新增长模式特异性TIL数字标记物改善了肺腺癌患者的分层
Arwa AlRubaian1,2, Ayesha Azam3, Nasir M Rajpoot1,4
1Tissue Image Analytics Centre, Department of Computer Science, University of Warwick, Coventry, UK.
The Journal of pathology
|November 15, 2025
概括
肺腺癌 (LUAD) 的预后通过一种新的AI标志物,增长模式特定的瘤透淋巴细胞 (GPS-TILs) 得到改善. 这个工具整合了瘤形态和免疫数据,以实现更准确的患者风险分层.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能在医学中的应用
背景情况:
- 肺腺癌 (LUAD) 尽管治疗方面取得了进展,但死亡率很高.
- 目前对LUAD的预后方法,包括生长模式分级和瘤透淋巴细胞 (TILs) 评分,在客观性和劳动强度方面存在局限性.
- LUAD的异质性需要综合生物标志物,将形态和免疫特征结合起来.
研究的目的:
- 开发和验证基于AI的标记物,增长模式特定的TILs (GPS-TILs),以改善LUAD患者风险分层.
- 将形态瘤生长模式与免疫微环境数据 (TILs和 stromal TILs) 整合起来,以提高预后准确性.
- 评估与传统方法相比,GPS-TILs的预后效用.
主要方法:
- 开发基于人工智能的GPS-TILs标记器,在特定的LUAD增长模式中量化TIL和stIL.
- 整合了形态和免疫微环境数据.
- 在TCGA-LUAD队列上使用Cox比例危险模型的生存分析进行预后评估.
主要成果:
- GPS-TILs标记物对整体存活期具有显著的预后价值 (p < 0.0001,C指数 = 0.59).
- 在患者分层方面,GPS-TILs的表现优于传统的基于TIL的测量方法和基于形态的分层方法.
- 这种基于人工智能的标志物有效地整合了瘤形态和免疫数据.
结论:
- GPS-TILs为LUAD患者风险分层提供了一个更客观,更有效的工具.
- 这种综合生物标志物方法有可能指导治疗决策并改善LUAD患者的治疗结果.
- 这些发现支持人工智能驱动的生物标志物在精确瘤学的临床实用性.
