人工智能驱动的空间细胞现象学增强了非小细胞肺癌的风险分层
Simon Schallenberg1, Gabriel Dernbach1,2, Sharon Ruane2
1Institute of Pathology, Charité - Universitätsmedizin Berlin, corporate member of Freie Universität Berlin, Humboldt-Universität zu Berlin and Berlin Institute of Health, Berlin, Germany.
Nature communications
|November 3, 2025
概括
人工智能和多重成像增强非小细胞肺癌 (NSCLC) 患者的风险分层. 这种方法可以识别瘤微环境中的免疫细胞模式,改善治疗选择,并可能使高风险患者受益.
科学领域:
- 计算病理学计算病理学
- 癌症免疫学 癌症免疫学
- 人工智能在瘤学中的应用
背景情况:
- 准确的风险分层对于选择非小细胞肺癌 (NSCLC) 最佳疗法至关重要.
- 瘤微环境的复杂细胞相互作用显著影响癌症的进展和患者的结果.
- 目前的分期方法可能无法完全捕捉嵌入瘤微环境中的预后信息.
研究的目的:
- 开发一种基于人工智能 (AI) 的空间细胞学方法,用于NSCLC风险分层.
- 描述复杂的细胞关系,并确定瘤微环境中的预后细胞.
- 通过将人工智能驱动的成像分析与传统分期相结合,改善风险分层和治疗选择.
主要方法:
- 利用了来自两个德国癌症中心的1168名NSCLC患者的回顾性队列.
- 结合组织学与多重免疫光成像,分析43种不同的细胞表型.
- 采用多式机器学习来建模空间细胞关系,并识别与生存相关的细胞.
主要成果:
- 人工智能模型在瘤微环境中确定了与患者存活相关的特定细胞.
- 在将利基模式与传统分期结合时,肺腺癌的风险分层精度提高了14%,状细胞癌的风险分层精度提高了47%.
- 复杂的免疫细胞利基模式有效地识别了高风险的NSCLC患者,他们可能会从辅助疗法中受益.
结论:
- 人工智能驱动的空间细胞学和多重成像为了解NSCLC瘤微环境提供了强大的工具.
- 鉴定出免疫细胞利基模式可以显著提高预后准确性,并指导治疗决策.
- 这种方法有望识别治疗不足的高风险患者,优化治疗选择,改善NSCLC的结果.
