《Clinical and Translational Medicine》：Circulating tumour cells for guiding antibody?drug conjugate therapy: Role of artificial intelligence
编辑推荐：
抗体-药物偶联物（antibody?drug conjugates, ADCs）代表了精准肿瘤学领域的重大进步，但其有效性关键取决于靶抗原的充分表达。肿瘤异质性以及治疗过程中抗原表达的动态变化，对用于患者选择的传统组织活检构成了重大挑战。液体活检成分，如循环肿
抗体-药物偶联物（antibody?drug conjugates, ADCs）代表了精准肿瘤学领域的重大进步，但其有效性关键取决于靶抗原的充分表达。肿瘤异质性以及治疗过程中抗原表达的动态变化，对用于患者选择的传统组织活检构成了重大挑战。液体活检成分，如循环肿瘤细胞（circulating tumour cells, CTCs），能够实现实时、微创的肿瘤负荷、分子特征及靶抗原状态监测。本综述评估了CTC分析在克服ADC治疗关键挑战方面的潜力，包括实时靶点分析、强化患者分层以及治疗应答的纵向监测。尽管研究人员承认，CTC指导的ADC选择的直接临床证据仍然有限，且仍需要前瞻性验证，但研究人员整合了来自不同癌症类型中CTC指导试验的临床证据，并提出了将CTC检测纳入ADC治疗策略的实用性决策框架。研究人员还探讨了人工智能（artificial intelligence, AI）如何提高CTC检测的准确性，并讨论了用于多组学整合及假设性AI指导ADC推荐系统的探索性AI模型，同时根据其当前的临床证据水平对这些模型进行了明确区分。随着CTC技术的进步和标准化程度的提高，液体活检指导的ADC选择有望实现更加个体化的癌症治疗。
1 引言：ADC治疗中对动态生物标志物的需求
癌症是全球主要死亡原因之一，转移是癌症相关死亡的关键因素。抗体-药物偶联物（ADCs）结合了单克隆抗体的靶向特异性和细胞毒性载荷的杀伤效力，已成为精准肿瘤学中最有前景的发展方向之一。目前已有15种ADC获得美国食品药品监督管理局（FDA）批准，另有100多种候选药物处于临床试验阶段。ADC疗效关键取决于靶抗原在肿瘤细胞表面的充分表达，但肿瘤微环境（TME）中抗原表达存在显著的空间和时间异质性。抗原下调、区域间表达异质性和治疗期间的克隆进化均可导致ADC耐药和治疗失败。传统组织活检是肿瘤诊断的金标准，但仅能提供单一时间点、单一肿瘤区域的静态快照，无法反映肿瘤的整体分子特征及治疗过程中的动态变化。因此，液体活检成分尤其是循环肿瘤细胞（CTCs）受到越来越多的关注。与循环肿瘤DNA（ctDNA）相比，CTC作为完整细胞，能够直接进行单细胞水平的靶蛋白表达测量，同时结合基因组和转录组特征，因此对于依赖细胞表面蛋白抗原表达的ADC治疗具有独特优势。本综述聚焦于CTC在抗原依赖性ADC患者选择中的作用，并讨论人工智能（AI）和机器学习（ML）在应对技术挑战方面的潜力。
2 CTCs在ADC选择中的应用：解决异质性和药物靶向
ADC由靶向肿瘤的单克隆抗体、化学连接子和细胞毒性载荷组成。其作用机制涉及靶抗原结合、受体介导的内吞、溶酶体加工及载荷释放。ADC疗效不仅取决于靶抗原存在，还受抗原密度、内化效率、连接子稳定性、细胞内载荷敏感性等因素影响。实体瘤中物理穿透障碍进一步制约疗效。肿瘤异质性，包括空间和时间异质性，是ADC耐药的重要因素。例如，即使在HER2高表达的乳腺癌中，也可能存在显著HER2阴性亚群。ZEPHIR试验显示约46%的HER2阳性患者仅有不到一半病灶呈现均匀示踪剂摄取，说明病灶间抗原分布异质性。长期ADC治疗可改变靶抗原表达水平，因此动态实时监测优于依赖单次存档活检。
2.1 CTC抗原阳性对ADC治疗能预测什么和不能预测什么
CTC抗原阳性可可靠地指示靶点可用性，并反映不同转移部位及治疗过程中的表达异质性。然而，仅凭抗原阳性不能预测抗原密度、内化效率、溶酶体加工、细胞内载荷敏感性或肿瘤穿透性。因此，CTC抗原阳性应被解读为生物标志物资格指标，而非ADC敏感性的替代指标。功能测定如CTC来源类器官（CTCDO）药物测试可能有助于更全面地捕捉ADC反应的决定因素。
2.2 CTC作为肿瘤异质性的动态指标
CTC从多个转移灶脱落进入血液，提供更全面的肿瘤负荷和分子多样性信息。单细胞分析显示CTC中生物标志物表达存在显著异质性。例如，患者来源CTC的EpCAM表达变异大于细胞系对照。基于AI的图像分析，如深度对比学习框架，可在无需预设标记阈值的情况下实现超过92%的CTC表型分类准确率，从而更全面地刻画表型多样性，包括常规门控策略可能遗漏的稀有或非典型亚群。
2.3 CTC表型分析用于ADC治疗的患者分层
CTC表型分析可用于识别原发灶与转移灶抗原状态不一致的患者。约10%–20%的HER2阴性原发乳腺癌患者具有HER2阳性CTC。DETECT III试验首次前瞻性证明CTC表型分析可识别组织HER2阴性乳腺癌中的HER2阳性亚克隆，但该试验使用的是拉帕替尼（一种酪氨酸激酶抑制剂）而非ADC，因此仅提供间接证据。拉帕替尼完全在细胞内发挥作用，不涉及抗体-抗原结合、内吞和溶酶体加工等ADC特有步骤，因此DETECT III的结论不能直接外推至HER2靶向ADC。AI辅助的深度学习分类管道已显示出与专家手动评分高度一致，并可降低操作者间变异性，有望提高ADC相关患者分层的可重复性。
2.4 超越计数：CTC的分子和多组学分析
单细胞基因组分析可揭示耐药克隆和微进化。单细胞RNA测序（scRNA-seq）和多组学方法揭示了CTC群体内的异质性以及与治疗反应相关的分子特征。例如，TROP2阳性CTC与sacituzumab govitecan（SG）的良好反应相关。整合蛋白质、转录组和基因组数据的高维信息超出人工解读能力，基于AI的多组学整合框架已被提出用于指导ADC靶点选择，但这些方法仍处于探索阶段。
2.5 使用液体活检动态监测靶抗原
HER2状态可在疾病进展和治疗过程中发生改变。在三阴性乳腺癌中，至少一次HER2低表达结果的患者比例从一次活检后的59%增加到五次或更多次活检后的100%，表明单次活检可能遗漏trastuzumab deruxtecan的潜在候选者。组织与CTC HER2状态的不一致率高达32.6%。在胃癌中，基于CTC的实时HER2评估可能比组织活检更准确地预测HER2靶向治疗的获益。在卵巢癌中，FRα表达存在显著异质性，原发灶阳性率（44.4%）高于转移灶（32.5%），且37.5%的患者在不同标本间存在不一致。B7-H3、Nectin-4、组织因子（TF）等靶点也表现出治疗过程中的表达异质性。液体活检可识别组织检测阴性或不一致但可能从ADC中获益的患者。
2.6 将CTC与多模式液体活检策略整合
将CTC与分子影像和ctDNA结合可实现多模式评估。HER2-PET/CT能够捕获整体肿瘤负荷并识别病灶水平异质性，与CTC表型和ctDNA分析结合可全面了解靶抗原状态。SURVIVE-HERoes等试验正在评估基于ctDNA检测分子复发时使用trastuzumab deruxtecan，标志着向液体活检指导的治疗升级转变。在前列腺癌中，PSMA-PET和ctDNA提供互补预后信息，CTC为基础的PSMA检测则提供了微创替代方案。对于尚无特定分子影像模式的靶点，如Nectin-4、B7-H3和TF，CTC表型分析与ctDNA相结合是评估靶点异质性和监测耐药出现的实用策略。
3 CTCs在治疗监测和预后中的作用
大量临床研究证实CTCs具有预后重要性。Cristofanilli等人研究发现转移性乳腺癌患者中每7.5 mL血液≥5个CTC者的无进展生存期（PFS）和总生存期（OS）显著缩短。Meta分析显示CTC阈值≥1、≥2、≥5时的风险比分别为2.55、4.36和5.20，表明CTC负荷与临床结局之间存在剂量-反应关系。
3.1 CTC计数作为治疗选择和升级的工具
STIC CTC试验将755例激素受体阳性、HER2阴性转移性乳腺癌患者随机分为医生选择或CTC计数指导的一线治疗组。CTC指导组中≥5个CTC的患者接受化疗，<5个接受内分泌治疗。结果显示CTC指导组中位PFS为15.5个月，标准组为13.9个月，达到非劣效性主要终点。在临床低风险但CTC计数高的不一致亚组中，根据CTC结果接受化疗的患者死亡风险显著降低。这是首个III期证据表明CTC计数可作为指导治疗升级的生物标志物。
3.2 全身治疗期间CTC的纵向监测
SWOG0500试验显示，治疗开始后CTC持续≥5的患者中位OS仅为13个月，提示可能存在化疗耐药。CirCe01试验亚组分析显示，三线及以上化疗中未实现CTC清除并更改治疗方案的患者生存获益。纵向CTC监测优于单时间点评估，持续升高或连续上升的CTC计数提供更可靠的预后信息。计算管道如CTC-Quant可识别短期治疗周期内CTC计数变化窗口，更清晰地区分应答者和无应答者，但需在更大规模前瞻性ADC特异性队列中验证。
3.3 CTC簇作为高转移性和预后相关实体
CTC簇由两个或更多肿瘤细胞组成，其转移潜力比单个CTC高20–100倍。约17%–20%的转移性乳腺癌患者存在CTC簇，其存在独立预测更低的PFS和OS。一项临床前研究利用乳腺癌异种移植模型来源的CTC细胞系鉴定了与转移行为相关的基因特征，包括SPARC、THBS1、VCL和HSP90AB1的上调，但这些发现仍属于假说生成阶段。
3.4 CTC和早期疾病微小残留病检测
CTC检测支持实体瘤的微小残留病（MRD）监测。Bidard研究汇总21项研究数据，新辅助化疗前检出≥1个CTC可独立预测较短的无病生存期和OS。术后CTC检测在可切除非小细胞肺癌（NSCLC）中具有预后意义，术后一个月CTC存在是早期复发的独立预测因子（风险比=5.75）。结合ctDNA分析可提供细胞水平表型数据和基因组耐药突变信息。ctDNA为基础的分子残留病检测可在临床体征出现前8–12个月识别分子复发。
3.5 基于CTC的监测优化ADC治疗和治疗顺序
实时评估治疗期间CTC上的靶抗原表达有助于早期发现获得性耐药，如靶抗原下调或表型转换。组织基础的ADC治疗反应评分（ADC-TRS）结合靶表达和增殖、粘附标志物，虽然为组织检测而非CTC检测，但展示了可适应CTC情境的多参数密度感知评分方法。对于接受序贯ADC治疗的患者，监测CTC动态有助于确定最佳换药时机。结合CTC计数、表型和ctDNA分析以及HER2-PET/CT等影像方法的多模式液体活检有望实现更个体化的ADC选择和持续监测。
3.6 CTC指导的ADC治疗患者分层：从检测到治疗选择
实施CTC分析需要平衡敏感性和实用性。FDA批准的CellSearch系统采用EpCAM免疫磁珠富集，可能漏检经历上皮间质转化（EMT）的细胞。无标记富集方法基于物理特性可捕获更多样化的细胞群体。CTC-内分泌治疗指数（CTC-ETI）结合CTC绝对计数和ER、Bcl-2、HER2、Ki67等多标记谱，比单纯计数更好地预测激素受体阳性转移性乳腺癌的治疗耐药。DETECT III试验使用单个HER2阳性CTC作为纳入标准，展示了可行性，但该阈值未针对ADC临床结局进行验证。DETECT IV和V试验显示CTC表型可用于定制复杂治疗方案。然而，染色强度标准化和单细胞阈值的多中心可重复性仍是挑战。
4 人工智能和机器学习的作用
AI和ML在图像分类自动化、程序标准化和高通量计数方面已获得临床级验证。传统CTC识别依赖人工检查免疫荧光图像，耗时且存在观察者间变异。卷积神经网络等深度学习方法在自动分类CTC方面达到与专家相当的性能。注意力机制和迁移学习提高了跨平台分类准确性。ML与微流控技术集成可实现实时数据处理和模式识别。
4.1 基于AI的多组学CTC数据整合用于ADC靶点选择
AI框架已被提出用于整合多组学CTC数据以指导ADC靶点选择，但这些应用仍处于探索阶段，尚未在ADC患者的前瞻性临床研究中得到验证。树算法可将肿瘤细胞与外周血单核细胞区分开。图神经网络和基于Transformer的模型已被提出用于分析抗原表达、基因组改变和表型特征，以对ADC靶点进行排序，但目前仍处于临床前阶段。在TNBC中，计算分析显示TROP2在CTC上高表达并与EMT表型相关，但CTC TROP2水平与ADC反应之间的直接证据仍然有限。对于训练临床有用的多组学模型，根据样本量框架，粗略估计需要约50–100例可评估患者作为初步探索性模型，并需要独立队列进行外部验证。
4.2 使用纵向CTC和ctDNA数据预测ADC反应
结合CTC动态与ctDNA分析的预测性ML模型已显示出早期前景，但仍缺乏前瞻性临床验证。一项前瞻性CTC成像研究中，接受TROP2或HER2靶向ADC治疗的患者在治疗开始三周内CTC数量的显著下降与持久反应相关。该研究还发现靶表位表达在获得性临床耐药时通常未下调，而共享类似载荷的ADC序贯切换很少产生二线反应，提示载荷敏感性而非表位丢失是主要耐药驱动因素。相比之下，一项基于组织的研究显示trastuzumab deruxtecan治疗后49%的患者HER2表达显著下降，其中一半以上完全丢失。这两种发现的调和可能是靶点下调在HER2低表达、非癌基因驱动疾病中更突出，而载荷相关耐药在HER2扩增、癌基因成瘾肿瘤中占主导。CirCe T-DM1试验通过FISH识别HER2阴性转移性乳腺癌中的HER2扩增CTC，但临床活性有限，11例患者中仅1例部分缓解，中位PFS为4.8个月，表明靶点阳性CTC检测不足以预测ADC获益。
4.3 AI指导的临床决策支持和ADC治疗优化
AI驱动的临床决策支持系统已被提出用于将CTC生物标志物数据转化为ADC治疗推荐，但均未在ADC患者中得到前瞻性验证。数字孪生模型和自适应给药算法已被提出用于模拟ADC药代动力学，但均未验证。治疗耐药时，AI分析CTC分子变化可帮助设计合理的序贯策略。值得注意的是，在保持相似载荷类别的同时切换ADC表位靶点在临床研究中成功有限，支持序贯ADC治疗应使用不同载荷机制的假说。自然语言处理工具可分析电子健康记录和不良事件数据库以改善药物警戒。
4.4 AI指导CTC分析在ADC治疗中的挑战和未来方向
数据缺乏是主要挑战，尤其是包含偶联效应、细胞内运输和临床药代动力学/药效学的ADC特异性训练数据集。模型可解释性对于监管批准和临床应用至关重要。可解释AI架构有助于建立临床医生信任。闭环实验平台将AI预测与高通量验证相结合可加速ADC优化，但仍处于早期概念阶段。多模态基础模型训练于多种数据类型有望实现个体化ADC选择，但需要专门的前瞻性研究进行临床转化。
5 挑战和未来方向
5.1 标准化和临床验证
CTC检测平台间缺乏标准化协议是临床使用和数据比较的重要障碍。捕获效率从42%到超过90%不等。CellSearch是唯一FDA批准的CTC计数方法，但对表型多样的CTC群体捕获能力有限。采血管类型、处理时间、储存条件和样品处理等分析前因素可导致变异。除计数外，CTC指导ADC选择还需要定量、校准的抗原检测方法。目前ADC相关靶点如HER2低表达、TROP2和FRα在CTC上的染色阈值和实验室间一致性研究缺乏。不同的阈值定义可能导致患者被重新分类为适合或不适合特定ADC。未来临床试验应包括标准化的前瞻性CTC监测，确定可操作靶抗原表达的明确阈值，并将CTC指导治疗与标准治疗进行比较。
5.2 保持CTC活力用于功能研究
保持CTC活力对于外体药物敏感性测定和患者来源模型至关重要。许多富集技术使用固定、免疫磁珠标记或机械力，损害细胞完整性。CTC培养成功率低于20%。无标记微流控系统利用尺寸和可变形性等物理特性可保持细胞活力。二进制胶体晶体基底和专用培养基质已成功扩增SCLC患者的活性CTC，药物敏感性结果与临床反应相关。CTC来源类器官（CTCDO）仍处于早期阶段，其建立成功率预计至少同样有限，需要持续增殖扩增。生物样本库建设正在进行，但低且多变的成功率限制其规模和代表性。
5.3 捕获表型异质性CTC群体
EMT对EpCAM依赖性CTC检测方法构成主要障碍。在EMT过程中，上皮标记物如EpCAM和细胞角蛋白下调，间充质标记物如N-钙粘蛋白、波形蛋白和Twist上调，使CTC逃避免疫磁珠捕获。直接比较显示，EpCAM免疫磁珠选择回收率约52%，而无标记过滤方法高达95%。在晚期胃癌中，间充质/上皮CTC比率具有预后价值。多标记捕获混合物结合上皮和间充质抗体可使卵巢癌CTC回收率增加近三倍。无标记微流控技术可实现70%–99%的捕获效率。阴性选择方法去除CD45阳性白细胞是另一种选择。基于目前证据，不建议完全放弃EpCAM平台，CellSearch仍是FDA批准的枚举平台，并与已建立的预后阈值相关。EpCAM依赖和无标记方法可能互补，临床医生应谨慎解释阴性或低EpCAM CTC结果，必要时可进行无标记捕获、ctDNA分析或重复活检。
5.4 新兴技术和未来方向
CTC的scRNA-seq可实现单细胞水平的肿瘤异质性、EMT动力学和ADC靶表达的高分辨率表征。研究已鉴定出具有不同转移能力的CTC亚型，并揭示新的治疗靶点。空间转录组学与CTC分析结合可揭示CTC簇内的细胞间相互作用。多组学整合结合AI驱动分析有望成为CTC指导精准肿瘤学的下一步。Parsortix等平台支持从CTC捕获到单细胞分子分析的工作流整合。随着ctDNA检测获得FDA批准，监管流程正在发展以适应液体活检伴随诊断。未来ADC治疗可能从静态活检定义方案转向动态液体活检指导方法，取决于闭环系统、实时CTC监测、AI指导解读和自适应治疗算法的开发和验证。总之，CTC分析与ADC治疗相结合，作为ctDNA和组织检测的互补多模式液体活检策略的一部分，代表了个体化癌症治疗的有前景方向，但需依赖于前瞻性临床验证。微流控、纳米技术和AI的持续发展正在帮助克服标准化、活力维持、表型捕获和临床验证等挑战。研究人员、临床医生和行业之间的合作对于将CTC生物标志物成功应用于ADC治疗规划至关重要。
