一个随机的生存森林基础的病理学签名分类免疫治疗预后和概况时间和ES-SCLC患者的基因组学

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 免疫治疗是一种免疫疗法.

背景情况:

• 小细胞肺癌 (SCLC) 具有侵略性,预后不佳.
• 有限的生物标志物存在,用于预测广泛阶段SCLC (ES-SCLC) 中的化疗免疫治疗反应.
• 对H&E图像的病理学分析为预后评估提供了一种新的方法.

研究的目的:

• 开发一种机器学习模型,用于预测接受一线化疗免疫治疗的ES-SCLC患者的整体存活率.
• 探索病理学特征与基因组改变和瘤免疫微环境 (TIME) 的关联.
• 确定可靠的非侵入性生物标志物,以指导ES-SCLC中的精密医学.

主要方法:

• 对118名ES-SCLC患者进行了回顾性分析,这些患者接受了第一线化疗免疫治疗.
• 从H&E染色的整张幻灯片图像中提取病态特征.
• 开发一个随机生存森林 (RSF) 模型,包括临床和病理学数据.
• 基因组分析 (NGS,PD-L1,多重IHC) 和单细胞RNA测序在一组患者中进行.

主要成果:

• 该RSF模型使用了三个病理特征和临床因素 (肝/骨转移,吸烟,LDH),准确地预测了ES-SCLC患者的生存率.
• 较高的RSF-Score与增加的CD8+T细胞透和更高的MCL-1放大和EP300突变的概率相关.
• 单细胞分析将MCL-1与TNFA-NFKB信号传递和亡联系起来.

结论:

• 一种基于非侵入性病理学的新型机器学习模型可以预测ES-SCLC中化学免疫治疗的存活率.
• 该模型的发现表明病理,免疫透和特定基因变异 (MCL-1,EP300) 之间的关联.
• 这种方法有望促进ES-SCLC管理中的精密医学策略.