《Immuno-Oncology and Technology》：A multimodal AI biomarker PATH-ORACLE improves prediction of recurrence in stage I lung adenocarcinoma
编辑推荐：
专业术语翻译（摘要部分）
背景：手术切除是I期肺腺癌（lung adenocarcinoma, LUAD）的标准治疗方式，大多数情况下无需额外的全身辅助治疗。然而，相当比例的I期病例会发生复发，其5年生存率低于50%。临床数据提示，辅助治疗（包括免疫检查点抑制
专业术语翻译（摘要部分）
背景：手术切除是I期肺腺癌（lung adenocarcinoma, LUAD）的标准治疗方式，大多数情况下无需额外的全身辅助治疗。然而，相当比例的I期病例会发生复发，其5年生存率低于50%。临床数据提示，辅助治疗（包括免疫检查点抑制剂疗法）可能改善此类复发患者的生存。既往评估过的预测指标，包括应用于组织学切片的国际肺癌研究协会（International Association for the Study of Lung Cancer, IASLC）分级系统及转录组谱，在风险分层或指导治疗干预方面的准确性和一致性均不足。研究人员假设这些不同的诊断测量手段携带互补信息，将其整合可能提供更高的预后预测效能。
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，其建立在经过前瞻性验证的基于转录组的Outcome Risk Associated Clonal Lung Expression（ORACLE）评分之上，并整合了由预训练基础模型（foundation models）处理的常规组织学切片。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器优于自动化IASLC分级，并且在调整肿瘤大小、分级和T分期后仍具有预后价值。PATH-ORACLE超越了其两种组成模态，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）分别达到0.86和0.84，并使用单一预设截断值将高风险与低风险组进行了有效分层。
结论：将PATH-ORACLE从预后生物标志物转化为预测性生物标志物，尚需广泛的验证。该标志物有望用于优先筛选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，并可联合或不联合基于液体活检的监测。
论文解读文章
一、研究背景与意义
肺腺癌（lung adenocarcinoma, LUAD）是肺癌最常见的组织学亚型之一。对于I期LUAD患者，手术切除联合纵隔淋巴结清扫术是标准治疗方案。然而，尽管接受了根治性手术，仍有相当比例的患者会出现复发：IA期患者5年复发率为10%-20%，IB期患者则高达35%。复发与显著更差的临床结局和降低的总生存期（overall survival, OS）密切相关。目前，对于IA期患者，各主要指南均仅推荐观察随访；对于IB期患者，辅助化疗仍为可选方案，仅推荐用于基于组织学危险因素（如肿瘤大小、分级、淋巴血管侵犯（lymphovascular invasion, LVI）和脏层胸膜侵犯（visceral pleural invasion, VPI））判定为高风险的患者。对于携带表皮生长因子受体（epidermal growth factor receptor, EGFR）19号外显子缺失或21号外显子L858R点突变的IB期腺癌患者，推荐辅助靶向治疗（奥希替尼），部分患者还可能从辅助阿替利珠单抗治疗中获益。
准确预测复发风险具有重要的临床意义：高风险患者可接受更密切的监测（如基于液体活检的基因组分析），并可及时启动全身性干预以改善长期预后。然而，既往的预测工具均存在明显局限。病理学分类方面，国际肺癌研究协会（International Association for the Study of Lung Cancer, IASLC）三级分级系统对早期病例具有预后信息价值，但不同病理医师对肿瘤内各组织学亚型比例的评估存在显著的观察者间变异。基于基因表达的预测指标，如Outcome Risk Associated Clonal Lung Expression（ORACLE）和RiskReveal（AIM-HIGH），在多个LUAD分期合并评估时具有临床验证的预测性能，但在I期病例中仍有改进空间。基于下一代测序的突变谱分析在I期LUAD复发预测中的效用有限。这些方法的预测准确性通常仅在曲线下面积（area under the curve, AUC）0.6-0.65范围内，尚不足以指导治疗决策的改变。
研究人员假设，这些不同诊断方法所携带的信息具有互补性，其组合可能产生更准确的复发预测指标。多模态深度学习的兴起为整合组织学图像与基因表达谱等异质诊断特征提供了计算上可行的策略。
二、研究设计与主要结论
研究人员开发了PATH-ORACLE，一种多模态深度学习生物标志物，其建立在经过前瞻性验证的基于转录组的ORACLE评分之上，并整合了由预训练基础模型处理的常规苏木精-伊红（hematoxylin–eosin, H&E）组织学切片。研究纳入了来自三个地理区域的四个独立队列共710例患者（Clinical Proteomic Tumor Analysis Consortium [CPTAC]、KORANYI、The Cancer Genome Atlas [TCGA]-LUAD和TRACERx），所有患者均为病理IA或IB期（美国癌症联合委员会[AJCC]第九版），接受肺叶切除术且未接受新辅助治疗。主要终点为无复发生存期（relapse-free interval, RFI），次要终点为OS。
研究发现：仅基于组织学的深度学习预测器优于病理医师人工IASLC分级和自动化ANORAK分级，并在调整肿瘤大小、分级和T分期后仍具有独立预后价值。PATH-ORACLE超越其两种组成模态，在两个独立验证队列中预测1年复发的AUC分别达到0.86和0.84，并使用单一预设截断值有效区分高风险与低风险组。该模型还显著优于已确立的临床复发风险因素，并在多变量Cox回归中保持独立预测价值（HR 4.04, 95% CI 1.35-12.10, P = 0.013）。研究还发现，术前循环肿瘤DNA（circulating tumor DNA, ctDNA）浓度与PATH-ORACLE评分不相关（R2 = 0.01），提示两者可能捕获风险的不同生物学维度。
三、关键技术方法
研究人员使用了以下主要技术方法：
样本队列：训练队列为TCGA-LUAD（n = 272例具有匹配WSI和RNA数据），外部验证队列包括TRACERx（n = 79例匹配数据）、CPTAC（n = 68例匹配数据）和KORANYI（n = 249例仅WSI数据）。
WSI嵌入：每张全切片图像（whole-slide image, WSI）以0.5 μm2分辨率进行分块，使用ConchV1.5补丁级基础模型进行嵌入，再通过预训练的TITAN transformer聚合为切片级表示，得到每张切片的768维特征向量。
转录组特征：评估了八个已发表的转录组特征（包括ORACLE、Zhao和Carr），并针对I期RFI终点对ORACLE特征进行了重训练。
模型构建：PATH-ORACLE通过早期（特征级）融合将TITAN组织病理学嵌入、ORACLE特征基因表达和临床协变量拼接为单一输入向量，使用弹性网络正则化Cox比例风险模型进行训练。所有预测器仅在TCGA-LUAD上训练，并在独立的TRACERx、CPTAC和KORANYI队列上评估。
性能评估：使用时间依赖性AUC和Harrell一致性指数（C-index）及bootstrap 95%置信区间（CI）量化模型判别能力。
四、研究结果
1. 深度学习WSI分类是比IASLC分级更准确的复发预测指标
病理医师人工IASLC分级在验证队列中与无复发生存的关联较弱（TRACERx C-index 0.61，KORANYI C-index 0.50）。ANORAK自动化分级略有改善（TRACERx C-index 0.61，CPTAC 0.53，KORANYI 0.53），合并所有验证病例后可显著分层高低风险组。WSI基础模型预测器在三个独立验证队列中均显著优于病理医师和ANORAK分级：1年AUC为CPTAC 0.659、TRACERx 0.756、KORANYI 0.634；C-index分别为CPTAC 0.63、TRACERx 0.67、KORANYI 0.58。与ANORAK IASLC分级相比，C-index提升+0.10（95% CI 0.03-0.18，bootstrap P = 0.011）。在ANORAK低危肿瘤（1+2级）中，WSI预测器识别出复发率约为一致低危亚组三倍的高危亚组（19.7%对比5.9%）。多变量Cox回归中，WSI预测器仍为复发的独立预测因子（HR 1.83, 95% CI 1.14-2.92, P = 0.012）。可解释性分析显示，模型学习的聚类主要按微环境和基质特征区分，而非经典IASLC组织学亚型。
2. RNA测序分析——LUAD I期复发特异性ORACLE特征
对ORACLE及七个其他已发表转录组特征的多种队列验证显示，针对I期病例RFI终点重训练的ORACLE特征性能优于原始基于I-III期OS训练的ORACLE（TRACERx C-index 0.66对比0.64，CPTAC 0.81对比0.70，TCGA五折交叉验证0.66对比0.62）。重训练系数与原始系数相关性极弱（Pearson r = 0.1143, P = 6.04 × 10?1）。全转录组从头发现未超越已发表的精选特征。稀疏Cox回归从三个最佳特征（ORACLE、Zhao、Carr）的组合基因集中识别出八个基因（LRP12、ANLN、PNP、PSG1、UPK1B、XBP1、PEBP4和EDN3）提供部分I期复发风险信号，但无一基因单独具有显著预后价值。
3. PATH-ORACLE：多模态深度学习优于既往复发预测指标
在同时具有WSI和RNA-Seq数据的验证病例中，PATH-ORACLE在CPTAC队列1年AUC为0.86（95% CI 0.69-0.98）、3年AUC 0.86、5年AUC 0.97；在TRACERx队列1年AUC为0.84（95% CI 0.64-0.99）、3年AUC 0.71、5年AUC 0.78。合并TRACERx+CPTAC后，PATH-ORACLE的C-index为0.70，优于WSI单独模型的0.63。使用仅由TCGA发现队列定义的单一截断值，可在多个验证队列中有效分层高低风险组（TRACERx P = 0.003, HR 4.99；CPTAC P = 0.0003, HR 6.90）。PATH-ORACLE还纠正了ORACLE的多种错误分类（TRACERx中净获益+10.1%，CPTAC中+2.9%）。多变量Cox回归中，PATH-ORACLE仍为独立预测因子（HR 4.04, 95% CI 1.35-12.10, P = 0.013）。在EGFR突变患者中表现尤为突出（C-index 0.811对比EGFR野生型0.687）。突变状态、LVI、VPI和临床变量的加入未一致改善性能。数据规模消融实验显示，训练数据每增加10%，C-index提升+0.014。
五、讨论与结论
讨论部分总结：既往的自动化方法（如ANORAK和PATQUANT）主要旨在更稳健地复现病理医师已确立的形态学评估，而非发现新的隐藏预后组织学特征。WSI基础模型能够编码切片为高维特征向量，可能捕获包括细微纹理变化、细胞结构空间排列和复杂多尺度模式在内的"隐藏"特征。整合组织学、基因表达和基因突变等多模态诊断信息，可产生比单一模态更准确的独立验证预测。PATH-ORACLE在I期LUAD中改善了风险分层，提示放射学、常规实验室检测时间序列等其他诊断特征可能进一步提高复发预测准确性。在临床转化方面，准确的复发预测工具可用于优先筛选IB期患者接受辅助化疗、辅助靶向治疗（如奥希替尼）或辅助免疫检查点抑制剂治疗（如阿替利珠单抗），避免低复发概率患者承受不必要的治疗副作用。对于IA期患者，高风险复发病例可通过基于液体活检的密切监测进行评估，从而更早启动治疗干预，这对EGFR突变型LUAD尤为重要。
研究局限性：模型仅基于未治疗患者构建，无法识别谁能从辅助治疗中获益；WSI基础模型的可解释性有限；各队列数据覆盖不完整（如KORANYI缺乏RNA-Seq数据）；验证队列中复发事件数较少；队列间监测方案和随访强度存在差异；基础模型不能完全校正域偏移或扫描仪相关伪影；较短的随访中位数（约1、2和4年）由I期LUAD复发风险前置的自然史部分缓解，但2-5年后的晚期复发（富含驱动基因突变肿瘤）未被充分捕获，需更长随访评估。
结论：PATH-ORACLE作为一种多模态深度学习生物标志物，在预测I期LUAD复发方面优于其组成模态和既往预测指标。将PATH-ORACLE从预后生物标志物转化为预测性生物标志物尚需广泛验证，该标志物有望用于优先筛选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，并可联合或不联合基于液体活检的监测。
