摘要：肺癌是全球范围内最常见的癌症，也是全球癌症死亡的主要原因[1]。患者的预后预测和评估是肺癌诊疗的重要组成部分，有助于临床医生制定合理的治疗策略。在2024年美国临床肿瘤学会（ASCO）年会上，有多项肿瘤预后预测相关研究公布，本文整理了其中两项关于肺癌的预后预测
*仅供医学专业人士阅读参考
对于肺癌的预后预测，有哪些新的研究进展？
肺癌是全球范围内最常见的癌症，也是全球癌症死亡的主要原因[1]。患者的预后预测和评估是肺癌诊疗的重要组成部分，有助于临床医生制定合理的治疗策略。在2024年美国临床肿瘤学会（ASCO）年会上，有多项肿瘤预后预测相关研究公布，本文整理了其中两项关于肺癌的预后预测研究，以飨读者。循环肿瘤DNA结合代谢参数可用于不可切除局部晚期NSCLC的预后预测
一项关于不可切除局晚期非小细胞肺癌（LA-NSCLC）预后预测的研究显示，基线循环肿瘤DNA（ctDNA）结合总肿瘤代谢体积（TMTV）可提高对患者生存的预测能力，而根治性放化疗（CRT）后ctDNA和总肿瘤代谢体积变化（△TMTV）具有很强的预后能力。■ 研究背景
对于不可切除LA-NSCLC，目前尚缺乏有效的生物标志物来指导根治性CRT后的精准巩固治疗。根治性治疗后基于ctDNA的分子残留病灶（MRD）检测可强烈预测多种肿瘤的复发，但能否通过进一步的治疗改善存在MRD患者的预后仍不清楚。18F-氟脱氧葡萄糖（FDG）PET/CT 对LA-NSCLC根治性CRT的治疗反应和生存结果也有预测作用。因此，研究者针对不可切除LA-NSCLC患者根治性CRT或放疗（RT）前后收集的血浆样本，进行了肿瘤个性化深度测序（CAPP-Seq）ctDNA分析。■ 研究方法
该研究前瞻性纳入62例不可切除LA-NSCLC患者，共收集了62份基线血浆样本和49份根治性CRT/RT后血浆样本。所有患者都在基线时接受了PET/CT扫描，有33例患者在治疗期间RT剂量达到40Gy/20f时接受了中期PET/CT扫描。同时，这33例患者被随机分配接受或不接受适应性剂量递增RT。另外，对CRT/RT后接受免疫检查点抑制剂（ICI）巩固治疗的患者与治疗后ctDNA阴性/高△TMTV的患者进行了比较。
■ 研究结果
44例（71.0%）患者基线时检测到了ctDNA。基线ctDNA浓度与TMTV（P=0.004）和病灶糖酵解总量（TLG；P=0.010）显著相关。未检测到ctDNA、低TMTV的患者相较其他患者的无进展生存期（PFS）显著更好（P=0.027；图1）。图1. ctDNA-/低TMTV组和其他ctDNA/TMTV组的无进展生存（PFS）和总生存（OS）KM曲线
25例（47.2%）患者在完成CRT或RT一个月后检测到了ctDNA。尽管循环游离DNA（cfDNA）的浓度保持相对稳定（P=0.652），但ctDNA的平均变异等位基因频率（VAF；P=0.002）和浓度（P=0.043）均显著下降。治疗后未检测到ctDNA的患者展现了显著更长的PFS（P＜0.001）和总生存期（OS；P=0.003）。较高的△TMTV与更长的PFS和OS相关（表1）。与接受ICI巩固治疗的30例患者相比，CRT后ctDNA阴性、高△TMTV患者展现了相似的PFS和OS。表1. 针对代谢参数预后意义的单变量和多变量分析■ 研究结论
基线ctDNA结合TMTV可提高对生存的预测能力。CRT后ctDNA和△TMTV具有很强的预后能力，ctDNA阴性且△TMTV高的患者可能无需接受ICI巩固治疗。机器学习算法可预测肺癌预后，并具有跨机构普适性
一项多中心队列研究（WJOG15121L：REAL-WIND）显示，该研究开发的机器学习（ML）算法可以准确预测Ⅳ期肺癌患者的预后，并在医疗机构间有高度的普适性。■ 研究背景
预测预后对于制定最佳的肺癌治疗策略至关重要。不过，即使使用ML算法，也尚未建立一种能够准确预测Ⅳ期肺癌患者总体预后的方法。此外，这类算法在医疗机构间的普适性仍有待探索。■ 研究方法
这项多中心、回顾性、以医院为基础的队列研究，纳入了于2016年1月至2020年12月期间确诊Ⅳ期肺癌的患者。入组患者按2:1的比例随机分为训练队列和独立测试队列。评估算法性能的主要指标是独立测试队列中的受试者工作特征曲线下面积（AUC）。另外，为了评估算法在医疗机构间的普适性，研究者在使用其他15家医疗机构的数据对算法进行训练后，评估了算法对其余医疗机构患者预后的预测能力。
图2. 创建机器学习（ML）算法以及测试性能的流程图
■ 研究结果
该研究从日本16家医疗机构纳入了6751例Ⅳ期肺癌患者。患者的中位年龄为70岁，其中4421例（65%）患者的东部肿瘤协作组体能状态（ECOG PS）评分为0或1，1515例（22%）患者携带EGFR突变。
在测试队列中，针对算法性能指标的分析显示，在不同的预测生存天数（180天~1080天），AUC值也不等，范围为0.83至0.90。
表2. 在独立测试队列中测试算法性能的结果
为研究跨机构普适性，对16种算法进行的性能测试显示，在预测生存180天、360天、720天和1080天时，中位AUC值分别为0.87（范围：0.84-0.92）、0.84（范围：0.78-0.88）、0.84（范围：0.76-0.89）和0.84（范围：0.75-0.90）。
具体来说，在预测生存180天时，基于医疗机构分类的算法性能的AUC值都超过了0.8（16/16）。对于预测生存360天、720天和1080天，分别在15/16、12/16和12/16的医疗机构中AUC值超过了0.8，表明该算法创建方法具有高度的跨机构普适性。
表3. 算法的跨机构普适性
■ 研究结论
该项研究开发的ML算法可以准确预测预后，并具有高度的跨机构普适性。为对该ML算法进行进一步的验证，目前正在开展一项大型前瞻性队列研究REAL-WIND2，其结果值得期待。参考文献：[1]Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin. 2024 May-Jun;74(3):229-263.[2]Leilei Wu, et al. Integration of circulating tumor DNA and metabolic parameters for outcome prediction in unresectable locally advanced non-small cell lung cancer. 2024 ASCO. Abstract 8080.[3]Yukihiro Toi, et al. Machine learning prediction of prognosis in lung cancer with inter-institutional generalizability: A multicenter cohort study (WJOG15121L:REAL-WIND). 2024 ASCO. Abstract 8571.审批编号：CN-148172 有效期：2025-02-25本材料由阿斯利康提供支持，仅供医疗卫生专业人士参考。
来源：医学界影像频道
