基于人工智能的常规组织学预测胃癌Claudin 18.2表达及免疫表型以指导治疗决策的研究

《ESMO Open》：Artificial intelligence-based prediction of claudin 18.2 expression and immune phenotype from routine histology to guide treatment decisions in patients with gastric cancer

　　

背景：胃癌的一线治疗随着免疫检查点抑制剂（ICIs）和靶向药物的整合而不断发展，这使得生物标志物分层变得复杂。Claudin 18.2（CLDN18.2）是Zolbetuximab的一个既定靶点；然而，免疫组织化学（IHC）受到组织要求、成本和周转时间的限制。苏木精-伊红（H&E）染色切片的Vision Transformer（ViT）人工智能（AI）分析可能提供一种可扩展的替代方案。研究人员开发并验证了一个AI模型，用于从H&E切片中预测CLDN18.2表达，并评估了其与AI衍生的免疫表型整合后的临床实用性。患者与方法：这项回顾性研究纳入了三个独立的胃癌患者队列。开发队列包括622名患者（497名用于训练，125名用于调优）。内部验证队列包括378名接受一线Nivolumab联合化疗或单纯化疗的患者。外部验证队列包括98名来自不同种族背景的患者。使用基于Vision Transformer（ViT）的AI模型分析全切片H&E染色图像以预测CLDN18.2表达。一个单独的AI模型将免疫微环境分类为炎症（inflamed）或非炎症（noninflamed）。主要结果是预测性能指标，包括受试者工作特征曲线下面积（AUROC）。次要结果包括根据AI预测的CLDN18.2状态和免疫表型分层的无进展生存期（PFS）和总生存期（OS）。结果：IHC检测的CLDN18.2阳性率在开发、内部验证和外部验证队列中分别为42.9%、36.8%和25.5%。该AI模型得出的AUROC值在内部验证中为0.752，在外部验证中为0.856。在内部验证队列中，AI预测为CLDN18.2阴性/炎症（inflamed）肿瘤的患者，接受Nivolumab联合化疗比单纯化疗表现出改善的结局[PFS：风险比（HR）0.35，95%置信区间（CI）0.15-0.82；OS：HR 0.40，95% CI 0.18-0.89]。CLDN18.2阳性/非炎症（noninflamed）肿瘤患者未显示从Nivolumab联合化疗中获益。结论：使用常规组织学的AI模型预测了胃癌中的CLDN18.2表达和免疫表型，识别出从基于ICI的化疗中获得差异化获益的亚组。

论文解读：基于人工智能的常规组织学预测胃癌Claudin 18.2表达及免疫表型以指导治疗决策

研究背景与意义

胃癌（Gastric Cancer）仍是全球重大的健康负担，其一线系统性治疗正随着免疫检查点抑制剂（ICIs）和靶向药物的整合而发生演变。人表皮生长因子受体2（HER2）阴性且程序性死亡配体1（PD-L1）阳性的疾病中，ICI联合化疗已显示出优于单纯化疗的生存获益。同时，Claudin 18.2（CLDN18.2）作为紧密连接蛋白家族成员，已成为极具潜力的治疗靶点。Zolbetuximab作为一种抗CLDN18.2单克隆抗体，其在CLDN18.2阳性胃癌患者中的应用显著改善了临床结局。然而，随着CLDN18.2检测被纳入常规临床实践，病理学家和肿瘤学家面临的生物标志物评估负担大幅增加，这不仅涉及HER2、PD-L1联合阳性评分（CPS）或肿瘤区域阳性率、错配修复（MMR）/微卫星不稳定性（MSI）状态以及爱泼斯坦-巴尔病毒（EBV）阳性等传统指标，成纤维细胞生长因子受体2b（FGFR2b）等新兴靶点的检测也进一步增加了复杂性。此外，对下一代测序（NGS）日益增长的依赖加剧了这些需求。在胃癌诊断材料常局限于内镜活检标本的情况下，这些问题给组织可用性、成本和周转时间带来了实际挑战，迫切需要更高效的策略来指导生物标志物检测。

在此背景下，基于人工智能（AI）的方法提供了一种潜在的解决方案。通过利用常规获取的苏木精-伊红（H&E）染色切片而无需额外组织，AI模型提供了一种成本效益高且标准化的患者分层方法。尽管AI驱动的空间分析在多种癌症类型中已被证明能预测ICI治疗后的结局，但AI是否能从常规H&E切片中推断CLDN18.2表达，并结合免疫表型分析来指导一线治疗决策，此前尚不清楚。因此，研究人员旨在开发并验证一种基于AI的模型，从H&E染色切片中预测CLDN18.2表达及肿瘤免疫表型，以支持高效的生物标志物优先级排序并为胃癌的一线治疗决策提供信息。该研究由H.-D. Kim、S. Shin等学者完成，并发表在《ESMO Open》期刊上。

关键技术与方法

研究人员开展了一项回顾性研究，纳入了三个独立的胃癌患者队列：开发队列（622例患者，含497例训练集和125例调优集）、内部验证队列（378例接受一线Nivolumab联合化疗或单纯化疗的患者）以及外部验证队列（98例来自不同种族背景的患者）。研究使用基于Vision Transformer（ViT）的AI模型Lunit SCOPE基因型预测器（SCOPE GP）来预测CLDN18.2表达，该模型采用多示例学习（MIL）框架，输入仅为治疗前H&E染色全切片图像（WSIs）。WSIs经过镶嵌化处理后，利用自动化组织分割选择癌区（CA）和癌间质（CS）图像块，通过ViT基础模型提取高维特征，并通过加权集成优化生成切片级预测。免疫表型分析则使用Lunit SCOPE IO模型，根据肿瘤浸润淋巴细胞（TILs）密度将肿瘤分为炎症免疫表型（IIP）或非IIP。CLDN18.2的IHC评估由委员会认证的胃肠道病理学家进行，阳性定义为≥75%的肿瘤细胞呈中度至强线性膜染色。统计分析主要采用受试者工作特征曲线下面积（AUROC）、Kaplan-Meier曲线、log-rank检验和Cox比例风险模型来评估模型性能和生存结局。

研究结果

患者特征

研究共分析了1098例胃癌患者的三个独立队列。开发队列中位年龄62岁，I-IV期疾病分别占15.1%、22.1%、24.0%和38.8%，CLDN18.2阳性率为42.9%。内部验证队列中位年龄63岁，多数在初始治疗时患有转移性疾病（78.6%），CLDN18.2阳性率为36.8%。外部验证队列中位年龄63.5岁，I-IV期疾病分别占28.6%、46.9%、18.4%和6.1%，绝大多数为高加索人种（95.9%），CLDN18.2阳性率为25.5%。

CLDN18.2预测模型的性能

在用于模型选择和集成优化的调优队列（n=125）中，该模型实现了0.752的AUROC，灵敏度为0.778，特异性为0.676。在内部验证队列（n=378）中，AUROC为0.752，灵敏度为0.763，特异性为0.661。在外部验证队列（n=98）中，性能保持一致，AUROC为0.856，灵敏度为0.840，特异性为0.753。模型在不同阶段表现出一致的区分性能，且AI预测评分与病理学家评估的CLDN18.2染色肿瘤细胞比例显著相关（Spearman系数分别为0.59和0.48）。

基于AI免疫表型的临床结局

在内部验证队列中，142例患者（37.6%）为IIP，236例（62.4%）为非IIP。虽然PD-L1 CPS ≥1在IIP和非IIP之间分布相似，但CPS ≥5在IIP肿瘤中更为常见。总体而言，Nivolumab联合化疗与改善的PFS和OS相关，这种生存获益主要在IIP患者中观察到，而在非IIP患者中未观察到。

基于AI免疫表型和CLDN18.2预测的临床结局

患者根据AI预测的CLDN18.2表达和免疫表型被进一步分层。在预测为CLDN18.2阴性/IIP的肿瘤患者中，Nivolumab联合化疗与显著改善的结局相关（PFS: HR 0.35; OS: HR 0.40）。相比之下，在CLDN18.2阴性/非IIP肿瘤中未观察到显著的生存获益。在CLDN18.2阳性/IIP肿瘤中，Nivolumab联合化疗显示出改善结局的趋势。而在CLDN18.2阳性/非IIP肿瘤中，未显示出生存优势。CLDN18.2阴性/IIP肿瘤表现出最高的PD-L1表达，而CLDN18.2阳性/非IIP肿瘤的PD-L1表达较低，但也包含了少量dMMR和EBV阳性病例。探索性分析表明，即使肿瘤突变负荷（TMB）相似，AI定义的免疫表型也能提供超越分子MSI状态的预后信息。

AI模型可解释性

通过注意力图进行的模型可解释性评估揭示了与高预测评分相关的反复出现的组织学模式。模型经常关注低分化或差黏附性组织学（对应于弥漫亚型）以及邻近的富含胶原的间质。在某些情况下，注意力集中在癌区-癌间质（CA-CS）界面而非肿瘤中心。这些观察结果具有生物学合理性，因为既往研究表明弥漫型胃癌可能表现出更高的CLDN18.2表达，且CLDN18.2可能介导肿瘤细胞与富含胶原间质内癌症相关成纤维细胞之间的相互作用。

讨论与结论总结

在讨论部分，研究人员指出，该研究开发并验证了一种基于AI的模型，该模型使用与Zolbetuximab关键试验相同的IHC标准从H&E切片中预测CLDN18.2表达。该模型在亚洲和西方队列中均表现出一致的性能，支持了其普适性。此外，结合AI衍生的免疫表型分析，能够识别出从ICI-based化疗中获益有限的亚组，这些患者可能更适合Zolbetuximab-based方案。该模型利用ViT骨干的基础模型特征和基于注意力的MIL来捕捉肿瘤异质性，证明了AI预测CLDN18.2阳性并指导转移性胃癌一线治疗的潜力。研究人员强调，虽然约登指数截断点处的性能显示出中等的灵敏度和特异性，但该阈值可根据不同的临床目的灵活调整，例如在筛查导向应用中优化灵敏度，或在直接治疗决策支持中最大化阳性预测值（PPV），这表明可考虑采用双重截断策略。模型并非旨在取代病理CLDN18.2评估，而是作为指导确认性免疫组化评估的预筛查工具。活检和切除标本之间相当的性能表明其在组织可用性受限的常规工作流程中的适用性，其高阴性预测值（NPV）可减少不必要的CLDN18.2检测并优化检测分配。注意力图的探索性分析表明，对模型预测贡献最大的区域偶尔对应于弥漫型组织学或富含胶原的间质界面，这为CLDN18.2阳性的组织学相关性提供了定性见解。

结论

研究人员总结认为，其基于AI的模型从H&E切片中预测了胃癌的CLDN18.2表达和免疫表型，表现出令人鼓舞的性能，证明了在为患者一线治疗分层方面的潜在临床效用。这些发现凸显了AI驱动病理学在补充传统生物标志物评估和指导胃癌最佳治疗策略方面的潜力。未来需要在更大、独立的队列中进行前瞻性验证，以确认其在指导胃癌治疗策略中的作用。