【目的】

探讨基于治疗前、后单次CT的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。

【资料与方法】

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。采用LASSO算法筛选最优特征集用于后续构建影像组学标签（RS），然后使用11种机器学习算法构建RS。共构建了6种影像组学标签：肿瘤区域（治疗前GTVpreRS、治疗后GTVpostRS）、瘤周区域（PTVpreRS、PTVpostRS）、全区域（GPTVpreRS、GPTVpostRS）。整合最优RS与关键临床指标构建综合预测模型。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】

在临床特征中，淋巴细胞百分比、NLR、SII、MLR、新辅助治疗次数以及SCCAg是预测新辅助免疫治疗PD的重要预测因素。在训练集、内部和外部验证集中，由这6个临床特征构成的临床模型的AUC值分别为0.767、0.619、0.707。在6个影像组学标签中，GTVpostRS标签在三个数据集中的AUC值分别为0.843、0.730、0.728，其在不同数据集中的AUC值相当。其余5个RS均在内部或外部验证集的AUC值明显下降。GTVpostRS标签具有良好的预测性能和稳定性，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0.894、0.771和0.778，均高于临床模型和GTVpostRS标签。综合模型在训练集、内部验证集中显著优于临床模型。校准曲线显示，综合模型在三个数据集中均呈现良好的拟合度。在训练集和外部验证集中，综合模型在预测PD方面取得了比其余模型更高的总体净效益。

【结论】

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