中山大学/南方医科大学/斯坦福大学：胃癌肿瘤微环境评估和治疗反应新策略

肿瘤微环境(TME)在疾病进展中起着至关重要的作用，是癌症患者治疗反应的关键决定因素。在这里，我们提出了一种结合影像组学和深度学习分析的无创方法来从影像学图像中预测TME状态。

近日，中山大学/南方医科大学/斯坦福大学研究团队合作在《Cell Reports Medicine》上发表题为“Non-invasive tumor microenvironment evaluation and treatment response prediction in gastric cancer using deep learning radiomics”的文章。研究表明，放射学模型准确地预测了肿瘤微环境(TME)状态，并且是超越临床病理变量的独立预后因素。该模型进一步预测了辅助化疗对局限性疾病患者的益处。在接受检查点阻断免疫治疗的患者中，该模型可预测临床应答，并与现有生物标志物联合应用时进一步提高预测准确性。该方法实现了对TME的无创评估，这为纵向监测和跟踪对癌症治疗的反应打开了大门。鉴于放射学成像在肿瘤学中的常规应用，该方法可以推广到许多其他实体瘤类型。

研究背景

放射学成像可以显示整个肿瘤，并常规用于癌症患者的诊断、分期、治疗反应评估和随访。复杂的影像学分析可以揭示细微的影像学表型和基础病理生物学的特定方面(包括TME)之间的联系。目前已经探索了两种广泛的方法:(1)利用手工制作的图像特征进行的影像组学分析，以及(2)深度学习，它可以从图像中自动学习特征表示。虽然大多数应用侧重于临床诊断，但新兴研究表明，使用深度学习从医学图像预测生物学特征是可行的。

研究团队之前基于对8个免疫和间质特征的免疫组化评估，开发并验证了总体TME状态的机器学习分类器，这些特征可预测GC的生存期和辅助化疗的获益。在本研究中，我们的目标是通过结合深度学习和影像组学分析，开发一种基于影像学的TME分类器模型。研究人员将进一步验证该模型预测预后及对化疗和免疫治疗的反应。

研究结果

深度学习影像组学模型预测CT图像中的TME分类器

研究团队训练了一个深度学习影像组学模型，用于预测计算机断层扫描(CT)图像中的TME分类器。该模型结合了深度卷积神经网络和手工构建的特征，从而获得了一个基于影像的TME分类器，即深度学习影像组学标签(DLRS)。深度学习影像组学模型的实现可在https://github.com/MontaEllis/HR-Rad-Net获取。对于预测训练队列中的TME分类器，本文模型的曲线下面积(AUC)为0.937(95%置信区间[CI]， 0.914 ~ 0.960)。同样，该模型在内部和外部验证队列中实现了高水平的区分度，AUC分别为0.912和0.909。正如预期的那样，在所有三个队列中，高TME组的模型输出DLRS均显著高于低TME组。混淆矩阵显示，模型预测与免疫组织化学(IHC)定义的TME分类器一致性良好。校准曲线还显示，在所有队列中，TME分类器的预测概率和观察结果之间具有极好的一致性。决策曲线分析表明，在一系列相关阈值概率下，该模型的净获益高。

研究设计用于发现和验证基于CT图像的深度学习模型，以评估胃癌的肿瘤微环境和治疗结果

研究意义

免疫疗法已成为许多癌症类型的标准治疗方法，但目前仍需要可靠的生物标志物来确定哪些患者会对免疫疗法产生应答。DLRS可以预测晚期胃癌患者抗PD -1免疫治疗的疗效。免疫细胞浸润程度高的肿瘤对免疫治疗反应好。然而，高间质和高血管的肿瘤反应较差。这与之前基于TME评估的分子方法的发现一致。TME的影像学特征比PD-L1表达具有更强的预测作用，PD-L1表达是临床批准的免疫治疗应答的生物标志物。重要的是，将TME分类器与PD-L1表达相结合显著提高了疗效预测的准确性。尽管具有错配修复缺陷(dMMR)/高微卫星不稳定性(MSI-H)状态的肿瘤具有更高的缓解率，但此模型可以识别出对抗PD -1免疫治疗无应答的肿瘤子集，对于这些患者将需要联合治疗策略。

相较于研究放射学成像与TME之间的关系，另一种方法是应用影像组学或深度学习分析直接预测治疗反应或结局，许多研究在胃癌和其他癌症中报告了有前景的结果。然而，一个关键问题是对这些影像学特征缺乏生物学解读。相比之下，我们的工作建立在TME在疾病进展中的明确作用及其对治疗应答的影响的广泛证据之上，因此为模型预测提供了背后的生物学原理。