一种新型群体智能驱动特征选择方法用于基于多参数MRI的胶质母细胞瘤整体生存分析的可解释机器学习

《Cancers》：A Novel Swarm Intelligence-Driven Feature Selection for Interpretable Machine Learning in Multiparametric MRI-Based GBM Overall Survival Analysis

　　

背景：Buparlisib联合紫杉醇在BERIL-1试验中改善了复发/转移性头颈部鳞状细胞癌（R/M HNSCC）患者的生存。然而，预测获益的生物标志物尚未明确。目的：评估使用人工智能（AI）从苏木精-伊红（H&E）切片中提取的空间生物标志物能否预测buparlisib带来的整体生存获益。方法：采用深度学习模型分析BERIL-1试验患者的全切片H&E图像，该模型经过训练以分割组织室并分类细胞表型。评估了三个预先定义的空间特征：肿瘤浸润淋巴细胞密度、肿瘤微环境异质性和肿瘤浸润边缘的粒细胞分数。使用Cox比例风险模型评估生物标志物-治疗交互作用。结果：在158例试验参与者中，144例有可用的切片。高肿瘤浸润淋巴细胞密度（>10%）与buparlisib相比安慰剂的整体生存显著改善相关（HR，0.25（95% CI，0.01–0.64；p = 0.002）），高肿瘤微环境异质性（HR，0.47（95% CI，0.27–0.80；p = 0.005））和肿瘤浸润边缘的粒细胞富集（HR，0.51（95% CI，0.30–0.88；p = 0.01））也类似；臂内邻近性分析显示，较高的粒细胞-肿瘤细胞邻近性与buparlisib治疗下的整体生存改善相关（HR，0.32（95% CI，0.18–0.58；p < 0.001））。AI衍生的空间指标优于CD3免疫组织化学。在口咽部肿瘤中，HPV阳性病例在高肿瘤浸润淋巴细胞患者中更为常见。结论：从H&E切片中提取的AI空间特征与R/M HNSCC中buparlisib的整体生存获益相关。这些可扩展的生物标志物支持基于图像的患者选择策略，并正在BURAN 3期试验中前瞻性评估。

**研究背景与问题**
复发/转移性头颈部鳞状细胞癌（R/M HNSCC）是一种高度侵袭性恶性肿瘤，预后差。尽管免疫检查点抑制剂（ICI）和靶向药物取得进展，多数患者仍出现疾病进展，迫切需要更有效的个体化治疗策略。磷酸肌醇3-激酶（PI3K）抑制剂显示出前景，但临床获益在队列中异质性大，部分原因是缺乏经过验证的应答预测因子。BERIL-1试验显示，在紫杉醇基础上加用泛I类PI3K抑制剂buparlisib可改善客观缓解率（ORR）、无进展生存期（PFS）和整体生存期（OS）。转化分析发现一些分子和免疫特征与改善应答相关，包括PIK3CA和TP53突变、高肿瘤突变负荷（TMB）以及基于CD8⁺ T细胞和肿瘤浸润淋巴细胞（TIL）的高基线免疫浸润。然而，这些传统生物标志物（通常使用二元预设阈值）未能捕获肿瘤微环境（TME）的空间结构和复杂性，而TME现被认为是治疗应答的关键调节因子。常规诊断病理学方法如免疫组织化学（IHC）和基于下一代测序（NGS）的DNA/RNA测序对TME空间异质性和细胞架构的洞察有限：IHC空间分辨率低且存在判读变异，NGS成本高、复杂且不易普及。相比之下，苏木精-伊红（H&E）染色廉价、常规进行且广泛可用，但由于缺乏提取可解释空间特征的工具而未被充分利用作为定量生物标志物。近期人工智能（AI）驱动的数字病理学进展使得全切片H&E分析能够以高空间分辨率识别临床有意义的模式（如免疫浸润、细胞异质性和基质组织），为理解可能影响药物敏感性和耐药性的TME背景提供关键信息。研究人员在《Cancers》期刊发表论文，旨在探索基于H&E切片的AI空间生物标志物能否预测R/M HNSCC患者从buparlisib治疗中的OS获益。

**主要关键技术与方法**
研究人员采用回顾性探索性设计，分析BERIL-1试验中患者的存档H&E染色肿瘤切片（n=144例可评估）。主要技术方法包括：(1) 深度学习数字病理学平台：基于U-Net架构的卷积神经网络（CNN），包含组织分割模块（将组织分为肿瘤中心、肿瘤浸润边缘、邻近TME和外周TME）和单细胞分类模块（识别肿瘤细胞、淋巴细胞、浆细胞、成纤维细胞、内皮细胞和粒细胞），模型在大型多肿瘤数据集上预训练并利用BERIL-1样本的标注进一步微调；(2) 空间生物标志物提取：预先定义三个空间特征——肿瘤区域（TC+TIM）内TIL密度（预设阈值10%）、TME细胞异质性（Shannon熵指数，按中位数二分）、TIM内粒细胞比例（按中位数二分），并额外计算粒细胞-肿瘤细胞邻近性（50 μm内粒细胞比例）；(3) 统计分析：使用Kaplan–Meier法和Cox比例风险模型估算治疗组间风险比（HR）及95%置信区间（CI），进行探索性亚组分析。

**研究结果**
**3.1. BERIL-1试验的生存结局与生物标志物景观**
与安慰剂相比，buparlisib治疗与生存改善相关：中位PFS 4.6 vs 3.5个月（HR，0.65（95% CI，0.45–0.95；p = 0.01）），中位OS 10.4 vs 6.5个月（HR，0.72（95% CI，0.49–1.04；p = 0.04）），ORR更高（39% vs 14%）。先前转化分析显示高频致癌改变（TP53、NOTCH1、PIK3CA），而基于IHC的免疫生物标志物未能完全解释治疗差异。

**3.2. 组织与细胞分类的深度学习模型性能**
组织分割模型准确性：肿瘤85.0%、基质92.8%、坏死80.9%、神经90.6%。细胞分类模型：淋巴细胞83.5%、肿瘤细胞76.6%、成纤维细胞70.6%、浆细胞61.9%、粒细胞70.7%、内皮细胞48.2%。尽管某些表型准确性中等，但足够用于探索性分析。

**3.3. 基于H&E与IHC的TIL定量评价**
通过H&E的AI空间定量：高TIL（≥10%）患者中，buparlisib vs 安慰剂具有显著OS获益（HR，0.25（95% CI，0.01–0.64，p = 0.002）），低TIL组无差异（HR，0.89（95% CI，0.60–1.34，p = 0.59））；而IHC基于CD3的TIL评分显示更弱的关联（高TIL组HR，0.51（95% CI，0.26–1.00，p = 0.05））。此外，HPV阳性肿瘤在高TIL患者中更常见。

**3.4. 肿瘤微环境异质性**
高TME异质性（高于中位数）患者中，buparlisib vs 安慰剂显著改善OS（HR，0.47（95% CI，0.27–0.80；p = 0.005）），低异质性组无差异（HR，0.99（95% CI，0.60–1.65；p = 0.99）），提示TME细胞和空间复杂性增强PI3K抑制敏感性。

**3.5. TIM中粒细胞富集**
高TIM粒细胞浸润患者中，buparlisib组OS显著优于安慰剂（HR，0.51（95% CI，0.30–0.88；p = 0.01）），低浸润组无差异（HR，0.93（95% CI，0.56–1.54；p = 0.78））。邻近性分析：粒细胞-肿瘤细胞邻近性上三分之二患者OS优于下三分之一（整体HR，0.56（95% CI，0.39–0.82；p = 0.002）），此效应由buparlisib+紫杉醇臂驱动（HR，0.32（95% CI，0.18–0.58；p < 0.001）），安慰剂+紫杉醇臂无关联（HR，0.89（95% CI，0.52–1.45；p = 0.59）），支持预测性而非单纯预后性效应。

**讨论与结论**
讨论部分强调：H&E衍生的空间生物标志物与buparlisib的差异化治疗获益相关，包括TIL密度、TME异质性和TIM粒细胞浸润，且AI衍生的TIL定量优于传统IHC评分。这些发现建立在先前BERIL-1基因组和免疫组织化学分析基础上，展示了H&E空间指标的增强判别能力。研究局限性包括：回顾性、单II期试验（n=144）、事后分析、探索性p值未校正多重比较、某些表型分类准确性中等、缺乏独立验证队列。结论部分翻译如下：基于AI的常规H&E切片空间分析提供了一种可扩展、非破坏性的方法，用于识别R/M HNSCC中buparlisib疗效的候选预测生物标志物。这些空间特征既捕获了已建立的免疫生物标志物（如淋巴细胞浸润），也捕获了传统检测未发现的肿瘤-基质架构的额外方面。其双重相关性强调了在PI3K抑制联合化疗背景下这些发现的生物学合理性及其在患者选择中的潜力。这些发现支持数字病理学方法用于生物标志物指导的试验设计，并强调了免疫和基质架构在调节PI3K抑制剂应答中的相关性。需要前瞻性验证以确认其临床效用并指导个体化治疗策略。