从数字组织病理学图像预测瘤微环境组成和非小细胞肺癌的免疫治疗反应
Sushant Patkar1, Alex Chen2, Alina Basnet3
1Artificial Intelligence Resource (AIR), National Cancer Institute, National Institutes of Health, Bethesda, MD, USA. patkar.sushant@nih.gov.
NPJ precision oncology
|December 20, 2024
概括
深度学习工具HistoTME分析了组织病理学图像,以预测非小细胞肺癌 (NSCLC) 的瘤微环境组成. 这种方法有助于预测免疫治疗反应,增强个性化癌症治疗.
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:
- 免疫检查点抑制剂 (ICI) 对于非小细胞肺癌 (NSCLC) 治疗至关重要.
- 预测NSCLC免疫疗法疗效的可靠生物标志物有限.
- 瘤微环境 (TME) 在对癌症免疫疗法的反应中起着至关重要的作用.
研究的目的:
- 开发一种新的深度学习方法HistoTME,用于从NSCLC患者的组织病理学图像中推断TME组成.
- 评估HistoTME能够预测分子特征和免疫疗法治疗反应的能力.
- 评估HistoTME作为个性化免疫瘤学的潜在生物标志物.
主要方法:
- 开发了一种弱监督的深度学习方法 (HistoTME) 来分析NSCLC患者的整个幻灯片图像 (WSI).
- HistoTME预测了30种不同的细胞类型特定分子特征的表达.
- 预测性能与独立队列的基准真实分子数据和临床结果进行了验证.
主要成果:
- HistoTME准确地预测了来自WSIs的30个分子签名,平均Pearson相关性为0.5.5.
- 通过HistoTME预测的TME特征改善了接受免疫治疗的肺癌患者的预后.
- 该模型在接受一线ICI的652名患者队列中预测治疗反应的AUROC为0.75.
结论:
- HistoTME提供了一种有效的计算方法,用于从组织病理图像中查询瘤微环境.
- 在NSCLC中,HistoTME显示出预测免疫检查点抑制剂反应的潜力.
- 这种方法补充了PD-L1等现有的生物标志物,并推进了个性化癌症治疗.
