　临床预后模型及复合预后模型的构建　低风险组，训练组中，应用秩和检验初步分析两组本研究通过COX多因素分析共纳入了3种与间存在明显差异的影像组学特征。应用支持向量NSCLC患者PFS相关的临床影像特征，分别是病机（supportvectormachine，SVM）的机器学习技术理类型［HazardRatio：0.596（95%CI：0.364~对LASSO算法筛选出的最佳特征进行分类，随机0.913），P=0.019］）、临床分期［HazardRatio：0.626抽取80%的数据建立模型，其余20%作为测试集。（95%CI：0.429~0.912），P=0.015］及MTV30临床预后模型通过单因素和多因素Cox风险比例回归模型加以分析。利用ROC曲线计算模型的［HazardRatio：0.158（95%CI：0.044~0.573），P=AUC、敏感性和特异性。所有检验结果均为双侧检0.005］。将RS与临床模型结合，得到预测PFS的验，P<0.05为差异具有统计学意义。以上数据使复合预测模型。通过ROC曲线比较临床模型、影像用python软件及SPSS26.0软件进行分析。组学模型及复合模型3者对NSCLC患者PFS的预2结果测能力，其各自的ROC曲线下面积为0.746、0.753、2.1　入组患者的一般资料　0.716（图3），以影像组学的模型诊断效能最高，其灵本研究入组病例中位PFS是7.1（范围：0.8~敏度及特异度分别为0.663及0.833（表2）。Delong55.6）个月，以7.1为界将全组病例分为两组，PFS≥检验验证影像组学模型与复合模型（Z=1.777，P=7.1个月者划为低风险组，PFS<7.1个月者划为高0.076）及临床模型（Z=0.323，P=0.747）间的预测风险组。将最终纳入研究的146例NSCLC患者按效能无统计学差异。

318李雪艳等.F-FDGPET/CT影像组学预测晚期非小细胞肺癌化疗预后的价值213表1146例晚期NSCLC患者临床病理参数表Tab1Clinicopathologicalparametersof146patientswithadvancedNSCLC2参数训练组[n=116,n(%)]测试组[n=30,n(%)]χP男73(62.9)18(60.0)性别0.0870.834女43(37.0)12(40.0)≤5954(46.6)18(60.0)年龄1.7250.222>5962(53.4)12(40.0)−67(57.8)22(73.3)吸烟状态2.4290.144+49(42.2)8(26.7)−89(76.7)19(63.3)家族史2.2200.163+27(23.3)11(36.7)腺癌89(76.7)24(80.0)病理类型鳞状细胞癌20(17.2)3(10.0)1.3740.503其他7(6.1)3(10.0)Ⅲ期74(63.8)20(66.7)临床分期0.0860.833Ⅳ期42(36.2)10(33.3)SCC≤1.5ng/mL98(84.5)27(90.0)0.5890.568>1.5ng/mL18(15.5)3(10.0)≤5ng/mL39(33.6)14(46.7)CEA1.7540.206>5ng/mL77(66.4)16(53.3)≤3.3ng/mL64(55.2)16(53.3)CYFRA21-10.0331.000>3.3ng/mL52(44.8)14(46.8)高风险68(58.6)18(60.0)风险分组0.0191.000低风险48(41.4)12(40.0)A、B：代表影像组学特征筛选过程，C：LASSO后系数权重图1LASSO特征筛选（1A、1B代表影像组学特征筛选过程，1C代表LASSO后系数权重）Fig1FeatureselectionusingtheLASSOmethod图2　影像组学特征预测NSCLC患者PFS的ROC曲线Fig2ROCcurvesofradiomicsfeaturestopredictPFSofNSCLCpatients

4214海南医学院学报Vol.29No.3Feb.2023［14］独立预后因子。本研究通过ROC曲线评价三种预后模型的效能，结果显示影像组学模型的AUC最大（0.753），诊断效能最高。将该模型在验证中进行验证，结果曲线下面积为0.622，效果仍较为理想。在传统临床参数的COX多因素分析中，仅病理类型、临床分期及MTV30是预测NSCLC患者PFS的独立预后因子，而SUVmax及其他阈值相应的MTV和TLG均与预后无明确相关，以上结果与多数研究结果相似，也进一步说明影像组学特征较传统影像参数在预测NSCLC预后方面效能更佳。图3　临床模型、影像组学模型及复合模型的ROC曲线然而，目前关于PET/CT影像组学预测Fig3ROCcurvesofclinicalimagingmodel，RadiomicsNSCLC疗效及预后的研究仍相对较少。影像组modelandcompositemodel学研究要求相对较大的样本量，而大部分单中心表2临床模型、影像组学模型及复合模型的预后效能研究往往难以满足组学分析对样本量的要求，故Tab2Prognosticefficacyofimagingmodel，Radiomics大部分研究在设计纳入标准时往往比较宽泛，并modelandcompositemodel未对入组患者进行科学的分组分层。众所周知，95%CI肿瘤的分期和治疗手段对患者的预后影响巨大，模型名称AUC标准误P灵敏度特异度下限上限如将不同分期和接受不同治疗方式的患者进行同临床模型0.7460.0430.0010.6670.81479.1%71.7%层分析，结果难免会产生偏倚。故本研究设置了影像组学模型0.7530.0420.0010.6750.82066.3%83.3%相对严格的入组标准：所有患者均为不可手术的复合模型0.7160.0440.0010.6360.78867.4%76.7%晚期NSCLC，且治疗手段均以化疗为主，同时，综合考虑了临床病理因素的干扰，在此基础上进行3讨论生存分析，以获取预测晚期NSCLC化疗预后的独肺癌是严重危害人类生命健康的恶性肿瘤，预立预测因子并建立预后模型。后影响因素众多，构建有效的预后模型来评估肺癌放射组学特征提取是放射组学研究中的一个患者的生存，无创地为肺癌精准治疗提供客观依关键环节。理论上，对整个肿瘤的立体分析要比最据，具有重要临床意义。然而，目前在大量相关生大横截面分析更能体现肿瘤的异质性。因此，本研物标志物的研究中，仅有少数标志物表现临床应用究在三维VOI中进行组学特征提取，并以42%SU-潜能［4］。影像组学基于计算机技术图像特征分析，Vmax为优化阈值，以尽可能避免SUVmax固有噪［15］是新兴的、飞速发展的研究方法，并于本世纪初开声、变异性、背景摄取及部分容积效应等的干扰。始逐渐运用于核医学领域，主要对PET图像中肿瘤PET/CT图像特征和RS都来自原始图像，但它们内部异质性进行研究。大量研究表明PET/CT影代表了两种不同的图像分析方法。传统的影像判像组学在鉴别肺结节良恶性、肺癌病理分型、基因读是对影像特征的宏观观察，具有主观性，易受到突变及分子表型等方面超越传统CT、PET/CT图医师经验的影响。放射组学技术能够以无创的方［5-8］式来揭示与肿瘤异质性相关的微观特征，并对其进像的视觉评估，表现出更精准的诊断效能。PET/CT影像组学技术在肺癌预后方面的相行量化，但亦受其计算的复杂性和缺乏标准化的限关研究证实CT和PET两种成像模式均可得到肿制。因此，将两种影像学分析方法以及临床因素整瘤预后相关组学特征参数，并对肺癌预后评估有一合到一个复合模型中，可能为NSCLC患者做出更［9-13］［11］好的决策。然而，本研究发现虽然组学模型的预测定预测价值。Oikonomou等发现仅用SUV-max不能有效预测放疗后肺癌患者的总生存期，而效能优于其他两种模型，但3种模型的Delong检验结合影像组学特征后预测价值大大提高。国内赵结果并无统计学差异。分析出现该结果的原因，可新明主任团队通过对300例NSCLC患者进行影像能有以下两个方面：（1）回顾性小样本研究，数据存组学分析，分别构建影像组学模型、临床预测模型在一定程度偏移；（2）SUV优化阈值的选取对ROI［15-17］及二者相结合的复合模型，结果显示组学模型的RS形状和大小影响巨大，进而干扰组学特征提取。和复合模型得分均是预测NSCLC患者总生存期的以上两方面也是本研究的局限性所在。因此，我们

518李雪艳等.F-FDGPET/CT影像组学预测晚期非小细胞肺癌化疗预后的价值215的目标是在前瞻性多中心临床试验中对模型进行［J］.肿瘤学杂志，2021，27（9）：704-709.验证，以提高数据的稳定性和可重复性。8LiuQ，SunD，LiN，etal.PredictingEGFRmutationsubtypesinlungadenocarcinomausing18F-FDGPET/近年来NSCLC的靶向治疗和免疫治疗发展迅［18-20］CTradiomicfeatures［J］.TranslLungCancerRes，猛，大大提高了特定人群的生存预后。针对2020，9（3）：549-562.EGFR、ROS1融合基因、MET基因扩增、BRAF突9LeeJ，CuiY，SunX，etal.Prognosticvalueandmolec-变基因靶点的靶向治疗药物正在精准地为NSCLCularcorrelatesofaCTimage-basedquantitativepleural病人提供更多的生存获益。与此同时，免疫治疗也contactindexinearlystageNSCLC［J］.EurRadiol，在不断变革着晚期NSCLC的诊疗模式，尤其针对2018，28（2）：736-746.传统化疗和靶向治疗出现耐药的病例。基于此，本10LeeJ，LiB，CuiY，etal.AquantitativeCTimaging研究下一步将针对不同基因组和免疫表达组间影signaturepredictssurvivalandcomplementsestablishedprognosticatorsinstageinon-smallcelllungcancer［J］.像组学预后效能进行深度研究和剖析，以期为更加IntJRadiatOncolBiolPhys，2018，102（4）：1098-1106.精准的个性化治疗提供依据。11OikonomouA，KhalvatiF，TyrrellPN，etal.Ra-综上所述，PET/CT影像组学模型对晚期diomicsanalysisatPET/CTcontributestoprognosisofNSCLC的化疗预后具有较好的预测价值。作为一recurrenceandsurvivalinlungcancertreatedwithstereo-种非侵入性和定量的方法，放射组学特征可能成为一tacticbodyradiotherapy［J］.SciRep，2018，8（1）：4003.种潜在的生物标志物，为NSCLC患者的个性化治疗12MuW，TunaliI，GrayJE，etal.Radiomicsof（18）F-FDG提供一种传统临床和影像学预测模式的补充，但在临PET/CTimagespredictsclinicalbenefitofadvanced床实践中广泛应用之前，尚需要进一步的验证。NSCLCpatientstocheckpointblockadeimmunotherapy［J］.EurJNuclMedMolImaging，2020，47（5）：1168-1182.13DissauxG，VisvikisD，Da-AnoR，etal.Pretreatment作者贡献度说明：（18）FFDGPET/CTradiomicspredictlocalrecurrence李雪艳：试验方案设计、论文撰写与修改；王大维：负责inpatientstreatedwithstereotacticbodyradiotherapyfor论文审阅及图片处理；于丽娟负责写作指导；潘登：负责入组early-stagenon-smallcelllungcancer：Amulticentric患者临床数据收集；陈璐：负责图像分析及影像组学分析。study［J］.JNuclMed，2020，61（6）：814-820.所有作者声明不存在利益冲突关系。14赵翊含，赵新明，崔静晨，等.（18）F-FDGPET/CT影参考文献像组学预测非小细胞肺癌生存预后的价值［J］.中华核1SungH，FerlayJ，SiegelRL，etal.Globalcancerstatis-医学与分子影像杂志，2021，41（8）：466-472.tics2020：GLOBOCANestimatesofincidenceandmor-15PavicM，BogowiczM，WiirmsX，etal.Influenceofinter-talityworldwidefor36cancersin185countries［J］.CAobserverdelineationvariabilityonradiomicsstabilityindif-CancerJClin，2021，71（3）：209-249.ferenttumorsites［J］.ActaOncol，2018，57（8）：1070-1074.2FaveX，ZhangL，YangJ，etal.Delta-radiomicsfea-16刘陈路，马长升，陈进琥，等.PET-CTSUV阈值对非小turesforthepredictionofpatientoutcomesinnon-small细胞肺癌靶区勾画体积及对影像组学指标的影响［J］.celllungcancer［J］.SciRep，2017，7（1）：588.中华肿瘤防治杂志，2020，27（22）：1815-1820.3SiegelRL，MillerKD，JemalA.Cancerstatistics，202017BelliML，MoriM，BroggiS，etal.Quantifyingtherobust-［J］.CACancerJClin，2020，70（1）：7-30.nessof［18F］FDG-PET/CTradiomicfeatureswithre-4WangS，ShiJ，YeZ，etal.PredictingEGFRmutationspecttotumordelineationinheadandneckandpancreaticstatusinlungadenocarcinomaoncomputedtomographycancerpatients［J］.PhysMed，2018，49：105-111.imageusingdeeplearning［J］.EurRespirJ，2019，5318WangS，ShiJ，YeZ，etal.PredictingEGFRmutationsta-（3）：1800986.tusinlungadenocarcinomaoncomputedtomographyim-5ZhangJ，ZhaoX，ZhaoY，etal.Valueofpre-therapyageusingdeeplearning［J］.EurRespirJ，2019，53：1800986.18F-FDGPET/CTradiomicsinpredictingEGFRmuta-19FanZZ，TianYH，ChenZP，etal.Blockinginteractionbe-tionstatusinpatientswithnon-smallcelllungcancer［J］.tweenSHP2andPD-1denotesanovelopportunityfordevel-EurJNuclMedMolImaging，2020，47（5）：1137-1146.opingPD-1inhibitors［J］.EMBOMolMed，2020，12（6）：e11571.6张慧媛，孟祥溪，周欣，等.18F-FDGPET/CT影像组学20KimKH，KimHK，KimHD，etal.PD-1blockade-unre-在非小细胞肺癌中的研究进展［J］.中国医学影像学杂sponsivehumantumor-infiltratingCD8（+）Tcellsare志，2021，29（9）：947-951.markedbylossofCD28expressionandrescuedbyIL-7宋金龄，李林法，庞伟强，等.精准治疗时代18F-FDG151［J］.CellulMolImmunol，2021，18（2）：385-397.PET/CT影像基因组学在非小细胞肺癌中的应用进展［本文编辑］邹洲宋睿璞朱金月