Eur J Nucl Med Mol Imaging（IF=7.6）南方医科大学南方医院北京协和医院等团队：基于PET/CT的深度学习预测食管癌PD-L1与免疫疗效
01
文献学习
今天分享的文献是由南方医科大学南方医院联合西安电子科技大学、北京协和医院等团队于2025年8月在《European Journal of Nuclear Medicine and Molecular Imaging》（中科院1区，IF=7.6）上发表的研究“Deep learning-based non-invasive prediction of PD-L1 status and immunotherapy survival stratification in esophageal cancer using [18F]FDG PET-CT”即基于[18F]FDG PET-CT的深度学习无创预测食管癌PD-L1状态及免疫治疗生存分层研究，该研究基于[18F]FDG PET-CT影像，构建了多种3D ResNet10深度学习模型，用于无创预测食管癌患者的PD-L1表达状态，并进一步评估其衍生评分在免疫治疗中的生存分层能力。研究共纳入331例患者（双中心），其中50例接受免疫治疗。结果显示，多模态模型（尤其是结合PET、CT与临床因素的CPC模型）在预测PD-L1状态方面表现优异（AUC最高达0.927），且其评分能有效分层免疫治疗后的无进展生存期和总生存期，优于传统PD-L1免疫组化分层。
创新点：①首次构建基于[18F]FDG PET-CT的3D深度学习模型，实现食管癌PD-L1状态无创精准预测。②多模态融合（PET+CT+临床）显著提升预测性能，多中心验证保证了模型的泛化能力。③首次证明深度学习评分（DLS）在免疫治疗生存分层中优于传统PD-L1表达（CPS≥10）。
临床价值：①克服活检局限，无创、动态评估PD-L1，避免采样偏倚和重复活检。②精准筛选获益人群，其生存分层能力超越病理金标准，指导个体化免疫治疗。③降低医疗成本，通过避免无效治疗节省药物及不良反应管理开支，效费比高。
图 1：研究工作流程图
第一阶段：模型训练与内部验证
纳入南方医院331例食管癌患者，按检查时间以8:2比例分为训练队列（n=265）和内部验证队列（n=66）；基于该队列的PET/CT影像（CT、PET单模态及融合）+临床特征开展深度学习模型训练，实现PD-L1状态预测，并计算模型衍生的深度学习评分（DLS）。
第二阶段：模型外部验证
纳入北京协和医院21例食管癌患者作为外部验证队列；将第一阶段训练好的模型应用于该队列的PET/CT影像，验证模型对PD-L1状态预测的普适性，同时验证DLS的稳定性。
第三阶段：DLS的临床预后价值验证
从南方医院队列中选取50例接受免疫联合化疗的食管癌患者作为生存分析队列；基于模型输出的DLS对该队列进行生存分层，验证DLS对免疫治疗后总生存期（OS）、无进展生存期（PFS）的分层价值，并构建预后预测列线图，实现临床转化。
02
研究背景和目的
研究背景
食管癌（EC）作为全球性的健康挑战，其预后极差，晚期患者的5年生存率低于20%。尽管以PD-1/PD-L1抑制剂为代表的免疫检查点抑制剂（如KEYNOTE-590、ESCORT-1st等试验）已重塑治疗格局，为患者带来生存获益，但精准筛选获益人群仍是临床难题。目前，PD-L1表达的评估金标准是免疫组织化学（IHC），该方法存在关键局限性：首先，肿瘤内PD-L1分布存在显著的空间异质性，单点活检难以全面反映整体表达水平，导致高达30%的患者被错误分类；其次，活检样本存在采样偏差，且无法动态监测治疗过程中PD-L1表达的波动变化。因此，迫切需要一种更稳健、无创的方法来准确预测PD-L1状态并指导免疫治疗。氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描（[18F]FDG PET/CT）是一种广泛应用的成像方式，可同时提供肿瘤的解剖和代谢信息。尽管既往研究提示肿瘤代谢（如PET衍生参数）与免疫逃逸机制（如缺氧诱导的PD-L1上调）相关，但传统PET参数单独使用不足以准确预测PD-L1状态及其预后意义。相较于依赖手工特征的传统放射组学，深度学习（DL），尤其是卷积神经网络（CNN），能够自主从成像数据中学习层次化表征，捕捉非线性关系和细微的生物特征。然而，深度学习在食管癌PD-L1评估中的应用尚待深入探索。
研究目的
本研究旨在开发并验证基于[18F]FDG PET/CT的深度学习模型，用于无创预测食管癌患者的PD-L1状态，并进一步评估衍生深度学习评分（DLS）在免疫治疗生存分层中的潜力。具体而言，研究构建了四种基于3D ResNet10架构的模型：结合PET、CT及临床因素的CPC模型、结合PET与CT的PC模型、仅基于PET的P模型以及仅基于CT的C模型，同时构建了仅包含临床因素的Logistic模型作为对比。通过多中心数据（训练集、内部验证集及外部验证集）的严格验证，评估各模型预测PD-L1状态的性能。更进一步，研究探索DLS作为放射学标志物对接受免疫治疗患者的生存分层能力，并与传统PD-L1状态（联合阳性评分CPS≥10）的分层效果进行比较。最终，通过构建结合模型评分与临床因素的列线图，旨在提高免疫治疗后生存概率的预测准确性，为临床提供一种无创、可动态监测的个性化治疗决策支持工具，弥补当前基于活检的PD-L1评估在空间异质性和动态监测方面的不足。
03
数据和方法
研究数据
样本量：331例食管癌患者（南方医院：310例；北京协和医院：21例）
分组：
训练集（265例）
内部验证集（66例）
外部验证集（21例）
免疫治疗亚组：50例接受免疫联合化疗患者
PD-L1阳性定义：CPS ≥ 10
技术方法
模型架构：3D ResNet10，分别构建PET、CT、PET+CT、PET+CT+临床因素的四个模型（P、C、PC、CPC）
训练策略：5折交叉验证，SGD优化器，数据增强，Dropout正则化
评估指标：AUC、准确率、灵敏度、特异度、DCA、Grad-CAM可视化
生存分析：Cox回归、Weibull回归、诺模图构建
统计方法：t检验、Wilcoxon检验、DeLong检验、Hosmer-Lemeshow检验
图 2：无创检测PD-L1状态的模型架构
影像特征提取模块（双流网络）
分别构建3DResNet10网络处理CT影像和PET影像，通过“卷积（conv）-最大池化（Max pooling）-全局池化（Global pooling）”的层级结构，自主提取影像的高维特征；
最终CT、PET影像各自被转化为512维的特征向量，实现原始影像的特征降维和量化。
临床病理特征提取模块
纳入年龄、性别、TNM分期、BMI等临床病理特征，通过全连接层将这些多维度的临床变量统一编码为512维的特征向量，实现影像特征与临床特征的维度统一，为后续融合奠定基础。
特征融合与分类模块
采用后期融合策略：将CT特征向量、PET特征向量、临床特征向量按通道维度拼接，形成融合后的高维特征矩阵；
拼接后的特征输入至最终的全连接分类器，输出PD-L1阳性（1）/阴性（0）的概率，即为模型的核心预测结果。
04
实验结果
PD-L1预测性能：
CPC模型在训练、内部验证、外部验证中的AUC分别为0.927、0.882、0.843，优于其他模型和临床模型（AUC ≈ 0.6）。
多模态模型显著优于单模态模型。
DLS与临床因素相关性：
DLS与PD-L1状态显著相关（r ≈ 0.4–0.5），而传统临床因素与PD-L1无显著相关性。
生存分层能力：
高DLS组患者PFS和OS显著延长（如CPC模型：PFS HR=0.077，P<0.001；OS HR=0.155，P=0.018）。
PD-L1状态（CPS ≥ 10）未能有效分层生存（P=0.260 for PFS）。
诺模图：
结合DLS与临床因素的诺模图可个体化预测免疫治疗后生存概率。
图 3：深度学习模型的Grad-CAM可视化
图 4：各模型的ROC曲线与决策曲线分析
图 5：各DLS及PD-L1状态的生存分析结果
图 6：基于模型评分的PFS和OS预测列线图
05
研究结论
该研究首次基于[¹⁸F]FDG PET/CT构建深度学习模型，用于食管癌患者PD-L1状态的无创预测及免疫治疗后的生存分层。研究共纳入331例多中心患者，开发了基于3D ResNet10的四种模型（CPC、PC、P、C），并与临床模型进行比较。结果显示，融合PET、CT及临床信息的CPC模型在预测PD-L1状态方面表现最优，在训练集、内部验证集和外部验证集中的AUC分别达到0.927、0.882和0.843，显著优于传统临床模型（AUC最高仅为0.671）。进一步分析表明，深度学习模型评分（DLS）能有效对免疫治疗后患者进行生存分层，高风险组与低风险组在无进展生存期和总生存期方面存在显著差异（如CPC模型：PFS HR=0.077，OS HR=0.155，P<0.05），其预测能力优于传统的PD-L1表达（CPS≥10）。结合DLS与临床因素构建的诺模图进一步提升了生存预测的准确性。综上，基于[¹⁸F]FDG PET/CT的深度学习模型不仅可准确预测食管癌PD-L1状态，其衍生评分还可作为免疫治疗预后分层的非侵入性生物标志物，为个体化治疗决策提供有力支持。
参考文献：Xie F, Zhang M, Zheng C, Zhao Z, Wang J, Li Y, Wang K, Wang W, Lin J, Wu T, Wang Y, Chen X, Li Y, Zhu Z, Wu H, Li Y, Liu Q. Deep learning-based non-invasive prediction of PD-L1 status and immunotherapy survival stratification in esophageal cancer using [18F]FDG PET/CT. Eur J Nucl Med Mol Imaging. 2026 Jan;53(2):1015-1028. doi: 10.1007/s00259-025-07463-0.