Identifying ct image radiomic biomarkers for predicting immunotherapy response of non-small cell lung cancer patients

Abstract

Kontrol noktası blokajı immünoterapisi (İmT) ileri evre küçük hücreli dışı akciğer kanseri (KHDAK) hastalarının bir kısmında uzun süreli sağkalım gosteriyor. Bununla birlikte, İmT yanıtını yüksek bir başarı ile tahmin edebilen biyobelirteçler halen karşılanamamış klinik bir ihtiyaçtır. Bu tezde, İmT ile tedavi edilmiş KHDAK hastaları arasında ani hastalık progresyonu (AHP) fenotipleri ve sağkalım sonuçlarını öngören yalın modelleri tanımlamak için tedavi öncesi klinik değişkenler ve nicel görüntü-temelli özellikler (yani, Radyomikler) kullanılmıştır. Bu tezin içeriği bağlamında dört çalışma yapılmıştır. İlk olarak, radyal gradyan ve radyal sapma haritalarını kullanan yeni prognostik ve prediktif bilgisayarlı tomografi (BT) radyomik özellikleri oluşturuldu. Bir özellik, RD outside-border SD, iki bağımsız KHDAK kohortunda genel sağkalım ile ilişkili olarak bulundu. İkinci olarak, KHDAK İmT'nin hiper-ani progresyonu (HAD) dahil olmak üzere AHP fenotiplerini öngören klinik-radyomik modeller yaratıldı. Toplam 228 KHDAK hastasında AHP'yi öngörmek için orta ila yüksek kabiliyete sahip (eğri altındaki alanlar: 0.812 ve 0.843) klinik-radyolojik modeller oluşturuldu. Üçüncü çalışmada, akciğer lezyonları kullanılarak stabil ve tekrarlanabilir periferik-tümör ve tümör-içi BT radyomik özellikleri, yanlış bulgu olasılığını azaltmak için tanımlandı. Dördüncü ve son çalışmada, İmT ile tedavi edilen 332 KHDAK hastasının sağkalım sonuçlarına dayanan yalın bir risk modeli tanımlamak için tedavi öncesi klinik değişkenler ve radyomikler kullanılıdı. En öngörücü radyomik özellik (GLCM inverse difference), bir gen ifadesi ve bir immünohistokimya kohortu kullanılarak, CAIX ifadesi ile pozitif olarak ilişkili bulundu.

Checkpoint blockade immunotherapy (IO) provides improved long-term survivalin a subset of advanced stage non-small cell lung cancer (NSCLC) patients. However,highly predictive biomarkers of IO response are an unmet clinical need. In thisthesis, pre-treatment clinical covariates and quantitative image-based features (i.e.,Radiomics) were utilized to identify parsimonious models that predict rapid diseaseprogression (RDP) phenotypes and survival outcomes among NSCLC patients treatedwith IO. As part of the thesis, four studies were conducted. First, novel prognostic andpredictive computed tomography (CT) radiomic features utilizing radial gradient andradial deviation maps were created. One feature, RD outside-border SD, was foundto be associated with overall survival in two independent NSCLC cohorts. Second,clinical-radiomic models that predicted RDP phenotypes, including hyperprogressivedisease (HPD), were created in the setting of NSCLC IO. Among 228 NSCLC patients,parsimonious clinical-radiomic models with modest to high ability (area underthe curves: 0.812 and 0.843) to predict RDP were identified. In the third study,stable and reproducible peritumoral and intratumoral CT radiomic features of lunglesions were identified to reduce the chance of spurious findings. In the fourth andfinal study, pre-treatment clinical covariates and radiomics were utilized to identifya parsimonious risk-model based on survival outcomes among 332 NSCLC patientstreated with IO. The most predictive radiomic feature (GLCM inverse difference) wasfound to be positively associated with CAIX expression, using a gene-expression andan immunohistochemistry dataset.