基于病理组学的预测方法：自然调节性T细胞在乳腺癌中的浸润情况

《Breast Cancer Research》：Pathomics-based prediction of natural regulatory T cell infiltration in breast cancer

　　

摘要

背景

自然调节性T细胞（nTregs）是肿瘤微环境（TME）中关键的免疫抑制成分，但其评估通常需要专门的分子检测方法。本研究旨在开发并验证一个基于深度学习的病理组学模型，以便直接从乳腺癌常规苏木精和伊红（H&E）染色的全切片图像（WSI）中预测nTregs的浸润情况，并评估其预后意义。

方法

分析了癌症基因组图谱（TCGA）中的1097名乳腺癌患者的数据。其中928名患者具有完整的RNA-seq数据，用于确定nTregs的预后价值（通过ImmuneCellAI进行评估）。791名患者的相关高质量H&E染色WSI样本被随机分为训练组（n = 633）和验证组（n = 158）。共提取了1488个定量病理组学特征。通过最小冗余最大相关性（mRMR）和递归特征消除（RFE）进行特征选择后，训练了一个梯度提升机（GBM）分类器来预测高nTregs状态和低nTregs状态，并生成了一个连续的病理组学评分（PS）。该评分通过FOXP3免疫组化（IHC）进行了验证，并评估了其与总生存期（OS）的关联。多组学分析进一步探讨了PS定义的组群的潜在生物学机制。

结果

高nTregs浸润是预后不良的独立预测因子（HR = 1.58，95% CI 1.10–2.28，p = 0.013）。GBM模型在训练组中的接收者操作特征曲线下面积（AUC-ROC）为0.81（95% CI 0.78–0.85），在验证组中为0.72（95% CI 0.63–0.80）。PS与FOXP3⁺细胞密度呈强相关性（p < 0.001），并且独立地与较差的OS相关（HR = 1.68，95% CI 1.15–2.46，p = 0.008）。高PS的患者表现出富集免疫激活通路的转录组特征（例如，雌激素反应）和上调的免疫检查点基因（例如，CD276、TNFSF4、TNFSF9），同时伴有以nTregs增加和M2样巨噬细胞为特征的免疫抑制微环境。

结论

我们开发并验证了一个病理组学模型，该模型能够从标准的H&E图像中无创地预测nTregs浸润和患者的预后。PS作为一种新的、可获取的数字生物标志物，能够捕捉到炎症性但具有免疫抑制性的TME的复杂性，有潜力辅助临床决策，尤其是在资源有限的环境中。

背景

自然调节性T细胞（nTregs）是肿瘤微环境（TME）中关键的免疫抑制成分，但其评估通常需要专门的分子检测方法。本研究旨在开发并验证一个基于深度学习的病理组学模型，以便直接从乳腺癌常规苏木精和伊红（H&E）染色的全切片图像（WSI）中预测nTregs的浸润情况，并评估其预后意义。

方法

分析了癌症基因组图谱（TCGA）中的1097名乳腺癌患者的数据。其中928名患者具有完整的RNA-seq数据，用于确定nTregs的预后价值（通过ImmuneCellAI进行评估）。791名患者的相关高质量H&E染色WSI样本被随机分为训练组（n = 633）和验证组（n = 158）。共提取了1488个定量病理组学特征。通过最小冗余最大相关性（mRMR）和递归特征消除（RFE）进行特征选择后，训练了一个梯度提升机（GBM）分类器来预测高nTregs状态和低nTregs状态，并生成了一个连续的病理组学评分（PS）。该评分通过FOXP3免疫组化（IHC）进行了验证，并评估了其与总生存期（OS）的关联。多组学分析进一步探讨了PS定义的组群的潜在生物学机制。

结果

高nTregs浸润是预后不良的独立预测因子（HR = 1.58，95% CI 1.10–2.28，p = 0.013）。GBM模型在训练组中的接收者操作特征曲线下面积（AUC-ROC）为0.81（95% CI 0.78–0.85），在验证组中为0.72（95% CI 0.63–0.80）。PS与FOXP3⁺细胞密度呈强相关性（p < 0.001），并且独立地与较差的OS相关（HR = 1.68，95% CI 1.15–2.46，p = 0.008）。高PS的患者表现出富集免疫激活通路（例如，雌激素反应）和上调的免疫检查点基因（例如，CD276、TNFSF4、TNFSF9）的转录组特征，同时伴有以nTregs增加和M2样巨噬细胞为特征的免疫抑制微环境。

结论

我们开发并验证了一个病理组学模型，该模型能够从标准的H&E图像中无创地预测nTregs浸润和患者的预后。PS作为一种新的、可获取的数字生物标志物，能够捕捉到炎症性但具有免疫抑制性的TME的复杂性，有潜力辅助临床决策，尤其是在资源有限的环境中。