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疗法反应
Sushant Patkar1, Alex Chen1, Alina Basnet2
1Artificial Intelligence Resource (AIR), National Cancer Institute, National Institutes of Health, Bethesda, MD, USA.
medRxiv : the preprint server for health sciences
|October 1, 2025
概括
一个新的深度学习工具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. 这种方法可以更好地预测免疫疗法反应,帮助个性化癌症治疗.
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.
- 在NSCLC中免疫疗法疗效的预测生物标志物仍然有限.
- 了解瘤微环境 (TME) 是改善治疗结果的关键.
研究的目的:
- 开发一种新型的计算方法,HistoTME,用于从基因病理图像中推断TME组成.
- 评估HistoTME能够预测分子特征和患者对免疫疗法的反应的能力.
- 为了提高接受免疫治疗的NSCLC患者的预后能力.
主要方法:
- HistoTME是一种弱监督的深度学习模型,用于分析NSCLC的整个幻灯片图像 (WSI).
- 该模型预测了30种特定于细胞类型的分子特征的表达.
- 模型的性能与地面真相数据进行了验证,并用于独立队列的预测.
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NSCLC患者免疫治疗反应的预后.
- 该模型在652名患者的队列中预测治疗反应的AUROC为0.75.
结论:
- HistoTME提供了一种有效的方法,可以从组织病理学图像中询问瘤微环境.
- 这种方法可以预测对免疫检查点抑制剂的反应,补充了PD-L1.1.等现有的生物标志物.
- HistoTME为NSCLC患者提供个性化的免疫瘤学策略.
