《Oncology Reviews》:Addressing unmet clinical needs in treatment-resistant breast cancer: expanding the diagnostic–prognostic landscape through next-generation inflammatory signatures
编辑推荐:
中文摘要翻译
治疗耐药性乳腺癌仍是一项重大临床挑战,因为传统的临床病理学和分子生物标志物无法完整捕捉肿瘤细胞、免疫、炎症及全身宿主反应之间的动态相互作用。新一代炎症特征(next-generation inflammatory signatures)通过将细胞
中文摘要翻译
治疗耐药性乳腺癌仍是一项重大临床挑战,因为传统的临床病理学和分子生物标志物无法完整捕捉肿瘤细胞、免疫、炎症及全身宿主反应之间的动态相互作用。新一代炎症特征(next-generation inflammatory signatures)通过将细胞、分子、免疫及血栓炎症指标与已确立的肿瘤特征相整合,为拓展诊断-预后图景提供了机遇。本叙述性综述(narrative review)批判性地审视了中性粒细胞-淋巴细胞比值(neutrophil-to-lymphocyte ratio,NLR)、血小板-淋巴细胞比值(platelet-to-lymphocyte ratio,PLR)、全身免疫炎症指数(systemic immune-inflammation index,SII)、全身炎症反应指数(systemic inflammation response index,SIRI)、C反应蛋白(C-reactive protein,CRP)、细胞因子(cytokines)、肿瘤相关巨噬细胞(tumour-associated macrophages,TAMs)、髓源性抑制细胞(myeloid-derived suppressor cells,MDSCs)、中性粒细胞胞外陷阱(neutrophil extracellular traps,NETs)、凝血生物标志物及液体活检来源指标在治疗耐药性乳腺癌中的新兴证据。研究特别关注异质性来源,包括人群特征、肿瘤亚型、治疗暴露、合并炎症、采样时间、标本处理、分析平台及不一致的生物标志物阈值。本综述进一步评估了从生物标志物发现到临床决策支持的转化过程,强调了前瞻性多中心验证、标准化分析流程、计算模型的外部验证以及与分子分型、循环肿瘤DNA(circulating tumour DNA,ctDNA)、影像学和免疫谱分析整合的必要性。与其将炎症解释为静态的预后变量,纵向炎症轨迹(longitudinal inflammatory trajectories)可能为生物学治疗耐药性提供更早的信号,并补充常规疾病进展指标。未来研究应建立具有临床可操作性的炎症组合,并评估生物标志物指导的抗炎策略与标准疗法联合应用的价值。最终,将炎症表型与肿瘤分子特征相整合,可能有助于更早识别耐药性,并实现更精准、动态且公平的乳腺癌管理。
论文主体内容总结
1 引言
乳腺癌是一种生物学高度异质性的疾病,也是全球女性癌症相关死亡的主要原因。尽管在筛查、分子分型和靶向治疗方面取得了显著进展,治疗耐药性的出现仍持续损害长期临床结局。耐药性可以是内在的或获得性的,涵盖内分泌治疗、细胞毒性化疗、HER2靶向药物及免疫治疗等主要治疗模式。传统观点以基因组改变和克隆演化为主要耐药机制,但现已明确,这些肿瘤内在机制运行于动态调控的肿瘤微环境(tumour microenvironment,TME)之中,而炎症是该微环境的核心组织原则。癌症相关炎症不再是旁观者,而是肿瘤进展的促进性标志。在乳腺癌中,持续性炎症信号协调恶性细胞、基质成分和浸润免疫群体之间的复杂相互作用。白细胞介素-6(IL-6)、白细胞介素-8(IL-8)、肿瘤坏死因子-α(TNF-α)和转化生长因子-β(TGF-β)等细胞因子驱动上皮-间质转化(epithelial–mesenchymal transition,EMT)、血管生成、免疫逃逸和癌症干样细胞的维持等关键致癌过程。NF-κB、JAK/STAT和炎症小体激活等炎症信号通路建立自我强化的反馈环路,在药物压力下维持肿瘤生存,从而将炎症与治疗难治性直接联系起来。
传统乳腺癌管理生物标志物——如激素受体状态、HER2表达和增殖指数——显著改善了患者分层,但对疾病进展的动态和全身性组分提供的洞察有限。传统炎症标志物如C反应蛋白(CRP)缺乏特异性,无法捕捉肿瘤相关炎症的空间和时间复杂性。这一缺口推动了新一代炎症特征的发展,其整合了来自肿瘤组织、外周血以及液体活检等非侵入性平台的多维数据。高通量转录组学、蛋白质组学和代谢组学实现了对炎症相关通路的全面分析;单细胞测序和空间转录组学进一步描绘了TME内免疫浸润的异质性和空间组织;机器学习等计算方法促进了复杂数据集向临床可操作预测模型的整合。
2 方法
本叙述性综述旨在批判性综合和解读治疗耐药性乳腺癌中新一代炎症特征的相关证据,重点关注其诊断、预后和转化意义。研究采用结构化文献检索策略,检索PubMed、Scopus、Web of Science和Google Scholar等数据库,结合受控词汇和自由文本术语,涵盖"乳腺癌""治疗耐药性""炎症""细胞因子""免疫生物标志物""肿瘤微环境""液体活检"和"多组学特征"等关键词。纳入标准为涉及与乳腺癌进展、治疗耐药性、预后或诊断分层相关的炎症机制或生物标志物的研究,优先考虑原始研究、高质量系统综述和涉及人类受试者的转化研究。数据提取聚焦四个主要领域:耐药通路中的炎症介质、免疫细胞和全身炎症指数、多组学和液体活检来源的炎症特征,以及诊断、预后和治疗决策中的临床应用。证据按主题组织以反映生物学机制、生物标志物发展和临床转化,重点整合趋同证据以构建炎症驱动治疗耐药性的连贯概念框架。
3 治疗耐药性背后的炎症机制
治疗耐药性日益被理解为一个系统层面的现象,其中肿瘤内在适应与持续激活的炎症微环境紧密耦合。恶性细胞利用炎症信号维持增殖、逃避细胞死亡并重塑周围基质和免疫组分。IL-6驱动的JAK/STAT3轴激活促进肿瘤细胞存活、抑制凋亡并维持癌症干样表型;IL-8通过CXCR1/2信号促进趋化、血管生成和干样亚群的富集;TNF-α通过经典NF-κB激活诱导抗凋亡基因表达;TGF-β在驱动EMT方面尤为重要。这些细胞因子驱动的通路汇聚于NF-κB和STAT3等关键转录调控因子,其持续激活建立正反馈环路,不仅缓冲肿瘤细胞应对治疗压力,还促进代谢重编程、氧化应激耐受和表观遗传可塑性。肿瘤微环境中,肿瘤相关巨噬细胞(TAMs)常呈现M2样免疫抑制表型,分泌IL-10、TGF-β和血管内皮生长因子(VEGF);髓源性抑制细胞(MDSCs)通过精氨酸酶活性、一氧化氮和活性氧产生抑制T细胞增殖;中性粒细胞通过释放蛋白酶和中性粒细胞胞外陷阱(NETs)促进细胞外基质重塑和转移播散。这种免疫抑制环境直接削弱免疫检查点抑制剂等免疫疗法的疗效。在激素受体阳性乳腺癌中,炎症信号与雌激素受体(ER)通路交叉对话,导致非配体依赖性激活和对内分泌治疗敏感性降低;在HER2阳性疾病中,炎症介质可激活绕过HER2抑制的代偿信号通路。NLRP3炎症小体激活导致IL-1β和IL-18成熟,进一步放大局部和全身炎症。全身炎症指标如NLR和PLR的升高反映了向促肿瘤全身状态的转变,并与较差治疗反应相关。
4 新一代炎症生物标志物
乳腺癌生物标志物科学正从还原论的单分析物方法向整合框架转变。在分子层面,多重细胞因子和趋化因子分析揭示了与耐药相关的炎症"指纹",IL-6、IL-8、CXCL10、CCL2等介质在耐药表型中常共同出现。免疫细胞生物标志物方面,NLR、PLR和淋巴细胞-单核细胞比值(LMR)等传统指数仍是临床可及的系统性炎症替代指标,但通过纳入细胞表型和功能属性可增强其解释力。多组学来源的炎症特征通过整合转录组、蛋白质组、表观基因组和代谢组数据,捕捉单平台分析无法发现的通路水平扰动。液体活检技术进一步扩展了炎症生物标志物评估的范围和临床可行性,循环肿瘤细胞(CTCs)、游离DNA(cfDNA)和细胞外囊泡(EVs)提供了微创的肿瘤生物学窗口,外泌体相关microRNAs(miRNAs)和蛋白质可系列测量,实现耐药演变的实时追踪。复合炎症指数的开发将实验室、分子和临床参数整合为统一评分系统,机器学习等计算方法可识别高维数据中的非线性关系和预测模式。
5 诊断应用
新一代炎症特征在治疗耐药性乳腺癌中的诊断价值在于其检测先于明显临床或影像学进展的生物学变化的能力。纵向分析细胞因子网络、免疫细胞分布和循环炎症介质可识别提示治疗失败的微妙但协调的转变。例如,IL-6、IL-8或趋化因子簇的升高伴随细胞毒性淋巴细胞活性下降,可能在影像学稳定时即提示促肿瘤炎症微环境的确立。炎症特征可增强基线诊断分层,补充既定分子分型框架,区分免疫"热"与"冷"肿瘤。液体活检平台将循环炎症介质与ctDNA、CTCs和细胞外囊泡整合,实现微创、可重复的疾病状态评估。炎症特征还有助于区分真正疾病进展与治疗相关效应,如免疫治疗中的假性进展。在微小残留病灶(MRD)识别方面,高灵敏度检测低水平炎症扰动与分子残留病灶检测整合,可改善复发风险患者的识别。
6 预后意义
新一代炎症特征通过提供超越肿瘤内在特征的多维疾病生物学视图,重塑治疗耐药性乳腺癌的预后评估。循环细胞因子升高——特别是IL-6、IL-8、TNF-α和TGF-β——与难治性疾病患者的总生存期和无进展生存期缩短相关。NLR和PLR等全身炎症指数作为促肿瘤炎症与抗肿瘤免疫监视之间平衡的可及替代指标,其升高与较差结局一致相关。组织层面,高密度肿瘤浸润淋巴细胞(TILs)——特别是活化CD8+ T细胞——通常与良好结局相关,而M2样TAMs和MDSCs等免疫抑制群体的富集预示更具侵袭性的病程。多组学来源的炎症特征通过整合转录组、蛋白质组和代谢数据,在预测复发、转移潜能和生存方面持续优于单一生物标志物。炎症生物标志物的动态特性支持纵向预后评估,治疗过程中炎症特征的变化往往先于临床终点。
7 转化与治疗视角
新一代炎症特征从描述性生物标志物向临床可操作工具的成熟正在重新定义治疗耐药性乳腺癌的治疗策略。炎症谱分析可识别主导耐药回路——如IL-6/JAK/STAT3激活、TNF–NF-κB信号或TGF-β驱动的基质重塑——为标准方案未充分覆盖的靶点提供依据。炎症特征还可优化免疫治疗部署,通过多维读数区分炎症型、免疫排斥型和免疫荒漠型表型,指导检查点抑制剂是作为单药有效还是需要启动策略。液体活检的系列测量实现治疗诱导免疫重塑的近实时追踪,早期向促肿瘤炎症状态的转变可提示即将出现的耐药性,支持预防性治疗调整。计算肿瘤学框架整合炎症数据与基因组学、影像学和临床变量,机器学习模型将复杂的非线性关系提炼为风险评分和治疗建议,但这些模型必须可解释并经外部验证。
8 人工智能预测非小细胞肺癌免疫治疗反应
免疫检查点抑制剂显著改变了非小细胞肺癌(NSCLC)的治疗格局,但临床反应仍存在异质性。人工智能(AI)提供了整合多维度变量以生成更全面免疫治疗反应预测的机会。早期AI方法探索了常规临床和血液学参数,但NLR等炎症指数的生物学特异性有限。放射组学通过提取定量影像特征捕捉肿瘤异质性、坏死、血管分布和空间结构;数字病理学和病理组学可量化肿瘤形态、免疫细胞浸润和空间关系。多模态AI的机遇在于将影像、病理、分子特征、临床变量和免疫相关测量整合到统一预测框架中,但当前许多模型基于回顾性小规模单机构数据集,性能可能反映机构特定特征而非可推广的生物学关系。预后信息与预测信息的区分至关重要,未来研究应纳入治疗对照设计,并整合PD-L1表达、肿瘤突变特征、TILs、T细胞状态、髓系细胞群体和免疫耗竭标志物等生物学信息变量。
9 从生物标志物发现到临床决策支持
从炎症生物标志物发现到临床决策支持的转化,需要的不仅是证明与生存或治疗反应的统计学关联。生物标志物必须经历分析有效性、生物学有效性、临床有效性、临床效用和实施可行性等阶段才能可靠影响治疗决策。新一代炎症特征应在前瞻性、多中心、纵向队列中开发,采用协调统一的血液采集、处理、储存和检测流程及预定义分析阈值。炎症测量应结合乳腺癌亚型、治疗暴露、感染、代谢状态、皮质类固醇使用等潜在混杂因素进行解读。系列测量可能比单次值更具信息量,因为治疗耐药性是一个动态过程。机器学习等多组学整合方法可将炎症指标与ctDNA、肿瘤基因组学、TILs、蛋白质组学、影像学和临床病理特征相结合,但回顾性数据集衍生模型可能受过度拟合、选择偏倚和数据集漂移影响,需进行独立验证、校准评估和前瞻性临床效用评价。
10 多模态人工智能与NSCLC综合精准肿瘤学
放射学、病理学、分子、临床和纵向患者数据的日益可及创造了开发多模态AI系统的机会。与单模态模型不同,多模态AI整合互补信息以生成肿瘤生物学和患者状态的更全面表征。放射组学提供肿瘤表型、空间异质性和纹理的定量信息;病理组学表征细胞形态、肿瘤结构和免疫浸润;分子数据集提供驱动改变和通路激活信息;临床和实验室变量补充疾病分期、合并症和全身炎症状态。多模态整合面临重大方法学挑战:不同模态数据很少以相同协议或同一时间获取,导致时间错配;数据在规模、格式、分辨率和完整性方面存在差异。数据协调是成功多模态AI的核心要求。缺失数据是另一重要挑战,缺失可能具有信息性而非随机性。模态整合方式影响模型性能,早期融合、晚期融合和中间策略各有适用场景。可解释性对多模态模型尤为重要,但计算可解释性不应自动等同于生物学因果性。
11 技术异质性与数据集漂移
AI模型在NSCLC中的临床性能和泛化能力受到技术异质性和数据集漂移的强烈影响。医学影像中,扫描仪厂商、采集参数、层厚、重建算法和预处理流程的差异可能改变放射组学特征。数字病理学中,组织固定、染色强度、切片制备和扫描仪特性的差异可引入批次效应。机构间患者人口统计学、疾病患病率、治疗路径和实验室流程的差异进一步促成数据集漂移。当部署人群的统计分布与训练人群不同时,模型可能出现判别能力下降、校准不良和临床效用丧失。内部测试集的高性能并不必然证明跨独立人群的稳健性,模型可能无意中学习机构特定或采集特定信号而非生物学有意义的特征。
12 未来方向
未来研究应从前瞻性多中心验证炎症特征组合(NLR、PLR、SII、SIRI、CRP、细胞因子、NET相关标志物、血小板/凝血参数、TAMs和MDSCs谱)开始,在不同乳腺癌亚型、疾病阶段、治疗方案和人群中进行测试,优先考虑治疗前、治疗中和疑似进展时的系列采样。标准化和整合方面,需协调血液采集、处理、储存和分析平台,并将炎症特征与ctDNA、转录组学、蛋白质组学、代谢组学、免疫细胞表型、空间分析和影像学整合。炎症特征应补充而非取代ER、PR、HER2和分子分型,在特定分子亚组内确定炎症表型是否提供额外预测信息。生物标志物指导的抗炎策略临床试验应采用生物标志物定义的患者选择、系列炎症监测和临床有意义的终点。动态耐药预测模型的开发应超越静态阈值,整合炎症轨迹与ctDNA和影像学。资源有限环境中的公平性和实施方面,常规血液学和生化检测衍生的低成本炎症指标可为无法获得先进基因组检测的地区提供精准肿瘤学的切入点,验证应纳入非洲等历史上代表性不足的人群。最终,该领域必须证明炎症特征不仅能与不良结局相关,还能改变治疗决策、更早识别耐药性、减少无效治疗暴露并改善患者结局。
13 AI在NSCLC中的局限性与临床转化
尽管AI在NSCLC诊断、风险分层、治疗选择和监测方面具有巨大潜力,重要局限性仍制约其从研究环境向常规临床实践的转化。数据集质量、代表性和异质性是一大关切,许多已发表研究依赖回顾性单中心数据集。技术异质性方面,CT采集参数、病理染色和扫描平台的差异可产生数据集漂移。特征可重复性和方法学透明度同样重要,放射组学和病理组学特征可能对采集和分割程序敏感,复杂深度学习模型的预测难以从生物学角度解释。多模态数据整合方面,不同时间点、不同平台和不同完整性生成的数据需要稳健的数据协调和缺失数据策略。AI的预测性能应与临床有用性区分,模型可能表现出优秀的统计性能而不改善临床决策或患者结局。临床转化需要评估校准、决策曲线性能、净临床获益、工作流程兼容性、可解释性和成本效益。AI应增强而非自动取代临床判断,特别是涉及侵入性操作、治疗升级或撤药等高风险决策时。
14 结论
治疗耐药性乳腺癌体现了静态诊断和预后框架在面对生物学动态疾病时的局限性。炎症作为治疗耐药性核心驱动因素的日益认识催生了新一代炎症特征的发展,其超越了传统生物标志物范式。通过将细胞因子网络、免疫细胞表型和全身炎症指标与多组学和计算分析整合,这些特征提供了对肿瘤行为更全面和时间响应性的理解。在诊断连续谱中,炎症生物标志物实现耐药性的更早检测、更精细的基线分层和疾病演变的实时监测。在预后方面,它们同时捕捉肿瘤侵袭性和宿主免疫能力,提供优于单参数模型的风险判别。其转化意义延伸至治疗决策,指导生物标志物引导的联合策略、优化免疫治疗部署并支持基于纵向疾病追踪的适应性治疗方法。