企业官网建设流程全解析

01文献学习今天分享的文献是由南方医科大学南方医院、中山大学肿瘤防治中心等团队于2024年5月在肿瘤免疫学领域顶刊《Journal for ImmunoTherapy of Cancer》中科院1区topIF10.6上发表的研究“Development and interpretation of a pathomics-driven ensemble model for predicting the response to immunotherapy in gastric cancer”即基于病理组学的集成模型在胃癌免疫治疗反应预测中的开发与解读该研究开发并验证了一种基于病理组学的集成学习模型PDEM用于预测胃癌患者对免疫检查点抑制剂ICIs的治疗反应。研究使用HE染色的全切片图像WSI提取三类病理组学特征细胞核、单细胞空间分布、微环境深度特征并通过集成多个机器学习模型构建预测模型。模型在多个独立队列中表现出优异的预测性能AUC达0.92以上。SHAP分析和病原组学分析进一步揭示了模型的决策机制和分子基础。创新点①直接预测免疫疗效区别于建立分子标志物如MSI、PD-L1的影像替代物直接预测胃癌免疫治疗反应避免间接局限性。②集成多维度病理特征融合细胞核、单细胞空间分布及微环境深度特征全面刻画肿瘤微环境异质性。③模型可解释与分子验证结合SHAP分析与病原基因组学揭示免疫、代谢相关通路驱动机制提升临床信任度。临床价值①低成本非侵入性工具基于常规HE染色切片无需额外分子检测普适性强降低医疗成本。②精准筛选获益人群优于PD-L1 CPS等传统标志物识别低CPS仍有效及高CPS无效患者优化治疗决策。③多中心稳健验证在多个外部验证集中AUC均0.91泛化能力优秀助力个体化免疫治疗推广。图 1研究整体工作流程图研究对象与数据入组多中心回顾性纳入584例胃癌免疫治疗患者来源中山大学肿瘤防治中心、南方医科大学南方医院、广东省中医院另纳入TCGA-STAD队列311例用于分子验证。病理影像处理HE染色全切片影像WSI→40×扫描→CLAM算法自动组织分割→病理学家复核ROI感兴趣区域。病理组学特征提取提取三类互补特征pNUC病理组学细胞核特征强度、形态、纹理pMENV病理组学深度微环境特征pSCSD病理组学单细胞空间分布特征集成模型构建Step1融合4种机器学习算法LASSO、KNN、决策树DT、随机森林RF通过投票回归器集成输出最终预测结果。模型验证与解释性能验证训练集内部验证集2个外部验证集用ROC/AUC、灵敏度、特异度评估可解释性SHAP分析解析特征贡献分子机制病原组学分析GSEA/KEGG关联免疫/肿瘤/代谢通路。02研究背景和目的研究背景胃癌是全球常见的恶性肿瘤之一也是癌症相关死亡的第三大原因。免疫检查点抑制剂ICIs已成为缺乏靶向治疗选择的胃癌患者的重要治疗手段然而仅有部分患者能从ICIs治疗中获得长期生存获益。目前临床常用的预测生物标志物如PD-L1表达、微卫星不稳定性MSI和肿瘤突变负荷TMB存在明显局限性PD-L1低表达或不表达的患者仍可能从抗PD-L1治疗中获益MSI-H在晚期胃癌中仅占4%~7%且这些检测存在样本要求高、标准化不足、成本昂贵等问题。ICIs的疗效受到肿瘤、微环境和宿主因素之间复杂相互作用的复杂影响。HE染色的全切片图像WSI蕴含丰富的肿瘤微环境信息病理组学分析可量化组织微环境、识别与预后和治疗反应相关的形态学特征。既往研究主要集中于建立针对MSI、EBV感染状态或PD-L1表达等特定分子指标的成像替代标志物而非直接利用病理组学特征预测免疫治疗疗效且忽视了复杂模型的可解释性。因此亟需开发一种直接、高效且可解释的病理组学模型来精准预测胃癌免疫治疗应答。研究目的本研究旨在开发并验证一个基于病理组学的集成模型PDEM用于直接预测胃癌患者对免疫检查点抑制剂治疗的疗效。研究团队从HE染色的全切片图像中提取了三类定量病理组学特征细胞核特征pNUC、单细胞空间分布特征pSCSD和深度微环境特征pMENV分别从个体细胞形态、细胞空间分布及整体微环境三个层面全面刻画肿瘤微环境。在此基础上集成LASSO、K近邻KNN、决策树和随机森林四种分类器构建集成模型并在多中心队列共584例患者中进行训练和验证。模型性能采用AUC、敏感性和特异性等指标评估。同时研究采用SHAP分析对集成模型的预测结果进行解释量化每个输入特征对预测的贡献。进一步通过病原基因组学分析利用TCGA-STAD队列的转录组数据和WSI探究模型预测背后的分子机制包括免疫相关通路、代谢通路以及免疫评分、肿瘤纯度等免疫微环境特征旨在为胃癌精准免疫治疗提供一种高精度、鲁棒且可解释的新型预测工具。03数据和方法数据本研究为多中心回顾性研究共纳入584例接受免疫检查点抑制剂治疗的胃癌患者其中来自中山大学癌症中心的174例被分为训练队列130例和内部验证队列44例来自南方医科大学南方医院的71例作为外部验证队列1来自广东省中医院的28例作为外部验证队列2此外从TCGA数据库获取416例胃癌患者其中311例有高质量基因表达及全切片图像用于病原组学分析与分子验证。方法HE染色全切片图像→提取三类定量病理组学特征细胞核特征(pNUC)、单细胞空间分布特征(pSCSD)、深度微环境特征(pMENV) →集成模型开发采用LASSO、KNN、决策树、随机森林四个基分类器通过投票回归器集成构建预测模型 →模型验证在内部及外部验证队列中评估AUC、灵敏度、特异度等指标 →SHAP分析解释特征重要性及个体预测决策→病原组学分析对TCGA-STAD数据计算预测分类进行差异表达基因、KEGG富集、GSEA并评估ESTIMATE评分、免疫评分、肿瘤纯度等免疫相关特征 →预后分析采用Kaplan-Meier曲线和多因素Cox回归评估模型预测签名对无进展生存期的独立预测价值。04实验结果预测性能训练集AUC0.985内部验证集AUC0.921外部验证集1 AUC0.914外部验证集2 AUC0.927优于PD-L1CPS、SVM、LR等模型预后价值预测响应者的PFS显著优于非响应者多因素Cox回归显示模型为独立预后因子HR0.34模型解释SHAP分析识别出关键病理特征如pSCSD-534模型决策过程可视化分子机制预测响应者富集于免疫相关通路如干扰素γ、炎症反应高免疫评分、低肿瘤纯度图 2集成模型与单一模型预测性能的ROC曲线对比图 3无进展生存期PFS的Kaplan-Meier生存曲线图 4多因素Cox回归森林图PFS图 5SHAP解析病理组学集成模型图 6病理组学集成模型的病原组学分析05研究结论该研究成功开发并验证了一个基于病理组学的集成模型PDEM用于预测胃癌患者对免疫检查点抑制剂ICIs的治疗反应。通过多中心回顾性分析584例患者的HE染色全切片图像提取细胞核、单细胞空间分布及微环境深度特征并整合LASSO、KNN、决策树和随机森林四种分类器PDEM在训练集及三个验证集中均表现出极高的预测性能AUC达0.921~0.985显著优于传统的PD-L1联合阳性评分CPS及其他单一机器学习模型。该模型能有效区分免疫治疗的响应者与非响应者且预测标签是患者无进展生存期的独立预后因素HR0.34, p0.001。借助SHAP分析模型决策过程得以解释关键病理特征如pSCSD-534对预测贡献最大。进一步的病原组学分析揭示模型所区分的响应组富集了免疫相关通路如补体、干扰素γ应答、肿瘤抑制通路如凋亡、G2/M检查点及半乳糖代谢通路而非响应组则富集胆固醇生物合成通路同时响应者表现出更高的免疫评分和更低的肿瘤纯度。综上PDEM作为一种无创、可解释且高精度的预测工具为胃癌精准免疫治疗提供了有力支持但仍需前瞻性大样本研究验证其临床适用性。参考文献Han Z, Zhang Z, Yang X, Li Z, Sang S, Islam MT, Guo AA, Li Z, Wang X, Wang J, Zhang T, Sun Z, Yu L, Wang W, Xiong W, Li G, Jiang Y. Development and interpretation of a pathomics-driven ensemble model for predicting the response to immunotherapy in gastric cancer. J Immunother Cancer. 2024 May 15;12(5):e008927. doi: 10.1136/jitc-2024-008927.