基于TME引导的深度学习模型预测胃癌化疗及免疫治疗反应：注意力增强残差Swin Transformer的创新应用

本研究针对胃癌治疗中化疗和免疫治疗缺乏有效预测标志物的临床难题，开发了基于注意力增强残差Swin Transformer（AER-SwinT）的多任务深度学习模型。该研究通过分析3095例胃癌患者的CT影像和临床数据，实现了对5-氟尿嘧啶辅助化疗反应的非侵入性评估（AUC达0.900），同时可预测肿瘤微环境（TME）特征（ImmunoScore和POSTN表达）。研究发现该模型能准确识别免疫检查点抑制剂（ICIs）的潜在获益人群，为胃癌个体化治疗决策提供了新工具。

　　

胃癌治疗领域长期面临两大挑战：一是约60%的II-III期胃癌患者术后接受5-氟尿嘧啶辅助化疗后仍出现复发，但缺乏有效预测标志物；二是免疫检查点抑制剂（ICIs）虽已用于晚期胃癌治疗，但总体反应率不足20%。这些临床困境亟需开发能够整合多维度信息的精准预测工具。

针对这一需求，南方医科大学南方医院联合斯坦福大学医学院等机构的研究团队在《Cell Reports Medicine》发表了创新性研究。他们开发了名为AER-SwinT的多任务深度学习模型，通过分析术前CT影像特征，不仅可预测化疗反应，还能评估肿瘤微环境（TME）状态。该研究纳入了来自中国5个医疗中心的3095例胃癌患者，建立了迄今为止该领域最大规模的多中心队列。

研究采用的关键技术包括：1）基于Swin Transformer架构开发注意力增强的深度学习模型；2）多任务学习框架设计（主任务为化疗反应预测，子任务为ImmunoScore和POSTN表达预测）；3）来自多中心的术前CT影像和临床数据整合分析；4）免疫组化验证（CD3、CD8等免疫标志物及POSTN染色）；5）独立免疫治疗队列验证（278例接受抗PD-1治疗患者）。

【模型开发与验证】
研究团队构建的AER-SwinT模型采用四级特征提取架构，通过通道平均注意力机制动态聚焦关键区域。在内部验证队列中，该模型预测化疗反应的AUC达0.886，在四个外部验证队列中保持0.871-0.881的高精度。对TME特征的预测同样出色，ImmunoScore和POSTN表达的预测AUC分别为0.842和0.825。

【化疗获益预测】
通过倾向评分匹配分析发现，模型预测的化疗敏感（PCS）组患者接受辅助化疗后无病生存（DFS）显著改善（HR 0.351-0.600），而预测耐药（PCR）组患者则无显著获益甚至出现不良影响。这一发现为临床决策提供了重要依据。

【免疫治疗预测】
在278例接受抗PD-1治疗的晚期胃癌患者中，模型预测的高ImmunoScore/低POSTN组客观缓解率（ORR）达58.7%，显著高于低ImmunoScore/高POSTN组（12.6%）。整合PD-L1 CPS（联合阳性评分）后，预测效能进一步提升（AUC 0.782-0.828）。

【机制探索】
模型可视化分析显示，早期注意力集中于肿瘤边缘，随网络加深逐渐聚焦内部区域，这与肿瘤生物学特征高度吻合。多任务学习策略使模型通过共享TME相关特征，显著提升了单一任务的预测性能。

这项研究的重要意义在于：首次实现了基于常规CT影像的胃癌治疗反应多维度预测，解决了传统活检的侵入性和时空异质性限制。临床转化价值突出，模型可直接应用于现有诊疗流程，无需额外检查。研究建立的"影像-TME-治疗反应"关联框架，为其他癌种的精准治疗预测提供了范式。未来需在前瞻性临床试验中验证其临床效用，并探索与基因组等组学数据的整合。

值得注意的是，该模型在预测免疫治疗反应方面展现出优于PD-L1 CPS的效能，为解决当前免疫治疗生物标志物不足的难题提供了新思路。研究者特别指出，这种非侵入性方法可实现治疗过程中的动态监测，这对评估TME时空演化具有重要意义。研究也存在一定局限性，如回顾性设计、东亚人群为主等，需要在更广泛人群中进一步验证。