基于人工智能的肿瘤浸润淋巴细胞与同源重组在卵巢癌中的分析：JGOG3025-A1研究

《Cancer Science》：AI-Based Analysis of Tumor-Infiltrating Lymphocytes and Homologous Recombination in Ovarian Cancer: JGOG3025-A1 Study

　　

理解肿瘤免疫微环境，尤其是肿瘤浸润淋巴细胞（TILs），在卵巢癌中仍然至关重要。然而，TILs在不同组织学亚型和遗传背景中的分布及预后意义仍不明确。作为JGOG3025-A1研究的一部分，研究人员收集了400例患者的诊断切片。使用两种基于人工智能（AI）的细胞分类模型评估TILs的空间分布。TIL评分计算为TILs数量除以分析区域面积，并根据TIL评分定义免疫炎症组。在组织学亚型中，高级别浆液性癌（HGSC）显示出最高的TIL评分，透明细胞癌（CCC）最低，子宫内膜样癌（EC）居中。在HGSC中，TIL评分在BRCA改变或同源重组缺陷（HRD）状态下没有显著差异。HRD/免疫炎症组预后最好。在同源重组功能完备（HRP）人群中，免疫炎症组具有更好的无进展生存期（PFS），但这种趋势在总生存期（OS）中未出现。在分析TIL水平与基因组结构的关系时，全基因组加倍（WGD）与HRD肿瘤中较低的TIL浸润相关，但在HRP肿瘤中无关联。总之，HGSC在亚型中表现出最高的TIL浸润量，通过整合基于病理的免疫表型和HRD状态可以实现预后分层。

**研究背景与问题**
卵巢癌是全球最致命的妇科恶性肿瘤之一，其预后显著受肿瘤微环境特征影响，尤其是肿瘤浸润淋巴细胞（TILs）。TILs被认为是抗肿瘤免疫的关键决定因素，并与多种癌症类型的预后相关。然而，TILs在卵巢癌不同组织学亚型和遗传背景下的精确分布及预后意义仍不完全清楚。此前研究对BRCA突变或同源重组缺陷（HRD）与TIL浸润之间的关联存在争议，且传统病理评估易受观察者间偏差和位点选择偏差影响。因此，本研究旨在利用人工智能（AI）进行单细胞分辨率的TIL定量分析，并整合HRD相关基因组特征（包括BRCA改变、拷贝数变异（CNV）签名聚类和全基因组倍增（WGD）状态），以更精确地评估TILs的分布、预后价值及其与遗传背景的关系。论文发表在《Cancer Science》。

**研究人员开展的研究与结论**
作为JGOG3025-A1研究的一部分，研究人员收集了400例卵巢癌患者的诊断切片，最终纳入381例（排除不符合标准样本后，聚焦于314例原发肿瘤）。利用两种基于AI的细胞分类模型（CellViT和HoVer-NeXt）对全切片图像（WSIs）进行核分割和细胞分类，计算TIL评分（TILs数量/区域面积），并定义免疫炎症组（基于瘤内TILs评分的上三分位数）。对于HGSC，进一步结合JGOG3025-TR2多组学数据集（151例重叠），分析HRD评分、BRCA突变、CNV签名簇及WGD状态。结论：HGSC在亚型中TIL浸润最高，透明细胞癌（CCC）最低，子宫内膜样癌（EC）居中；在“纯HGSC”中（排除C4簇），TIL评分与BRCA或HRD状态无显著关联；HRD/免疫炎症组预后最佳；在HRP人群中，免疫炎症组PFS更优但OS无差异；WGD仅在HRD肿瘤中与低TIL浸润相关。研究意义：通过整合病理免疫表型和HRD背景，可为HGSC提供额外预后分层信息。

**主要关键技术方法**（不超过250字）
研究人员使用两种预训练的AI模型：CellViT（基于视觉Transformer，预训练于PanNuke数据集，五类分类：肿瘤细胞、炎症细胞、结缔/软组织、坏死细胞、上皮细胞）和HoVer-NeXt（基于卷积神经网络，训练于Lizard数据集，七类分类：上皮细胞、结缔细胞、淋巴细胞、浆细胞、中性粒细胞、嗜酸性粒细胞、有丝分裂象）。肿瘤细胞定义为同时被CellViT预测为“neoplastic”且HoVer-NeXt预测为“epithelial”的细胞。淋巴细胞分为瘤内TILs（iTILs，位于肿瘤区域内）和间质TILs（sTILs，位于肿瘤边界1000μm内）。TIL评分=淋巴细胞数/区域面积。样本队列来源：JGOG3025-A1队列（381例，来自28个日本中心），并整合JGOG3025-TR2队列（151例HGSC有SNP阵列、RNA测序等数据）及TCGA-OV队列（97例HGSC）。

**研究结果**
**3.1 模型性能验证**
通过对比20例HGSC的AI衍生的TIL计数与CD8⁺免疫组织化学（IHC）细胞计数，发现显著相关性（R=0.57，p=0.008），验证了AI预测的准确性。在9例HGSC评估队列中，同一患者不同切片间的TIL趋势保持一致，因此选择肿瘤面积最大的切片为代表切片。

**3.2 亚型间TIL分布**
在整体JGOG3025-A1队列中，HGSC的iTIL和sTIL评分最高，EC次之，CCC最低（HGSC vs EC：iTIL p=0.006，sTIL p<0.001；HGSC vs CCC：均p<0.001）。微卫星不稳定（MSI）高肿瘤和高肿瘤突变负荷（TMB）肿瘤的TIL评分显著升高。HGSC的突变等位基因肿瘤异质性（MATH）评分最高，与其高TIL模式一致。

**3.3 按HRD状态的TIL分布**
分析聚焦HGSC并纳入TCGA队列。先前研究将HGSC分为四个CNV签名簇（C1-C4），其中C4簇为分子定义的HGEC样亚型且均为HRP。排除C4簇后，在“纯HGSC”中，TIL评分与HRD评分或HRD状态无显著关联（p=0.14和0.15）。BRCA1/2突变（含LOH或无LOH）、BRCA1启动子甲基化等状态也与TIL评分无显著关联。转录组层面，免疫反应性（IMR）分子亚型显示显著更高的TIL评分。

**3.4 TILs对HGSC的预后影响**
在晚期HGSC中，iTILs与良好PFS相关，而sTILs与较差PFS相关。以iTIL评分为基础的免疫炎症组呈现PFS获益趋势（HR=0.70，95%CI 0.46-1.06，p=0.09），但OS无差异。按HRD和免疫亚型分层，HRD/免疫炎症组预后最佳（PFS和OS均最优）；HRP/免疫炎症组PFS更优但OS更差。多变量分析显示免疫炎症亚型是PFS的独立预后因素（HR=0.58，95%CI 0.35-0.95，p=0.03）。在HRD肿瘤中，WGD与显著较低的TIL水平相关（iTIL p=0.006，sTIL p=0.02）；在HRP肿瘤中无此关联。

**讨论与结论**
讨论部分指出，与既往研究（报道BRCA1突变与高TIL相关）的矛盾可能源于评估方法差异（本研采用全切片定量而非选择性热点评估）以及未排除C4簇的混杂效应。在排除C4簇后，HRD与TIL的关联消失，提示此前关联可能由C4簇驱动。本研究优势在于大规模前瞻性队列、AI高分辨率定量、整合基因组特征。局限性包括患者未接受PARPi一线维持治疗（研究在PARPi广泛应用前），以及AI模型在非卵巢数据集上预训练可能导致的域不匹配。结论部分翻译：总之，目前的研究结果表明，基于病理的免疫表型，结合HRD相关背景解释，可能为HGSC提供额外的预后见解。尽管这些发现应被视为预后性和假设生成性的，而非立即改变临床实践，但它们为卵巢癌的肿瘤免疫微环境提供了新见解，并强调了将组织学特征和遗传背景整合到免疫分析中的重要性。