在肝细胞癌患者中,使用机器学习对 pembrolizumab 和 lenvatinib 有好处的免疫特征

科学领域:

• 免疫学 免疫学 免疫学
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 不切除的肝细胞癌 (uHCC) 治疗通常涉及组合免疫疗法,如pembrolizumab加lenvatinib (PL).
• 预测患者对HPCC的PL治疗的反应仍然是一个重大的临床挑战.
• 确定治疗疗效的生物标志物对于优化患者治疗结果至关重要.

研究的目的:

• 为了比较响应 (R) 和不响应 (NR) 于PL治疗的hHCC患者之间的免疫细胞概况 (ICP).
• 确定特定的免疫细胞亚群,区分响应者和非响应者.
• 开发一种机器学习模型,以基于基线ICP来预测治疗反应.

主要方法:

• 预期招募51名接受PL治疗的HHCC患者.
• 在开始治疗之前收集和分析周围血液免疫细胞概况.
• 使用基线ICP数据开发机器学习模型,以分类响应者和非响应者.

主要成果:

• 受访者显示总T细胞,CD8T细胞和PD-1+亚群 (CD4T细胞,CD8T细胞,NK细胞) 的水平较高.
• 没有反应的人表现出更高比例的PD-L1+单细胞.
• 基于ICP的机器学习模型在区分响应者和非响应者方面实现了100%的灵敏度和66.7%的特异性.

结论:

• 独特的免疫细胞概况与HHCC患者对PL治疗的反应或进展有关.
• 关键的免疫亚群,包括CD8 T细胞,PD-1+ CD8 NK细胞和PD-L1+单细胞,对预测治疗结果有着显著的贡献.
• 这些发现支持开发用于指导组合免疫疗法选择的预测工具在HHCC.