美国哈佛医学院、布莱根和妇女医院Rakaee等报告，人工智能（AI）辅助的病理切片分析有作为非小细胞肺癌（NSCLC）免疫检查点抑制剂（ICI）疗效预测生物标志物的潜力。在美国开发队列和欧盟验证队列中，深度学习模型（称为Deep-IO）针对客观缓解率的受试者操作特征曲线下面积（AUC）分别为0.75和0.66。在对验证队列结果的多变量分析中，模型得分被证明是ICI治疗后无进展生存期（PFS）和总生存期（OS）的独立预测因子。（JAMA Oncol. 2024年12月26日在线版）

多项研究表明，晚期/转移性NSCLC患者受益于ICI治疗，但只有25%~30%的患者有效。主要的预测标志物PD-L1表达情况是一个不完善的指标，即使PD-L1表达阳性水平低的患者也能从ICI治疗中获益。此外，2020年获批的ICI疗效预测标志物肿瘤突变负荷（TMB）也受到多种因素的限制，包括成本、检测结果可变性、最佳临界值、有限的灵敏度和特异性等。

AI的进步对数字病理图像的分析有促进作用。研究者开发了几个基于AI的病理分类系统，以从标准组织学数字图像中识别出免疫表型、肿瘤浸润淋巴细胞（TIL）和三级淋巴结构。来源于机器学习的免疫生物标志物与ICI疗效和NSCLC和黑色素瘤患者的总生存期相关。

为了获得最佳的个性化的NSCLC治疗，确定最有可能从免疫疗法中获益的患者是非常必要的。为了开发一种基于监督的深度学习的ICI疗效预测方法，与其他已知的预测性生物标志物一起评估其性能，并评估其与晚期NSCLC患者临床结局的相关性，该项多中心队列研究依据来源于HE染色图像切片的数字图像全景，开发并独立验证了一个基于深度学习的疗效分层模型（Deep-IO），以预测晚期NSCLC患者ICI治疗后的结局。

其中，开发队列来自美国1个中心患者的数据，验证队列来自欧盟3个中心患者的数据；数据时间范围为2014年8月到2022年12月。主要终点为根据临床终点和客观缓解率（ORR）评估得出的、新模型对比其他预测生物标志物的区分能力。

结果显示，研究自958例患者获取了295 581帧HE病理切片的数字图像，其中患者的平均年龄为66.0岁±10.6岁，456例（48%）为女性，502例（52%）为男性，均为ICI治疗的NSCLC患者。美国开发队列包括614例患者，中位随访54.5个月（IQR：38.2~68.1个月）；欧盟验证队列包括344例患者，中位随访43.3个月（IQR：27.4~53.9个月）。

ICI的ORR在开发队列中为26%，在验证队列中为28%。在内部验证队列和外部验证队列中，Deep-IO模型对ORR的AUC分别为0.75（95%CI 0.64~0.85）和0.66（95%CI 0.60~0.72）。在验证队列的生存分析中，当将Deep-IO概率按照中位数和三分位数分类后，更高的Deep-IO评分与更长的PFS（6.2个月 vs. 3.0个月P<0.001）和OS（13.7个月 vs. 8.9个月，P<0.001）均显著相关。

多变量分析显示，在验证队列中，Deep-IO模型得分是ICI疗效的独立预测因子，其中针对PFS的风险比（HR）为0.56（95%CI 0.42~0.76，P<0.001），针对OS的为0.53（95%CI 0.39~0.73，P<0.001）。

调整后的Deep-IO模型在内部验证队列中获得了比TMB、TIL和PD-L1更高的AUC（0.75 vs. 0.57~0.70），在验证队列中也优于TIL且与PD-L1相当（AUC：0.67 vs. 0.66），但在识别无效者方面特异性提高10个百分点。该Deep-IO模型在内部验证队列中也具有最高的敏感性（0.91 vs. 0.54~0.83）。

在验证队列中，Deep-IO联合PD-L1评分改善了疗效分类，获得了0.70的AUC（95%CI 0.63~0.76），优于单独使用任何一种标志物，并产生了最高的阳性预测值和阴性预测值；单独使用PD-L1（≥50%）对比联合使用的有效率分别为51%和41%。

研究者表示：Deep-IO能够在没有事先限制或偏见的情况下全面分析图像特征，从而能够全面评估许多组织病理学模式，有可能更准确地预测临床结局。

（编译 肖丽）