一项多中心研究表明，基于病理切片的人工智能（AI）辅助分析在预测非小细胞肺癌（NSCLC）对免疫检查点抑制剂（ICI）反应方面显示出潜力。深度学习模型（称为Deep-IO）在美国开发队列中实现了0.75的受试者工作特征曲线下面积（AUC），在欧洲验证队列中达到了0.66。通过多变量分析验证队列结果表明，该模型的评分是无进展生存期（PFS）和总生存期（OS）的独立预测因子。
来自挪威奥斯陆大学医院的Mehrdad Rakaee博士及其合著者在《JAMA Oncology》上报告说，在开发集中，经过调优的模型优于肿瘤突变负荷（TMB）、肿瘤浸润淋巴细胞（TILs）和PD-L1表达；在验证队列中，该模型优于TILs，且与PD-L1表现相当。将该模型与PD-L1表达结合使用可以提高10个百分点的特异性，优于单独使用的任一标记物。
“深度学习模型可以直接从单个苏木精和伊红染色切片图像预测ICI反应，”作者总结道。“这种分析可以作为PD-L1免疫组化的辅助生物标志物，用于晚期NSCLC，有助于优化患者分层，改进个性化治疗选择，同时优化ICI治疗的成本效益。”
耶鲁癌症中心的Roy Herbst博士表示，这项研究反映了当前肿瘤学和ICI应用的方向。“这是我们开始个性化治疗的正确方向：谁应该接受治疗，治疗多久。”他在接受《MedPage Today》采访时说。“这是一个很好的第一步，并为后续研究铺平了道路。”
为了定义该模型在不同类型癌症中的效用，可能需要在不同类型的癌症中进行单独的研究。“肾癌可能与肺癌或黑色素瘤表现不同，”Herbst说。“这只是我的直觉，没有数据支持。”
多项研究表明，晚期/转移性NSCLC患者可以从ICI治疗中受益，但只有25%-30%的患者有反应。主要预测标志物PD-L1表达是一个不完美的测量方法，因为即使PD-L1低表达的患者也能从ICI治疗中获益。作者在引言中指出，2020年，FDA批准组织来源的TMB作为各种实体瘤（包括NSCLC）对ICI反应的预测标志物。然而，由于成本、检测变异、最佳截断值以及有限的敏感性和特异性等因素，TMB的应用受到限制。与此同时，人们对识别ICI反应的额外生物标志物的兴趣日益增长。
人工智能的进步促进了数字病理图像的分析。作者开发了几种基于AI的病理分类系统，用于从标准组织学数字图像中识别免疫表型、TILs和三级淋巴结构。机器学习衍生的免疫生物标志物已显示出与NSCLC和黑色素瘤对ICI反应及总生存期的关联。此外，免疫生物标志物还与早期肺癌复发风险相关。
“多个研究小组已经开发了深度学习模型，用于解释组织学图像中的复杂空间模式，并预测如生存和基因组改变等因子，其复杂程度超越了大多数人类专家的能力，”作者表示。“深度学习无需预先约束或偏差即可全面分析图像特征的能力，使得对许多组织病理模式进行全面评估成为可能，从而更准确地预测临床结果。”
继续他们对AI衍生生物标志物的研究，Rakaee及其同事开发了一个反应分层模型，以预测晚期NSCLC患者的病理标本数字图像中ICI的有效性。他们进行了内部和外部验证研究，并将结果与PD-L1、TMB和TILs进行比较，以预测ICI治疗的反应。
Deep-IO模型旨在直接从组织学图像预测ICI单药治疗的反应。该模型基于RECIST标准定义的ICI客观反应率进行训练。
分析练习涉及958名晚期NSCLC患者的295,581个图像片段，其中614名来自美国，344名来自欧洲。美国开发队列中ICIs的客观反应率为26%，欧洲验证队列为28%。
Deep-IO概率评分被分为验证队列的中位数和三分位数截断值进行生存分析。结果显示，更高的Deep-IO评分与显著更长的PFS（6.2个月对比3.0个月，P<0.001）和OS（13.7个月对比8.9个月，P<0.001）相关。
在验证队列的多变量分析中，机器模型对ICI反应的预测评分为PFS（风险比0.56，95%置信区间0.42-0.76，P<0.001）和OS（风险比0.53，95%置信区间0.39-0.73，P<0.001）的独立预测因子。
对预测ICI反应的生物标志物准确性分析表明，Deep-IO在测试集中具有最高的AUC（0.75对比其他指标的0.57-0.70），在验证队列中与PD-L1相当（0.66对比0.67），但在识别非应答者的特异性上高出10%。该模型还在测试集中具有最高的敏感性（0.91对比其他指标的0.54-0.83）。将Deep-IO与PD-L1结合使用可以改善反应分类，并产生最高的阳性预测值和阴性预测值，优于单一生物标志物。
(全文结束)
