头颈部鳞状细胞癌（HNSCC）放化疗期间的探索性免疫监测与机器学习揭示与无病生存期相关的免疫参数

《npj Precision Oncology》：Exploratory immunomonitoring during radiochemotherapy in HNSCC and machine-learning reveal immune parameters associated with disease-free survival

　　

免疫生物标志物对于个性化癌症治疗日益重要，但外周血来源的生物标志物尚未用于指导头颈部鳞状细胞癌（HNSCC）的治疗。因此，前瞻性非随机DIREKHT研究（ClinicalTrials.gov：NCT02528955，2015-08-19）将免疫监测整合到术后放疗（化疗）治疗（R(C)T）中，以探索基于血液的生物标志物。在70例接受根治性R(C)T的口腔癌和口咽癌患者中，通过基于流式细胞术的免疫表型分析，在治疗前、治疗后及随访期间评估了45项免疫参数的外周免疫状态。研究人员采用机器学习工作流程，在重复分层K折交叉验证内使用重复弹性网络技术（RENT）进行特征选择，并通过嵌套交叉验证进行调参和评估，从而确定了无病生存（DFS）的预测因子。该方法从治疗前和治疗后的免疫特征中识别出一个29参数免疫特征，主要贡献者包括HLA-DR+ T细胞、HLA-DR+单核细胞和嗜碱性粒细胞。最佳模型达到了0.681的马修斯相关系数（MCC），治疗前后参数贡献相当，突显了R(C)T期间的免疫动态。加入临床参数并未提高性能（MCC = 0.678），但产生了一个整合免疫和临床变量的可比模型。基于血液的免疫特征可能对HNSCC经R(C)T后的DFS具有预后相关性。需在更大队列中进行验证，以确认临床适用性并精简该特征。

头颈部鳞状细胞癌（HNSCC）是起源于头颈部粘膜组织的恶性肿瘤，全球每年约90万新发病例，主要危险因素包括饮酒、吸烟及人乳头瘤病毒（HPV）感染。HNSCC常在局部晚期阶段确诊，治疗手段包括手术、放疗（RT）、化疗（CT）和免疫治疗（IT）。免疫生物标志物在个性化癌症治疗中日益重要，特别是在免疫检查点抑制剂（ICI）成功应用之后。但目前唯一获验证的免疫生物标志物是肿瘤细胞上的程序性死亡配体1（PD-L1）表达，该指标依赖肿瘤活检，难以纵向获取，且其表达受既往治疗影响，与患者结局的相关性仅为中等。外周血来源的液体活检可提供包括多种细胞类型、激活及免疫检查点标志物在内的免疫指标，并能在治疗过程中纵向获取。然而，既往研究多聚焦于接受ICI的晚期HNSCC患者，对接受根治性放化疗（R(C)T）的较早期阶段患者的纵向免疫状态研究不足。放疗和化疗可调节免疫系统及抗肿瘤免疫应答，且许多接受ICI的患者既往接受过R(C)T，因此阐明R(C)T诱导的免疫调节的预测价值具有重要意义。为此，DIREKHT研究（NCT02528955）将转化研究项目整合到术后R(C)T中，旨在从外周血中识别与无病生存期（DFS）相关的预测性免疫特征，用于预后判断和治疗优化。

研究人员在DIREKHT试验中，对70例来自B臂和C臂的口腔癌和口咽癌患者，在治疗前（T1）、治疗后（T2）及随访时通过流式细胞术进行免疫表型分析，共评估45项免疫参数。采用包含重复弹性网络技术（RENT）特征选择、嵌套交叉验证和多种机器学习算法的流程，以DFS为预测目标。结果发现，基于T1和T2免疫数据的模型性能最佳（马修斯相关系数MCC=0.681），该模型包含29项免疫特征，主要由HLA-DR+ T细胞、HLA-DR+单核细胞和嗜碱性粒细胞等驱动。加入临床参数未提高性能（MCC=0.678）。这些发现表明外周血免疫特征可能对HNSCC患者R(C)T后的DFS具有预后价值，需进一步验证。该研究发表于《npj Precision Oncology》。

关键方法方面，研究基于DIREKHT-01试验（前瞻性非随机多中心II期临床试验）中70例患者（B臂56例、C臂14例）的样本队列，所有患者接受术后R(C)T。免疫监测使用基于流式细胞术的全血免疫表型分析，可区分34种免疫细胞亚型及其激活状态，产生45项免疫参数。机器学习流程包括：使用RENT进行特征选择（重复分层4折交叉验证，重复5次，共20次选择），构建变量选择频率表，然后使用逻辑回归（LR）、支持向量机（SVC）和极端梯度提升（XGB）三种算法，在嵌套交叉验证（外循环4折重复5次，内循环4折重复25次）中训练和评估模型，以MCC等指标评估性能，并用SHAP包解释最佳模型。

**The best predictive model is built from the longitudinal immunological dataset alone**：研究人员比较了基于不同数据组合训练的模型。单独使用T1免疫数据时模型性能较低（MCC=0.165，SVC），单独使用T2时性能提高（MCC=0.492，LR），使用T1到T2的差异数据（X_diffT1T2）时性能进一步增至MCC=0.578，而整合T1和T2全部免疫变量（X_T1T2）时性能最高（MCC=0.681，LR）。单独使用临床数据（X_clin）的性能为MCC=0.433（LR），加入T1后性能略增（MCC=0.446，XGB），加入T2时性能大幅提高至MCC=0.678，但将T1和T2同时与临床数据组合时性能反而下降（MCC=0.450）。结果表明同时纳入治疗前后免疫状态对构建高性能模型至关重要，临床数据未进一步提升最佳模型性能。

**The predictive immune signature consisted of several innate and adaptive cell types**：对最佳模型（X_T1T2）的29项免疫特征进行SHAP分析，其中16项来自T1，13项来自T2。重要性最高的五个变量主要是固有免疫参数和HLA-DR+ T细胞，其中治疗后高表达的HLA-DR+ T细胞与疾病进展相关，治疗前高水平的嗜碱性粒细胞和NKG2A+ NK细胞也与进展相关。治疗后HLA-DR+单核细胞和2型单核细胞（CD14^low/CD16+）也很重要，其中2型单核细胞与无病生存相关。其余变量包括Treg、CD25+ T细胞、TH2细胞等T细胞相关参数，以及B细胞、单核细胞、NK细胞、粒细胞等。第二高模型（X_clinT2）中包含6项临床变量，如是否接受CT、分级、AJCC分期、肿瘤部位（口咽或口腔）、第二恶性肿瘤，其中CT治疗与缓解相关，低分级和口咽部位有利，口腔部位与进展相关。此外，X_diffT1T2模型（仅12个免疫变量）性能虽略低于29特征模型（MCC=0.578 vs 0.681），但仍保留了一些关键免疫参数，表明预测信号并非仅由高维特征组合驱动。

讨论部分强调R(C)T可调节局部肿瘤微环境和全身免疫状态，但基于外周血的免疫生物标志物稀缺。最佳模型仅基于免疫数据，研究人员提出这可能是因为临床因素如HPV状态等信息已编码在免疫状态中。治疗前后免疫状态的动态变化可反映个体免疫再生或适应能力，因此对预后预测重要。研究中确定的免疫特征包含多种先天性和适应性免疫细胞，与已有研究一致。例如HLA-DR+ T细胞在口腔鳞癌中与PD1+肿瘤浸润淋巴细胞相关，单核细胞HLA-DR表达在不同癌症中已被报道为预测参数，NK细胞与外周血免疫监测相关，NLR等粒细胞参数也被证实有预后意义。鉴于事件数较少（70例中8例复发），模型存在过拟合风险，但嵌套交叉验证和多个模型的特征重叠提示存在内在一致的生物机制。研究结论：所提出的29项免疫特征（包含治疗前后时间点的固有和适应性免疫变量）为口腔癌和口咽癌患者术后R(C)T期间的免疫景观和动态变化提供了有价值的信息。同时再次强调经典临床分期和临床参数应与综合生物学特征结合以改善预后评估。然而，这些特征应视为探索性和假设生成性质的，在得出普遍性或临床实用性结论之前，需要在独立队列中验证其性能和特征组成。该分析的样本量有限，但数据来自前瞻性研究，且不同折叠间的稳定性不代表可泛化性。未来需要在更大独立队列中验证，以将特征简化为更紧凑、临床可用的工具。正在进行的DIREKHT02（NCT06030440）试验将提供关键数据集。