【目的】

探讨基于差分影像组学标签预警可切除NSCLC患者新辅助免疫治疗期间发生疾病进展（PD）的价值。

【方法】

回顾性收集接受新辅助免疫治疗的可切除NSCLC患者，A医院共纳入365例作为训练集和内部验证集，B医院纳入106例作为外部验证集。基于治疗前、后两次CT，通过半自动分割获得肿瘤ROI（GTV），外扩瘤周5mm生成瘤周ROI（PTV），针对GTV、PTV提取影像组学特征。通过计算治疗前、后特征的变化量，获得传统及时间标准化的差分组学特征。采用LASSO算法筛选最优特征集用于构建影像组学标签（RS），然后使用11种机器学习算法构建RS。共构建了6种差分RS：肿瘤区域（传统差分RS为GTVdeltaRS、时间标准化差分RS为GTVdeltaRSt）、瘤周区域（PTVdeltaRS、PTVdeltaRSt）、全区域（GPTVdeltaRS、GPTVdeltaRSt）。整合最优RS与关键临床特征构建综合测模型。采用ROC曲线分析各标签及模型预测效能，模型拟合度通过校准曲线评估，决策曲线分析评估临床应用效益。

【结果】

在训练集、内部和外部验证集中，由6个关键临床特征构建的临床模型的AUC值分别为0.767、0.619、0.707。在6个差分RS中，GPTVdeltaRS和GPTVdeltaRSt在三个数据集中的总体预测性能比其他标签更好，AUC值分别为0.890、0.856、0.615和0.848、0.856、0.650。GPTVdeltaRSt在两个验证集中的总体效能更高，故将其选取为最佳RS与关键临床特征构建综合模型。在三个数据集中，综合模型的AUC值分别为0.895、0.845和0.760，均高于临床模型，并在外部验证集优化了GPTVdeltaRSt的预测表现。综合模型在训练集、内部验证集中显著优于临床模型（P＜0.05）。通过校准曲线分析，综合模型在三个数据集中均呈现良好的拟合度。综合模型在训练集和外部验证集中针对PD预测可实现更高的整体净效益。

【结论】

在预测可切除NSCLC新辅助免疫治疗PD方面，由GPTVdeltaRSt与临床特征构建的综合模型具有良好的预测价值。