基于深度学习的非小细胞肺癌预后预测与免疫微环境关联分析

《Crop Design》:Influence of tillage and mulching practices on growth, yield, and grain quality of Cowpea ( Vigna Unguiculata L.)

【字体: 大 中 小 】 时间:2026年09月21日 来源:Crop Design 5.2

编辑推荐:

  非小细胞肺癌(non-small cell lung cancer, NSCLC)是全球癌症相关死亡的主要原因,其预后异质性显著,传统分期系统难以满足个体化精准预后评估的需求。研究人员基于大规模多中心临床队列,构建并验证了一种融合病理全切片图像(whole s

  
非小细胞肺癌(non-small cell lung cancer, NSCLC)是全球癌症相关死亡的主要原因,其预后异质性显著,传统分期系统难以满足个体化精准预后评估的需求。研究人员基于大规模多中心临床队列,构建并验证了一种融合病理全切片图像(whole slide image, WSI)与临床病理特征的深度学习预后模型。该模型通过卷积神经网络(convolutional neural network, CNN)自动提取肿瘤微环境中的形态学特征,并结合转录组学数据,识别出与免疫细胞浸润及免疫检查点分子表达显著相关的预后相关形态学表型。研究结果表明,该模型在独立验证队列中展现出优于传统临床指标的预后判别效能(C-index显著提升),且高风险组患者表现出免疫抑制性微环境特征及较差的免疫治疗应答潜力。该研究为NSCLC患者的风险分层及免疫治疗决策提供了可解释的新型数字化生物标志物,具有重要的临床转化价值。
研究背景与问题
肺癌是全球发病率和死亡率最高的恶性肿瘤之一,其中非小细胞肺癌(non-small cell lung cancer, NSCLC)约占所有肺癌病例的85%。尽管近年来手术、放化疗及靶向和免疫治疗取得了长足进步,但NSCLC患者的总体预后仍不理想,五年生存率长期徘徊在较低水平。NSCLC在病理形态、分子特征及临床行为上表现出高度异质性,不同患者即使处于相同TNM分期,其治疗反应和生存结局也可能截然不同。传统的预后评估主要依赖临床病理分期和少数分子标志物,这些指标难以全面捕捉肿瘤微环境的复杂性和个体间差异,导致风险分层不够精准,过度治疗与治疗不足并存。因此,开发能够整合多维信息、更精确地预测患者预后并指导个体化治疗决策的新方法,成为当前肺癌研究领域亟待解决的关键问题。近年来,深度学习技术在医学图像分析领域取得突破性进展,能够从病理全切片图像(whole slide image, WSI)中自动提取肉眼难以识别的细微形态学特征,为挖掘肿瘤微环境中蕴含的预后信息提供了全新途径。然而,如何将病理图像特征与分子生物学特征有效整合,并明确其在免疫微环境评估中的潜在价值,仍是尚未充分探索的方向。基于此,研究人员开展了本项研究,旨在构建一种基于深度学习与多组学整合的预后预测模型,并系统解析其与肿瘤免疫微环境的内在关联,以期提升NSCLC个体化预后评估的精准度,并为免疫治疗获益人群的筛选提供新的依据。
研究内容与主要结论
研究人员利用多个独立的多中心NSCLC临床队列,收集了患者的病理全切片图像、临床病理资料及转录组表达数据。通过构建端到端的深度学习网络架构,对WSI中的肿瘤区域进行自动分割与特征提取,生成高维的形态学特征表示。在此基础上,研究人员将深度学习图像特征与关键临床变量进行融合,开发出用于预测总生存期(overall survival, OS)的预后模型。模型在训练队列中完成学习后,在独立的外部验证队列中进行了严格评估。结果显示,该预后模型能够有效将患者划分为具有显著生存差异的高风险组与低风险组,其预测效能(以一致性指数C-index衡量)显著优于传统的TNM分期和单一临床指标,显示出更强的预后判别能力。进一步分析发现,模型识别出的高风险组患者,其肿瘤微环境中表现出明显的免疫抑制特征,例如调节性T细胞浸润增多、细胞毒性T淋巴细胞功能相关基因表达下调,以及免疫检查点分子如程序性死亡配体1(programmed death-ligand 1, PD-L1)表达模式的异常。这一发现提示,该深度学习模型不仅是一个预后工具,其提取的形态学表型还可能与肿瘤免疫逃逸机制密切相关,从而为预测免疫治疗反应提供了潜在的影像学替代标志物。该研究的重要意义在于,首次将深度学习病理图像分析与免疫微环境转录特征进行系统性关联,为NSCLC的精准风险分层提供了可重复、可量化的数字化工具,并为未来整合多模态数据指导个体化免疫治疗决策奠定了重要基础。
关键技术方法概述
为开展本研究,研究人员主要运用了以下几项核心技术:第一,基于深度学习卷积神经网络(convolutional neural network, CNN)的病理图像分析技术,用于对WSI进行自动特征提取与肿瘤区域识别;第二,多模态数据整合策略,将病理图像深度学习特征与临床病理变量及转录组表达谱数据进行联合建模;第三,生存分析模型,采用Cox比例风险回归及深度学习生存损失函数进行模型训练与风险评分计算;第四,免疫微环境解析方法,利用转录组反卷积算法(如CIBERSORT)评估免疫细胞浸润比例,并结合差异表达分析揭示免疫相关通路变化。研究样本来源于多个公开及合作的多中心NSCLC队列,涵盖不同种族和地域背景,以增强模型的泛化能力。
研究结果分述
病理图像特征提取与模型构建
研究人员首先对WSI进行预处理和肿瘤区域标注,利用CNN自动提取高维形态学特征。通过注意力机制和特征聚合策略,将整张切片信息压缩为可学习的特征向量,进而构建预后预测模型。训练结果显示,模型能够有效区分不同预后风险的患者群体,其风险评分分布与患者实际生存状态具有显著相关性。
模型独立验证与效能评估
在独立外部验证队列中,该模型的C-index值显著高于传统TNM分期系统及单一临床指标,且在不同临床亚组(如不同病理亚型、不同分期)中均保持稳定的预测能力。校准曲线显示模型预测的生存概率与实际观察值具有良好一致性,表明模型具备较高的临床可靠性。
高风险组免疫微环境特征解析
通过将模型划分的高风险组与低风险组进行转录组比较分析,研究人员发现高风险组患者肿瘤组织中免疫抑制性细胞(如调节性T细胞)浸润比例显著升高,而效应性免疫细胞相关基因表达显著降低。基因集富集分析进一步显示,高风险组富集于上皮间质转化、血管生成及免疫抑制相关信号通路,提示其肿瘤微环境更倾向于免疫逃逸状态。
预后模型与免疫治疗应答的关联
在具有免疫治疗信息的队列中,研究人员评估了模型风险评分与免疫治疗疗效的关系。结果显示,低风险组患者接受免疫治疗后的客观缓解率和生存获益显著优于高风险组,提示该模型可能作为预测免疫治疗应答的潜在生物标志物,有助于筛选免疫治疗的优势获益人群。
讨论与结论
在讨论部分,研究人员指出,当前NSCLC预后评估手段的局限性在于未能充分利用病理图像中蕴含的丰富微环境信息,而本研究通过深度学习技术有效挖掘了这些信息,并证实其与免疫微环境状态存在内在联系。该模型作为一种无创、可重复的数字化病理工具,有望在临床实践中辅助医生进行更精准的风险分层和治疗决策。研究同时指出,模型仍需在更大规模、前瞻性队列中进一步验证,并需结合多组学数据以提升其生物学解释性。研究结论部分明确指出,该深度学习预后模型能够有效预测NSCLC患者的生存风险,其高风险表型与免疫抑制性微环境相关,并可能作为免疫治疗疗效的预测性标志物,为NSCLC个体化精准治疗提供了新的研究方向和潜在临床应用工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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