《Cancers》：Changes in C-Reactive Protein Forecast Infection Risk Following Treatment with Chimeric Antigen Receptor T Cells
编辑推荐：
背景/目的：非小细胞肺癌（non–small cell lung cancer，NSCLC）中即使在同一分期和分子亚型内，结局仍存在异质性。研究人员评估了仅由诊断性苏木精-伊红（hematoxylin-and-eosin，H&E）全切片图像（whole
背景/目的：非小细胞肺癌（non–small cell lung cancer，NSCLC）中即使在同一分期和分子亚型内，结局仍存在异质性。研究人员评估了仅由诊断性苏木精-伊红（hematoxylin-and-eosin，H&E）全切片图像（whole-slide image，WSI）衍生的计算组织学人工智能（Computational Histology Artificial Intelligence，CHAI）生物标志物，是否可提供独立于已建立临床病理因素的预后信息。方法：利用癌症基因组图谱（The Cancer Genome Atlas，TCGA）肺腺癌（lung adenocarcinoma，LUAD）和肺鳞癌（lung squamous cell carcinoma，LUSC）项目，914例具有可评估诊断数字化WSI和结局数据的患者按分期和组织学分层，随机分为开发集（30%，N=270）和独立验证集（70%，N=644）。在开发集中提取H&E WSI图像特征并训练Cox比例风险模型，输出CHAI预后生物标志物评分，并二分为高风险CHAI阳性（CHAI[+]）和低风险CHAI阴性（CHAI[?]）。主要终点为总生存（overall survival，OS），次要终点为无进展间期（progression-free interval，PFI）。采用Kaplan–Meier法和Cox比例风险模型评估关联性，并校正传统临床病理及基因组变量。结果：验证队列644例中，中位年龄68岁（IQR 60–74），男性388例（60%），LUAD 317例（49%），LUSC 327例（51%），从不吸烟者57例（9%）。CHAI阳性患者OS显著差于CHAI阴性患者（3年OS：53% vs 69%；log-rank p<0.001）。多变量分析中，该生物标志物仍与OS（HR 1.70，95% CI 1.29–2.24，p<0.001）和PFI（HR 1.39，95% CI 1.05–1.84，p=0.023）显著相关。效应在两种组织学中一致；CHAI评分联合临床病理变量的模型在验证中校准良好。该生物标志物与分期、年龄、性别或组织学亚型无关，加入相关基因组改变后校正预后效应不变。CHAI阳性肿瘤中KRAS改变更丰富（21% vs 野生型11%，校正p=0.005）。结论：仅基于H&E的CHAI NSCLC生物标志物在独立验证队列中提供独立预后分层，有潜力优化NSCLC风险分层。
研究背景方面，非小细胞肺癌（NSCLC）虽在靶向治疗和免疫治疗方面取得进展，仍是全球癌症死亡主要原因之一。既有人群队列显示，I期NSCLC 3年总生存（OS）约84%，IV期降至约21%，但同一癌症分期内结局高度异质。现有NSCLC诊疗依赖可行动基因组改变指导治疗，例如辅助奥希替尼用于EGFR突变、阿来替尼用于ALK阳性、塞普替尼用于RET阳性NSCLC；这些分子标记主要具预测价值，也可影响预期结局。传统病理特征如分级、分化和组织学仍为核心依据。然而，用正交方法发现独立预后生物标志物以进一步细化风险画像，仍是未满足需求。人工智能应用于数字化组织病理学，可从常规H&E切片提取预后信号，预测可行动突变状态、免疫治疗应答和生存。计算组织学人工智能（Computational Histology Artificial Intelligence，CHAI）平台为肿瘤不可知基础系统，基于深度学习组织与细胞分割模型，量化核大小与形态、细胞空间组织、免疫浸润和间质密度等逾30000个组织形态学特征，并已在膀胱、胰腺、前列腺和结直肠癌中开发预后及治疗预测生物标志物。研究人员据此探究CHAI能否利用TCGA肺腺癌（LUAD）与肺鳞癌（LUSC）数据，开发并验证独立于已建立临床病理因素的NSCLC预后生物标志物。该研究论文发表于《Cancers》。
关键技术方法方面，研究人员使用TCGA-LUAD与TCGA-LUSC多机构原发NSCLC样本及对应临床、分子和数字化H&E WSI数据，经质量控制和按分期与亚型分层后，将914例转为270例开发集与644例验证集。CHAI平台以泛癌约25000张H&E切片、500000个细胞核标注和100百万μm2组织标注训练的分割模型提取约30000个组织形态学特征；在开发集中用Cox比例风险模型筛选与OS相关特征并构建亚型感知签名，输出连续评分后按单变量Cox模型HR最大化为切点二分为CHAI[+]与CHAI[?]，签名与阈值锁定后用于验证集。终点为自病理诊断日起的OS与PFI，统计采用Kaplan–Meier、单与多变量Cox模型，多变量校正年龄、性别、AJCC分期、吸烟状态、组织学亚型，并另加EGFR、KRAS、BRAF、ERBB2突变；校准用开发集模型预测验证集3年生存并与Kaplan–Meier观察值比对。
3.1. Patient Characteristics
研究人员在验证队列644例中描述基线特征：中位年龄68岁（IQR 60–74），男388例（60%），LUAD 317例（49%）、LUSC 327例（51%），前吸烟者417例（65%）、现吸烟者160例（25%）、从不吸烟者57例（9%）；AJCC I期334例（52%）、II期182例（28%）、III期97例（15%）、IV期23例（4%）。CHAI将329例（51%）判为CHAI[+]、315例（49%）为CHAI[?]；随访中发生223例死亡与213例进展事件。除年龄（p=0.047）外，两组基线均衡。
3.2. CHAI Biomarker and Survival
研究人员通过Kaplan–Meier与Cox模型得出：CHAI[+]患者3年OS 53.1%低于CHAI[?]的68.6%（log-rank p<0.001），3年PFI 51.4%低于60.5%（p=0.028）。单变量OS HR 1.64、PFI HR 1.35；校正年龄、性别、吸烟、AJCC分期与组织学后，OS HR 1.70（p<0.001）、PFI HR 1.39（p=0.023）；再加入EGFR、KRAS、BRAF、ERBB2突变后OS HR 1.77（p<0.001）、PFI HR 1.42（p=0.020）。AJCC分期是另一主要结局决定因素，腺癌对PFI风险更高而非OS，无单个突变独立预后。时间依赖AUC约0.59–0.62（OS）和0.54–0.64（PFI）。开发集锁定、验证集未重拟合的CHAI评分联合临床变量模型预测3年生存与观察值吻合，验证C-index 0.63，校准斜率0.78、截距?0.06。排除IV期的敏感性分析结论相似。
3.3. Performance Across Clinical Subgroups
研究人员在早中期（I–II）OS HR 1.56、后期（III–IV）HR 2.07；LUAD HR 1.58、LUSC HR 1.69；<65岁HR 1.89、≥65岁HR 1.49；前吸烟者关联保持，从不与现吸烟者因事件少不显著。所有亚组交互检验p>0.1，说明CHAI预后效应跨分期、组织学、年龄和吸烟状态方向一致。
3.4. CHAI Association with Clinical and Molecular Characteristics
研究人员比较CHAI阳性率与全队列51%的关系：其在AJCC分期、组织学、性别、种族、吸烟状态各临床病理层中无显著差异。基因组层面，KRAS改变在CHAI[+]为21%、CHAI[?]为11%；TP53改变在CHAI[+]为62%、CHAI[?]为75%。STK11、KEAP1、PIK3CA、EGFR、BRAF、MET、ERBB2、NRAS、ROS1、ALK、RET与CHAI状态无关联。
讨论部分总结：既往研究已证明H&E WSI组织形态学特征可独立于分期和分级分层NSCLC生存，弱监督模型也可从H&E推断肿瘤微环境并预测免疫检查点抑制剂获益。本研究中CHAI仅由诊断H&E切片衍生，在LUAD与LUSC混合分期验证队列中独立分层OS与PFI，且不随分期、年龄、性别、吸烟、组织学变化，属正交信号；KRAS改变富集但多变量中CHAI效应不依赖KRAS。该生物标志物无需额外组织与染色、成本低、周转快，可补足ctDNA等模态，利于术后风险细化与辅助靶向/免疫治疗决策。局限包括TCGA单源回顾性、1992–2013治疗范式过时、系统治疗标注不足故仅作预后而非治疗预测、时间依赖AUC判别力中等、AJCC多版本身期标注混杂、缺乏分级等传统病理标注、ALK/ROS1/RET频次低难入模型、PFI为近似复发终点。外部当代队列验证是下一步。
结论部分翻译：综上，仅基于组织学的CHAI生物标志物在锁定的验证队列中跨NSCLC亚型、分期和终点提供独立预后分层。若获外部证实，此类生物标志物可优化术后风险评估，并助力将新兴辅助治疗用于最可能获益的患者。
