在NSCLC中基于深度学习的PD-L1表达的评估预测了用抗PD-1免疫疗法治疗的患者的结果
Morgane Peroz1, Nicolas Roussot1,2, Alis Ilie1
1Université Bourgogne Europe, Centre Georges-François Leclerc, Unicancer, Cancer Biology Transfer Platform, UMR INSERM 1231, Therapies and Immune Response in Cancers (TIRECs) team, Dijon, France.
Frontiers in immunology
|March 2, 2026
概括
在PD-L1 IHC幻灯片上的深度学习识别了组织学模式,可以预测使用抗PD-1治疗的非小细胞肺癌 (NSCLC) 患者的结果,从而提高了超越标准生物标志物的预后准确性.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物标志物发现发现
背景情况:
- 编程死亡配体1 (PD-L1) 表达是非小细胞肺癌 (NSCLC) 抗PD-1疗法的关键生物标志物.
- 在NSCLC中PD-L1表达的预后价值仍在争论中.
- 组织学模式可能提供额外的预后信息.
研究的目的:
- 调查深度学习 (DL) 的实用性,应用于PD-L1免疫组织化学 (IHC) 幻灯片,以识别可预测患者结果的组织学模式.
- 评估基于DL的组织学模式是否可以改善抗PD-1治疗NSCLC患者的预后.
主要方法:
- 对两组独立的NSCLC群体 (MSK和CGFL) 进行分析,这些群体接受了抗PD-1疗法.
- 应用深度学习基础模型 (UNI) 来从PD-L1 IHC幻灯片中提取特征.
- 聚类DL特征以确定基于组织学的子组,并评估它们与无进展生存 (PFS) 和总生存 (OS) 的关联.
主要成果:
- 深度学习确定了两个不同的患者群 (DL高和DL低) 在两个队列中具有显著不同的PFS.
- DL分类与PD-L1瘤比例得分 (TPS) 相相关,但即使在高TPS组 (≥50%) 中也提供了预后分层.
- 结合DL组和临床变量组合的组合模型表明,与单独临床因素相比,PFS预测得到了改善.
结论:
- 对PD-L1 IHC幻灯片的深度学习分析可以识别与抗PD-1治疗NSCLC的结果相关的可重现的组织形态学模式.
- 这种DL方法提供了超越传统PD-L1评分的预后信息.
- 将DL与临床因素相结合,可以提高NSCLC患者预测结果的准确性.
