拉曼光谱联合机器学习预测前列腺癌HDR近距离放疗后免疫浸润的创新模型研究

《Scientific Reports》：Modelling of immune infiltration in prostate cancer treated with HDR-brachytherapy using Raman spectroscopy and machine learning

本研究针对前列腺癌免疫抑制微环境难以实时监测的临床难题，通过整合拉曼光谱与群体基约束非负矩阵分解（GBR-NMF）技术，构建了高精度预测肿瘤浸润免疫细胞密度的机器学习模型。研究团队基于HDR-BT治疗前后穿刺活检样本，成功建立了CD68+/CD8+比值（RMSE:0.25, R2:0.82）和CD68++CD3+密度（RMSE:163 counts/mm2, R2:0.65）的预测模型，并首次揭示谷胱甘肽、胶原等代谢物与免疫细胞动态变化的关联。该成果为前列腺癌放疗疗效评估提供了无标记、高灵敏度的新方法，发表于《Scientific Reports》。

　　

前列腺癌作为男性最高发的恶性肿瘤之一，其治疗过程中面临的重大挑战在于肿瘤微环境的免疫抑制特性。尽管放疗（如高剂量率近距离放疗HDR-BT）能有效杀伤肿瘤细胞，但治疗后免疫细胞动态变化的监测仍依赖侵入性活检和免疫组化染色，缺乏实时、无创的评估手段。这一局限阻碍了个体化治疗策略的优化。为此，Sandra N. Popescu团队创新性地将拉曼光谱技术与机器学习相结合，试图通过肿瘤组织的代谢指纹解码免疫浸润的奥秘。

研究团队选取8例中危前列腺腺癌患者，在HDR-BT首次分次放疗（13.5 Gy）前及2周后采集穿刺活检样本。通过拉曼光谱获取组织生化信息，并结合群体基约束非负矩阵分解（GBR-NMF）算法，将光谱数据分解为36种代谢物（如谷胱甘肽、胶原、棕榈酸等）的相对丰度评分。同时，对相邻组织切片进行CD68⁺（巨噬细胞）、CD3⁺（T细胞）、CD8⁺（细胞毒性T细胞）的多重免疫组化染色，量化免疫细胞密度。采用留一交叉验证（LOO）框架，比较线性回归、弹性网络、随机森林、梯度提升树和极端随机树等机器学习模型对免疫参数的预测性能。

免疫细胞密度与GBR-NMF评分在放疗后的变化

放疗后活检显示巨噬细胞（CD68⁺）密度显著增加2.5倍，而细胞毒性T细胞（CD8⁺CD3⁺）密度下降50%，提示放疗诱导了免疫抑制微环境的重塑。GBR-NMF分析发现，谷胱甘肽评分在放疗后显著上升（p=0.025），而磷脂酰胆碱评分下降（p=0.030）。相关性分析进一步揭示，放疗后谷胱甘肽和柠檬酸评分与CD8⁺T细胞密度呈负相关（p<0.01），甲硫氨酸和磷脂酰丝氨酸与巨噬细胞密度正相关（p<0.01）。

回归模型性能与优化

在预测CD68⁺/CD8⁺比值时，弹性网络模型表现最优（RMSE:0.25, R²:0.82），其关键特征包括放疗状态标签、谷胱甘肽、胶原和棕榈酸评分。梯度提升树模型对CD68⁺+CD3⁺密度的预测误差最低（RMSE:163 counts/mm²），重要特征为甘油、柠檬酸和DNA评分。模型准确度（预测值在实测值±1标准差内）分别达12/16和11/16。

组织分区的免疫参数预测

在基质和上皮组织中，CD68⁺/CD8⁺比值的预测模型（极端随机树）仅需3个特征：放疗标签、谷胱甘肽（基质）和胶原（上皮）。这表明不同组织区域的免疫调节依赖特定代谢通路，如谷胱甘肽在基质中调控氧化应激反应，胶原在上皮中影响巨噬细胞趋化。

结论与意义

本研究首次证实拉曼光谱联合GBR-NMF与机器学习可无创、精准预测前列腺癌放疗后的免疫细胞动态。发现的关键代谢物（如谷胱甘肽、胶原）为理解肿瘤免疫代谢交互提供了新视角，有望推动个体化放疗策略和免疫代谢靶向疗法的开发。尽管样本量有限，该技术框架为临床转化奠定了坚实基础，未来或可扩展至液体活检实现动态监测。