基于病理学的机器学习模型预测了头部和部状细胞癌患者的干扰素马表达
Jintao Yu1, Wei Teng2, Gang Yu1
1Department of Otolaryngology, The First Hospital of China Medical University, Shenyang, China.
Frontiers in immunology
|December 10, 2025
概括
来自组织病理学图像的病理学可以预测头部和部状细胞癌 (HNSCC) 中的干扰素-马 (IFNG) 表达. 这一发现为HNSCC提供了一个新的生物标志物,可能引导个性化治疗.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算病理学计算病理学
背景情况:
- 干扰素- (IFNG) 对于头部和部状细胞癌 (HNSCC) 的免疫反应至关重要.
- IFNG影响免疫检查点抑制剂在HNSCC治疗中的疗效.
- 了解IFNG表达对于HNSCC病理生理学和治疗策略至关重要.
研究的目的:
- 开发一种机器学习模型,使用HNSCC中的基因病理图像预测IFNG表达.
- 通过病理学分析HNSCC中的瘤免疫微环境.
- 建立IFNG表达,病理和患者生存结果之间的联系.
主要方法:
- 利用了271个TCGA-HNSCC病例和71个医院验证病例.
- 应用OTSU算法用于瘤细分和PyRadiomics用于特征提取 (1488个特征).
- 采用mRMR和RFE进行特征选择,构建一个梯度增强机 (GBM) 模型.
主要成果:
- GBM模型实现了强大的生存预测性能 (AUC:0.836培训,0.753验证,0.740医院).
- 观察到明显的途径激活模式,在高PS子组中,免疫逃避途径突出.
- 在HNSCC患者中,高IFNG表达与更长的中位生存时间相关.
结论:
- 对基因病理图像的病理学分析可以有效地预测HNSCC中的IFNG表达.
- IFNG和病理学之间的相关性作为HNSCC的生物标志物框架.
- 这种方法可能能够为个性化HNSCC疗法进行免疫微环境的非侵入性表征.


