肺非典型类癌与肺大细胞神经内分泌癌的数字免疫表型分析揭示三种具有特定肿瘤免疫微环境特征的亚型

《Endocrine Pathology》：Digital Immunophenotyping of Lung Atypical Carcinoids and Large Cell Neuroendocrine Carcinomas Identifies Three Subtypes With Specific Tumor-Immune Microenvironment Features

本研究针对肺非典型类癌（AC）和肺大细胞神经内分泌癌（LCNEC）治疗策略存在争议的现状，通过免疫组化染色和数字病理分析技术，对160例手术切除样本的T细胞标志物（CD3、CD8）、免疫检查点（PD-1、PD-L1）、HLA分子和成纤维细胞（α-SMA）进行定量分析。研究发现LCNEC具有更活跃的免疫微环境，并通过特征选择算法识别出三个具有不同预后特征的免疫簇，为神经内分泌肿瘤的免疫治疗提供了新的分类依据。

　　

肺神经内分泌肿瘤是一组具有高度异质性的恶性肿瘤，其中非典型类癌（AC）和大细胞神经内分泌癌（LCNEC）分别被世界卫生组织定义为中级别和高级别肿瘤。尽管基于形态学标准进行了明确分类，但这两类肿瘤的临床治疗策略仍存在较大争议。尤其令人困扰的是，AC虽然属于中级别肿瘤，却具有较高的复发风险，而LCNEC作为高级别肿瘤，其治疗方案往往需要借鉴小细胞肺癌和非小细胞肺癌的治疗经验，缺乏统一标准。这种治疗困境很大程度上源于对这两类肿瘤生物学行为认识的不足，特别是对其肿瘤微环境特征了解的匮乏。

近年来，肿瘤微环境（TME）和肿瘤浸润淋巴细胞（TILs）在肿瘤预后和治疗反应中的作用日益受到重视。在神经内分泌肿瘤领域，尤其是胃肠胰神经内分泌肿瘤中，TME组分和炎症标志物如HLA、CD3、CD8和PD-1/PD-L1已被证明具有重要的预后和预测价值。然而，对于肺AC和LCNEC中TILs的组成、空间分布以及免疫检查点分子的表达情况，目前仍缺乏系统性的研究。

为了解决这一知识空白，由Giovanni Centonze领衔的研究团队在《Endocrine Pathology》杂志上发表了一项突破性研究。研究人员收集了来自五个意大利医疗中心的56例AC和104例LCNEC手术切除样本，这些样本都经过中央病理复查确认诊断。研究采用免疫组织化学方法检测了T细胞标志物（CD3、CD8）、免疫检查点（PD-1、PD-L1）、HLA分子（HLA-DR、HLA-I）和成纤维细胞标志物（α-SMA）的表达。更重要的是，研究团队运用先进的数字病理分析技术，对全切片图像进行自动量化，特别关注了不同肿瘤区域（浸润边缘和中央肿瘤区）的免疫细胞分布特征。

关键技术方法包括：基于多中心回顾性队列的样本收集与中央病理复核；免疫组织化学检测TME标志物；全切片扫描与数字图像分析；机器学习特征选择算法（Boruta）和主成分分析进行患者分型。

Cohort Characteristics and TME Marker Distribution

研究发现LCNEC在多个免疫指标上显著高于AC。LCNEC表现出更高的CD3⁺和CD8⁺T细胞密度（p<0.001），无论位于肿瘤内还是间质区域。免疫检查点标志物也同样在LCNEC中更为丰富，PD-1在肿瘤内和肿瘤外区域表达均较高（p<0.001）。特别值得注意的是，肿瘤细胞PD-L1表达仅见于LCNEC（p<0.001），而AC中完全未见表达。相反，AC则表现出更高的α-SMA表达（p=0.002），提示其具有更强的基质驱动生物学特性。

CD3 and CD8 Digital Quantification and Pathologist Agreement

数字分析结果证实了LCNEC具有更高的肿瘤内TILs（iTILs）和间质TILs（sTILs）密度（p<0.001）。

有趣的是，在AC和LCNEC中，浸润边缘（IM）的CD3和CD8 TILs中位密度均显著高于中央肿瘤区（CT）（p<0.001）。数字分析与病理医师手动计数之间显示出中等程度的一致性，Pearson相关系数在0.62-0.78之间（p<0.0001），其中CD8肿瘤内定量的一致性最高（r=0.78）。

Digital Pathology-Based Feature Selection

通过Boruta特征选择算法，从207个初始参数中筛选出31个关键特征，其中CD8相关参数占主导地位，突出了CD8⁺T细胞浸润模式在区分AC和LCNEC免疫微环境中的核心作用。

Immune-Based Clustering and Clinical Relevance

基于主成分分析和层次聚类，研究识别出三个具有显著临床意义的患者集群：Cluster 1主要由AC组成（39例AC和13例LCNEC），具有低TIL密度和较好的预后；Cluster 2为混合组（14例AC和52例LCNEC），具有中等TIL密度和中等预后；Cluster 3则主要由LCNEC组成（39例LCNEC和3例AC），具有高TIL密度和最差预后。

生存分析显示，这三个集群在总生存期（OS）和无病生存期（DFS）上存在显著差异（p<0.001）。

Cluster 3表现出独特的TME特征，具有最高的TILs密度、HLA抗原表达和免疫抑制标志物水平。肿瘤PD-L1表达与Cluster 3强相关（p<0.001），这提示该亚组患者可能从免疫检查点抑制剂治疗中获益。

研究结论强调，AC和LCNEC可以根据其免疫微环境特征被分为三个不同的免疫亚型，这种分类超越了传统的WHO形态学分类。Cluster 1（AC富集型）代表免疫"荒漠"表型，Cluster 2（混合型）具有中等免疫活性，而Cluster 3（LCNEC富集型）则表现为免疫"炎症"表型，具有最强的免疫激活状态和最差的预后。这些发现为理解肺神经内分泌肿瘤的生物学行为提供了新的视角，并为开发个性化的免疫治疗策略奠定了理论基础。特别是Cluster 3中高度表达的PD-L1提示这部分LCNEC患者可能是免疫治疗的潜在获益人群。未来研究需要整合基因组学和免疫学数据，以进一步验证这些免疫亚型的临床意义并优化治疗选择。