美國哈佛醫(yī)學院、布萊根和婦女醫(yī)院Rakaee等報告，人工智能（AI）輔助的病理切片分析有作為非小細胞肺癌（NSCLC）免疫檢查點抑制劑（ICI）療效預測生物標志物的潛力。在美國開發(fā)隊列和歐盟驗證隊列中，深度學習模型（稱為Deep-IO）針對客觀緩解率的受試者操作特征曲線下面積（AUC）分別為0.75和0.66。在對驗證隊列結(jié)果的多變量分析中，模型得分被證明是ICI治療后無進展生存期（PFS）和總生存期（OS）的獨立預測因子。（JAMA Oncol. 2024年12月26日在線版）

多項研究表明，晚期/轉(zhuǎn)移性NSCLC患者受益于ICI治療，但只有25%~30%的患者有效。主要的預測標志物PD-L1表達情況是一個不完善的指標，即使PD-L1表達陽性水平低的患者也能從ICI治療中獲益。此外，2020年獲批的ICI療效預測標志物腫瘤突變負荷（TMB）也受到多種因素的限制，包括成本、檢測結(jié)果可變性、最佳臨界值、有限的靈敏度和特異性等。

AI的進步對數(shù)字病理圖像的分析有促進作用。研究者開發(fā)了幾個基于AI的病理分類系統(tǒng)，以從標準組織學數(shù)字圖像中識別出免疫表型、腫瘤浸潤淋巴細胞（TIL）和三級淋巴結(jié)構(gòu)。來源于機器學習的免疫生物標志物與ICI療效和NSCLC和黑色素瘤患者的總生存期相關(guān)。

為了獲得最佳的個性化的NSCLC治療，確定最有可能從免疫療法中獲益的患者是非常必要的。為了開發(fā)一種基于監(jiān)督的深度學習的ICI療效預測方法，與其他已知的預測性生物標志物一起評估其性能，并評估其與晚期NSCLC患者臨床結(jié)局的相關(guān)性，該項多中心隊列研究依據(jù)來源于HE染色圖像切片的數(shù)字圖像全景，開發(fā)并獨立驗證了一個基于深度學習的療效分層模型（Deep-IO），以預測晚期NSCLC患者ICI治療后的結(jié)局。

其中，開發(fā)隊列來自美國1個中心患者的數(shù)據(jù)，驗證隊列來自歐盟3個中心患者的數(shù)據(jù)；數(shù)據(jù)時間范圍為2014年8月到2022年12月。主要終點為根據(jù)臨床終點和客觀緩解率（ORR）評估得出的、新模型對比其他預測生物標志物的區(qū)分能力。

結(jié)果顯示，研究自958例患者獲取了295 581幀HE病理切片的數(shù)字圖像，其中患者的平均年齡為66.0歲±10.6歲，456例（48%）為女性，502例（52%）為男性，均為ICI治療的NSCLC患者。美國開發(fā)隊列包括614例患者，中位隨訪54.5個月（IQR：38.2~68.1個月）；歐盟驗證隊列包括344例患者，中位隨訪43.3個月（IQR：27.4~53.9個月）。

ICI的ORR在開發(fā)隊列中為26%，在驗證隊列中為28%。在內(nèi)部驗證隊列和外部驗證隊列中，Deep-IO模型對ORR的AUC分別為0.75（95%CI 0.64~0.85）和0.66（95%CI 0.60~0.72）。在驗證隊列的生存分析中，當將Deep-IO概率按照中位數(shù)和三分位數(shù)分類后，更高的Deep-IO評分與更長的PFS（6.2個月 vs. 3.0個月P<0.001）和OS（13.7個月 vs. 8.9個月，P<0.001）均顯著相關(guān)。

多變量分析顯示，在驗證隊列中，Deep-IO模型得分是ICI療效的獨立預測因子，其中針對PFS的風險比（HR）為0.56（95%CI 0.42~0.76，P<0.001），針對OS的為0.53（95%CI 0.39~0.73，P<0.001）。

調(diào)整后的Deep-IO模型在內(nèi)部驗證隊列中獲得了比TMB、TIL和PD-L1更高的AUC（0.75 vs. 0.57~0.70），在驗證隊列中也優(yōu)于TIL且與PD-L1相當（AUC：0.67 vs. 0.66），但在識別無效者方面特異性提高10個百分點。該Deep-IO模型在內(nèi)部驗證隊列中也具有最高的敏感性（0.91 vs. 0.54~0.83）。

在驗證隊列中，Deep-IO聯(lián)合PD-L1評分改善了療效分類，獲得了0.70的AUC（95%CI 0.63~0.76），優(yōu)于單獨使用任何一種標志物，并產(chǎn)生了最高的陽性預測值和陰性預測值；單獨使用PD-L1（≥50%）對比聯(lián)合使用的有效率分別為51%和41%。

研究者表示：Deep-IO能夠在沒有事先限制或偏見的情況下全面分析圖像特征，從而能夠全面評估許多組織病理學模式，有可能更準確地預測臨床結(jié)局。

（編譯 肖麗）