顶刊速读:《JAMA Oncology》基于深度学习的晚期非小细胞肺癌免疫治疗效果模型研究

AI与医学 · 公众号 · · 2025-01-04 01:05

正文

请到「今天看啥」查看全文

点击👆蓝字或👇名片，关注"AI与医学"

类型：超精简版

选文: 大壮

编辑: 小黄

Rakaee M , Tafavvoghi M , Ricciuti B, et al. Deep Learning Model for Predicting Immunotherapy Response in Advanced Non−Small Cell Lung Cancer. JAMA Oncol. Published online December 26, 2024. doi:10.1001/jamaoncol.2024.5356

0.前言

只有一小部分晚期非小细胞肺癌（NSCLC）患者对免疫检查点抑制剂（ICI）治疗有反应。为了实现最佳的个性化NSCLC护理，迫切需要识别最有可能从免疫治疗中受益的患者。

1.研究简介

1.1 研究目的：

开发一种基于监督深度学习的ICI反应预测方法；
评估其与其他已知预测生物标志物的性能；
并评估其与晚期NSCLC患者的临床结果的关联。

1.2 研究方法 ：

1.2.1 研究设计和数据集选择

研究人员一共收集了958名符合条件的参与者的信息。

开发队列分成两组，一组用于 训练和发展深度学习模型 ，另一组用于 测试和评估其性能 。
验证队列为了测试其普适性，深度学习模型在欧盟的3个中心接受ICI治疗的晚期或转移性NSCLC患者中进行了验证。

1.2.2研究程序

对图像进行预处理，设计并构建了一个名为Deep-IO的监督深度学习模型。 Deep-IO模型专门用于直接从组织学图像预测对ICI单药治疗的反应。
为了将全玻片 H&Eimages 分类为 TILs、肿瘤细胞或基质细胞，研究人员使用了利用随机森林算法的机器学习模型。 TILs被识别为单核免疫细胞，包括淋巴细胞和浆细胞。

1.2.3统计分析

使用验证队列的中位数和三分位数截止值对Deep-IO概率分数进行分类。
比较变量并进行生存分析
进行性能评估

2.实验结果

2.1 数据集的临床特征

患者分布包括48%女性和52%男性，平均年龄66.0岁。其中 614名患者用于模型的训练和测试， 344名患者用于外部和独立的验证。
开发和验证队列在ICI药物、性别、组织学发现、肿瘤样本类型和部位以及EGFR和KRAS状态方面具有异质性。然而，它们在可能影响ICI反应的风险因素上相似，例如治疗线、东部合作肿瘤组（ECOG）表现状态、年龄和高（≥50%）PD-L1表达。

训练模型以预测客观反应率（ORR），将反应分为应答者和非应答者。在DFCI队列中，ORR为26%（614名患者中的159名）。在欧盟验证队列中，ORR为28%（344名患者中的96名）。

2.2 深度学习模型性能和可解释性

研究每位患者的图块数量是否影响患者级别的Deep-IO得分，发现在手术或活检标本中图块数量与Deep-IO得分之间没有相关性。

在预测ICI反应方面，Deep-IO在DFCI测试集中达到了0.71的F1分数、0.70的召回率和0.73的精确度。

在独立验证队列中，模型表现出可比的性能，F1分数为0.69、召回率为0.71、精确度为0.69。

验证队列子集的性能指标与整体验证队列的性能一致，除了ICL队列表现略低。

Deep-IO模型在DFCI测试集中正确预测了55%患者的非应答状态和15%患者的应答状态，总体准确率为70%，与外部验证队列总准确率相似。

病理学家对每组应答类别中随机选择的25名患者的整个幻灯片成像进行了半定量评估，主要关注肿瘤上皮区域，应答者得分为2.3，非应答者为2.1，其次是炎症区域（应答者为1.8；非应答者为1.4）和基质（应答者为1.2；非应答者为1.0）。

2.3 深度学习模型与ICI临床终点

在验证队列中，Deep-IO得分与ICI治疗的无进展生存期（PFS）和总生存期（OS）有显著关联。

高Deep-IO得分（>中位数）的患者有显著更长的PFS和OS。
作为连续变量，Deep-IO得分在CR和PR（应答者）组中高于SD和PD（非应答者）组。
接受一线ICI治疗的患者比接受后续线治疗的患者有更高的反应率。在验证队列中，Deep-IO得分与两条治疗线的生存期显著相关。

2.4 深度学习模型在不同PD-L1 TPS亚组中的表现

在高PD-L1 (≥50%) 亚组中，Deep-IO在预测客观反应率（ORR）方面优于TILs，AUC得分为0.63。
在中等PD-L1 (1%-49%) 亚组中，Deep-IO同样优于TILs，AUC得分为0.74。
Deep-IO得分与PFS有显著关联, 在PD-L1阴性 (<1%) 亚组中，TILs/mm2 (AUC = 0.77) 在区分ICI应答者方面比Deep-IO (AUC = 0.53) 更有效。