主要观点总结
文章介绍了一种基于CT影像组学特征的新型预测模型LCI-RPV，该模型用于预测非小细胞肺癌患者对PD-1或PD-L1抑制剂免疫治疗的反应和肺毒性。文章通过GSEA和scRNA-seq分析，提供了对LCI-RPV与肿瘤微环境中细胞途径和细胞群体之间关系的深入理解。
关键观点总结
关键观点1: 提出了一种新型的基于CT影像组学的预测模型LCI-RPV，用于预测非小细胞肺癌患者对PD-1或PD-L1抑制剂免疫治疗的反应。
这是首个将影像组学与单细胞分析结合的研究，提供了一个非侵入性的工具来预测NSCLC患者的治疗反应。
关键观点2: 通过GSEA和scRNA-seq分析，深入理解了LCI-RPV与肿瘤微环境中细胞途径和细胞群体之间的关系。
研究通过分子水平和细胞层面的分析，揭示了LCI-RPV背后的生物学基础和与免疫细胞群体的关联。
关键观点3: LCI-RPV模型的预测效能及局限性。
LCI-RPV在预测PD-L1阳性、高PD-L1表达、治疗反应和肺毒性方面表现出良好性能，但研究存在回顾性设计的选择偏差、外部测试数据样本量有限等局限性。
文章预览
本期分享一篇关于影像组学联合单细胞分析的文章，研究者主要开发了一种基于 CT 影像组学特征的新型预测模型，即肺癌免疫治疗 - 影像组学预测向量（ LCI-RPV ），用于预测非小细胞肺癌（ NSCLC ）患者对 PD-1 或 PD-L1 抑制剂免疫治疗的反应和肺毒性。 文章于 2023 年 2 月发表于《 Journal of Thoracic Oncology 》，通讯作者为英国帝国理工学院的 Eric O Aboagye 教授，标题“ A Novel Radiogenomics Biomarker for Predicting T
reatment Response and Pneumotoxicity From Programmed Cell Death Protein or
Ligand-1 Inhibition Immunotherapy in NSCLC ”（ IF 21 ）。 图 1 ：文章来源（ Journal of Thoracic Oncology ） 文章亮点 1 、提出了一种新型的基于 CT 影像的影像组学标志物 LCI-RPV ，这是一个创新的非侵入性工具，用于预测 NSCLC 患者对 PD-1 或 PD-L1 抑制剂免疫治疗的反应。 2 、文章通过 GSEA 和 scRNA-seq 分析，提供了对 LC
………………………………
