多模态深度学习生物标志物PATH-ORACLE整合全切片组织病理学图像与转录组学特征改善I期肺腺癌复发风险预测

《Immuno-Oncology and Technology》:A multimodal AI biomarker PATH-ORACLE improves prediction of recurrence in stage I lung adenocarcinoma

【字体: 大 中 小 】 时间:2026年09月19日 来源:Immuno-Oncology and Technology CS8.6

编辑推荐:

  背景:手术切除是I期肺腺癌(lung adenocarcinoma, LUAD)的标准治疗,大多数病例无需额外的全身辅助治疗。然而,相当比例的I期病例会出现复发,5年生存率低于50%。临床数据表明,辅助治疗(包括免疫检查点抑制剂治疗)可能改善此类复发病例的生存

  
背景:手术切除是I期肺腺癌(lung adenocarcinoma, LUAD)的标准治疗,大多数病例无需额外的全身辅助治疗。然而,相当比例的I期病例会出现复发,5年生存率低于50%。临床数据表明,辅助治疗(包括免疫检查点抑制剂治疗)可能改善此类复发病例的生存。既往评估的预测因子,包括应用于组织切片的国际肺癌研究协会(International Association for the Study of Lung Cancer, IASLC)分级系统和转录组学特征,其准确性或一致性不足以进行有效的风险分层或指导治疗干预。研究人员假设,这些多样化的诊断测量方法携带互补信息,联合使用可能提供更高的预后效能。材料与方法:研究人员开发了PATH-ORACLE,一种多模态深度学习生物标志物,该标志物基于经过前瞻性验证的转录组学风险评分——克隆性肺表达相关结局风险(Outcome Risk Associated Clonal Lung Expression, ORACLE)评分,并额外整合了通过预训练基础模型处理的常规组织学切片数据。预测性能在两个独立队列中进行了评估。结果:仅基于组织学的预测因子优于自动IASLC分级,并且在调整肿瘤大小、分级和T分期后仍保持预后价值。PATH-ORACLE超越了两种组成模态,在两个独立验证队列中预测1年复发的曲线下面积(area under the curve, AUC)分别为0.86和0.84,并使用单一预设截断值区分了高风险组和低风险组。结论:需要经过广泛验证才能将PATH-ORACLE从预后生物标志物转化为预测性生物标志物,从而可用于筛选IB期患者接受辅助靶向治疗、化疗或免疫检查点抑制剂治疗(联合或不联合基于液体活检的监测)。
**研究背景与存在的问题**

I期肺腺癌(lung adenocarcinoma, LUAD)的标准治疗为肺叶切除术联合纵隔淋巴结清扫术。对于IA期患者,尽管5年复发率为10%–20%,目前指南并不推荐额外的全身辅助治疗(adjuvant systemic treatment);IB期患者的5年复发率可高达35%,但辅助化疗(adjuvant chemotherapy)仅被推荐用于具有高危组织学因素(如肿瘤大小、肿瘤分级、淋巴血管侵犯(lymphovascular invasion, LVI)和脏层胸膜侵犯(visceral pleural invasion, VPI))的患者。肺癌复发与显著恶化的临床结局和总生存期(overall survival, OS)降低密切相关,因此一个准确的复发预测因子将有助于对高风险患者实施密切监测并及时启动系统性干预。

目前已评估了多种诊断数据模态用于预测早期LUAD复发,包括基于组织病理切片的IASLC三级分级系统、基于基因表达的预测因子(如ORACLE和RiskReveal)、以及基于二代测序的突变分析。然而,这些方法的预测准确性普遍有限,曲线下面积(area under the curve, AUC)通常在0.6–0.65范围内,尚不足以指导治疗方案的改变。此外,IASLC分级系统在病理医师之间存在显著的观察者间变异性(interobserver variability)。如果这些不同诊断方法所含的信息具有互补性,那么将其联合使用可能产生更准确的临床复发预测因子——这一假设此前已在高分级浆液性卵巢癌中得到了验证。多模态深度学习(multimodal deep learning)的兴起为整合组织学图像与基因表达谱等异质性诊断特征提供了计算上可行的策略。

**研究目的与意义**

研究人员旨在开发并验证一种多模态深度学习生物标志物PATH-ORACLE,通过整合常规苏木精-伊红(hematoxylin–eosin, H&E)染色的全切片图像(whole-slide image, WSI)与转录组学ORACLE风险评分,提高I期LUAD复发预测的准确性。该研究覆盖了来自三个地理区域的四个独立队列共710例患者,所有患者均具有匹配的H&E组织学图像和基因表达测量数据。研究发现,PATH-ORACLE提供的复发预测准确性优于单独基于转录组学或组织学的预测方法,具有潜在的临床转化价值。

**关键技术方法**

本研究为回顾性观察性研究,纳入四个独立队列:临床蛋白质组肿瘤分析联盟(Clinical Proteomic Tumor Analysis Consortium, CPTAC)、KORANYI、癌症基因组图谱(The Cancer Genome Atlas, TCGA)-LUAD和TRACERx,共计710例病理分期IA或IB期患者,均行肺叶切除术且未接受新辅助治疗。主要终点为无复发生存间期(relapse-free interval, RFI),次要终点为OS。WSI通过ConchV1.5补丁级基础模型进行嵌入(embedding),并由预训练的TITAN变换器(transformer)聚合为切片级表征;转录组学风险源自已发表的预后基因特征(ORACLE、Zhao和Carr等),并通过弹性网络正则化Cox比例风险模型(elastic-net-regularized Cox proportional hazards model)进行建模。所有预测因子均在TCGA-LUAD上进行训练,并在TRACERx、CPTAC和KORANYI三个独立队列上进行外部验证。PATH-ORACLE通过特征级早期融合(early fusion)将TITAN组织病理学嵌入、ORACLE基因特征和临床协变量整合为一个输入向量。计算基于Francis Crick研究所高性能计算平台,使用A100图形处理单元(graphics processing unit, GPU)完成。

**研究结果**

**(一)单模态环境下改善IA/IB期LUAD的预后性能**

**基于H&E全切片图像的深度学习分类优于IASLC分级系统。** 研究首先评估了病理医师手动IASLC分级的预后性能,结果显示在两个可获取病理评级的验证队列中,单病理医师评估与无复发生存的关联较弱:TRACERx队列(C-index 0.61,95% CI 0.49–0.72)和KORANYI队列(C-index 0.50,95% CI 0.45–0.56)。随后,研究人员应用ANORAK(pyrAmid pooliNg crOss stReam Attention networK)算法进行自动化IASLC分级,其在汇总验证病例中可显著区分高、低风险组,但预后性能改善有限。为探索IASLC框架之外是否存在具有预后意义的复杂形态学模式,研究人员训练了一个基于WSI基础模型的复发预测因子:使用ConchV1.5进行补丁级嵌入,通过TITAN聚合为768维切片级特征向量,再以正则化Cox回归学习复发风险。该WSI预测因子在三个独立验证队列中均显著优于病理医师和ANORAK衍生的IASLC分级。汇总验证队列时,深度学习模型显著区分了高、低风险组(log-rank P < 0.001),并且在多变量Cox回归中调整肿瘤大小、分级和T分期后仍为复发的独立预测因子(HR 1.83,95% CI 1.14–2.92,P = 0.012)。可解释性分析表明,学习到的聚类主要根据微环境和间质特征而非经典IASLC组织学亚型进行分离,高风险聚类捕获了肿瘤及其周围微环境的生物学和结构特征,而低风险聚类主要反映间质反应及肿瘤与宿主组织间的动态相互作用。

**RNA测序分析——I期LUAD复发特异性ORACLE特征。** 研究人员对ORACLE特征及近五年发表的七个其他转录组学特征进行了多队列验证,发现将三个表现最佳的特征基因集(ORACLE、Zhao和Carr)联合训练可改善预后性能。稀疏Cox回归鉴定出八个基因(LRP12、ANLN、PNP、PSG1、UPK1B、XBP1、PEBP4和EDN3)为IA/IB期复发风险提供了一定信号。通过专门针对IA/IB期病例和复发终点(而非OS)重训练ORACLE特征,性能较原始I–III期OS训练的ORACLE有所提高(TRACERx C-index 0.66,CPTAC 0.81)。有趣的是,重训练后的系数与原始训练的系数之间几乎无相关性(Pearson r = 0.1143),提示IA/IB期疾病具有阶段特异性生物学特征。

**(二)PATH-ORACLE:整合组织学图像与基因表达谱的多模态深度学习**

PATH-ORACLE通过将WSI特征与RNA测序特征进行早期融合构建。研究发现组织病理学与转录组学特征具有加和性(additive),即PATH-ORACLE的预测准确性优于任一组成模态。在具有匹配WSI和RNA测序数据的验证集中,CPTAC队列1年AUC为0.86(95% CI 0.69–0.98),TRACERx队列1年AUC为0.84(95% CI 0.64–0.99),并保持了长期的鉴别能力。使用仅在TCGA发现队列上定义的单一截断值,PATH-ORACLE可显著将患者分为高风险和低风险组(TRACERx P = 0.003,HR 4.99;CPTAC P = 0.0003,HR 6.90)。在多变量Cox回归中调整肿瘤大小、分级和T分期后,PATH-ORACLE仍为复发的独立预测因子(HR 4.04,95% CI 1.35–12.10,P = 0.013)。此外,PATH-ORACLE与术前循环肿瘤DNA(circulating tumor DNA, ctDNA)浓度之间无相关性(R2 = 0.01),提示两者可能捕获不同生物学维度的风险信息。数据规模消融分析表明,训练数据每增加10%,PATH-ORACLE的C-index约提高0.014,表明扩大数据集规模有望进一步提升性能。

**讨论与结论**

本研究表明,基于WSI基础模型的深度学习复发预测因子优于基于IASLC分级的自动化方法(包括ANORAK),这可能得益于其能够整合超越IASLC框架的复杂形态学特征,如与免疫细胞浸润模式相关的细微纹理变化和空间结构信息。PATH-ORACLE通过整合组织学和转录组学两种互补模态,进一步提高了预测准确性,在多个人群独立队列中得到了验证。

需要经过广泛验证才能将PATH-ORACLE从预后生物标志物转化为预测性生物标志物,从而可用于筛选IB期患者接受辅助靶向治疗、化疗或免疫检查点抑制剂治疗(联合或不联合基于液体活检的监测)。对于IA期疾病,高危复发病例可考虑通过液体活检基因组分析进行密切监测,以便更早启动积极的治疗干预——这一点在PATH-ORACLE表现尤为准确的EGFR突变型LUAD中尤其值得关注。

本研究存在若干局限性:模型仅基于未接受治疗的患者构建,无法识别哪些患者将从辅助治疗中获益;WSI基础模型的可解释性有限;不同队列间数据完整性和随访方案存在差异;复发事件数相对较少。未来需要通过更大规模的前瞻性验证来确定PATH-ORACLE在临床治疗决策中的实际价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号