结合体成分与临床病理特征的可临床解释列线图，用于晚期实体瘤一年生存预测

为何你的体格可能影响癌症治疗成效

免疫治疗药物改变了许多晚期癌症患者的预后，但只有一部分患者真正受益。本研究探讨了一个简单却强有力的想法：脂肪和肌肉在体内的分布方式，结合常规临床信息，可以帮助医生估算患者在开始免疫治疗后一年内存活的可能性。研究者将复杂的测量转化为床边易用的工具，提出了一种可视化评分卡，或可指导关于治疗选择和随访护理的讨论。

超越肿瘤，关注整体个体

当前用于预测谁会对免疫检查点抑制剂有应答的大多数检测，侧重于肿瘤本身的特征，如癌细胞表面的特定蛋白或肿瘤携带的突变数量。但免疫反应也受更广泛因素影响，包括伴随疾病、药物以及整体营养状况。体重指数（BMI）已被广泛研究，有时在体重较重的患者中似乎与更好的结局相关，这一现象常被称为“肥胖悖论”。然而，BMI 是一种粗略的度量：它无法区分脂肪与肌肉，也无法区分不同类型的脂肪，而不同类型的脂肪对免疫系统可能具有截然不同的影响。

将影像转化为生存线索

研究者回顾性分析了意大利某中心接受免疫检查点抑制剂治疗的146例晚期实体瘤成人患者。在治疗前，每位患者都接受了用于分期的常规 CT 扫描。放射科医生从腹部的一层切面上测量了不同隔室中肌肉与脂肪的量，例如围绕脏器的深部腹脂和皮下脂肪。他们还收集了标准临床信息，包括癌症类型、治疗细节、与营养和炎症相关的常规血液检测，以及糖尿病、高血压、心脏病等常见合并症。

构建组合风险评分

研究团队使用为生存数据设计的机器学习方法，先测试了常规临床因素单独预测总体生存的能力。这些特征——如癌型、治疗方案、吸烟史、基于血液的炎症比值和营养评分——显示出一定的预测力，但在推广到新患者时表现欠佳。随后，他们评估了每项体成分测量的独立预测能力。深部腹脂与皮下脂肪的比值成为单一最佳的影像学预测指标，但单独使用仍不足够有力。研究者接着创建了新的复合评分，数学上组合多项脂肪与肌肉测量，搜索能最好区分生存长短患者的组合。

用一张简单图表将患者分入风险组

最具信息量的组合是一项由三项 CT 派生测量构成的体成分评分：肌内脂肪、深部腹脂量以及深部与皮下脂肪的比值。当将该评分加入到 12 项常规收集的临床特征中时，得到的模型明显优于仅基于临床数据或仅基于影像的模型。体成分评分超过优化阈值的患者中位生存约为五个月，而低于阈值者则接近三年。即便仅关注晚期肺癌患者，这一强烈差异仍然存在。基于该模型，作者构建了一个列线图——临床医生可以对齐患者每项因素的取值、累计分数，并读取估计的一年存活概率。

这对患者与医生意味着什么

对于面临晚期癌症的人群，这项工作表明日常扫描与血液检测中已存在的信息可以被整合，以更清晰地描绘免疫治疗下的可能结局，而无需专门的基因检测。所提议的图表尚不足以单凭自身改变临床实践：该研究为回顾性、来自单一中心且患者数量有限，因此其预测需在更大、独立的队列中得到验证。不过，该研究强调了患者整体体格与健康状况——而非仅肿瘤本身——可能对治疗结果产生关键影响，并指向了关于谁最有可能从昂贵且有时有毒的免疫治疗中获益的更个性化决策方向。

引用: Bruschi, G., Paoloni, F., Pecci, F. et al. Clinically interpretable nomogram combining body composition and clinicopathological features for one year survival prediction in advanced solid tumors. Sci Rep 16, 13200 (2026). https://doi.org/10.1038/s41598-026-37510-1

关键词: 免疫治疗, 体成分, 癌症生存, 风险预测, 机器学习