在早期子宫内膜腺癌中PD-L1和PD-1表达

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 计算病理学计算病理学

背景情况:

• 免疫检查点抑制剂 (ICI) 和瘤透性淋巴细胞 (TIL) 已经改变了癌症护理.
• 缺乏跨癌症类型的TIL标准化分析有效性标准.
• 子宫内膜腺癌 (EC) 是一种严重的妇科恶性瘤.

研究的目的:

• 将机器学习形态分析 (Genie) 与病理学家评估进行比较,以评估在EC中的PD-1/PDL1表达.
• 验证机器学习作为预测预后和治疗的工具.
• 建立一个潜在的黄金标准,用于TILs分析在EC.

主要方法:

• 分析了来自60名EC患者的临床病理学数据.
• 编程细胞死亡蛋白1 (PD-1) 和编程细胞死亡配体1 (PDL1) 的表达被评估使用免疫组织化学.
• 机器学习形态分析 (Genie) 与病理学家对瘤微环境中的PD-1/PDL1表达的评估进行了比较.

主要成果:

• 病理学家和Genie都发现了与瘤大小相关的类似趋势.
• 精灵分析显示,与PD-1表达有显著的关联.
• 病理学家的评估显示,与免疫细胞中的PDL1表达有显著的关联.

结论:

• 在病理学家和Genie之间,EC免疫细胞中的PD-1表达水平是可比的.
• 机器学习形态测量分析显示出预测EC的预后和治疗的前景.
• 这项研究引入并验证了在EC瘤微环境中用于PD-1表达分析的机器学习.