Nature Cancer：多模态数据整合改善了免疫疗法的反应预测

导读

免疫疗法被用来治疗几乎所有的晚期非小细胞肺癌（NSCLC）患者；然而，识别强大的预测性生物标志物仍然具有挑战性。在这里，作者展示了整合医学影像、组织病理学和基因组特征来预测免疫疗法反应的能力，使用了247名晚期NSCLC患者的队列，这些患者在临床诊断过程中获得了多模态基线数据，包括计算机断层扫描图像、数字化程序性死亡配体-1免疫组化切片和免疫疗法的已知结果。利用领域专家的注释，作者开发了一个计算工作流程来提取患者层面的特征，并使用机器学习方法将多模态特征整合到风险预测模型中。作者的多模式模型（曲线下面积（AUC）=0.80，95%置信区间（CI）0.74-0.86）优于单模式测量，包括肿瘤突变负担（AUC=0.61，95%CI 0.52-0.70）和程序性死亡配体-1免疫组化评分（AUC=0.73，95%CI 0.65-0.81）。因此，作者的研究提供了一个定量的理由，即使用多模态特征，利用专家指导的机器学习，提高对NSCLC患者的免疫治疗反应的预测。

论文ID

题目：Multimodal integration of radiology, pathology and genomics for prediction of response to PD-(L)1 blockade in patients with non-small cell lung cancer

期刊：Nature Cancer

IF：23.177

发表时间：2022年8月29日

通讯作者单位：纪念斯隆-凯特琳癌症中心

DOI：https://doi.org/10.1038/s43018-022-00416-8

主要内容：

免疫疗法在治疗晚期非小细胞肺癌患者方面已显示出巨大的前景。作者表明，将临床诊断工作中收集的数据与机器学习相结合，有可能改善对免疫疗法反应的预测，并确定最有可能受益的病人。

尽管免疫疗法被用于治疗几乎所有的非小细胞肺癌（NSCLC）患者，但只有一部分患者获得了任何好处。人们已经做出了大量努力，将定量数据分析方法，包括机器学习，应用于非小细胞肺癌患者常规临床工作期间收集的数据，特别是使用放射学和组织病理学数据，以更好地识别那些最有可能应答的患者。然而，由于缺乏多模态数据集和综合算法，这些数据模式通常被独立研究。作者着手建立一个基于深度学习并使用领域专家注释的晚期NSCLC患者的多模式风险预测模型。这些患者有几种类型的基线临床数据，包括CT扫描图像、数字化的PD-1或PD-L1免疫组织化学切片和临床基因组测序数据，以及免疫检查点抑制剂治疗的已知结果。作者表明，通过使用常规收集的临床数据来影响治疗决策，有可能增强目前使用的预测性生物标志物。

作者开发了一个综合的深度学习模型，称为动态注意与掩蔽（DyAM），它结合了注释的CT扫描、数字化的PD-1和PD-L1免疫组织化学切片，以及NSCLC中常见的基因组改变。在每个病人的CT扫描中，由放射科医生对肿瘤进行分割。从分割的区域中提取定量的图像特征，以描述每个肿瘤的CT信号强度的空间分布。在每个病人的数字化PD-L1免疫组化切片中，作者描述了肿瘤内PD-L1免疫反应性的空间组织。利用这些放射学、组织病理学和基因组学特征，作者开发了一个深度学习模型，其灵感来自一篇描述基于注意力的深度多实例学习的论文。作者的模型使用了 "注意力"，这是一种机器学习技术，使模型能够以不同的权重考虑每个病人的模式，从而使每种类型的数据的预测能力最大化。在病人有缺失数据的情况下，如CT扫描中没有明确划分的疾病或没有CD274的表达，作者的模型能够掩盖缺失的数据模式，仍然计算出风险预测。

作者发现，与独立分析放射学、组织病理学和基因组改变时相比，DyAM对免疫疗法反应的预测更为准确。DyAM还能在治疗后早期区分出被归类为免疫疗法反应者和被归类为免疫疗法无反应者的患者。

总之，作者展示了多模式整合常规获得的临床数据的潜力，以改善对NSCLC免疫疗法反应的预测。这种方法也适用于其他治疗环境，以及其他癌症和疾病。

作者的方法是一个原则性的证明，即通过常规临床诊断工作获得的多种数据模式的整合可以产生更好的对免疫疗法的反应预测。由于对可纳入DyAM的模式或数据类型的数量没有固有的限制，作者的模型可以修改或扩展，以包括其他数据模式，并应用于其他癌症类型，甚至是肿瘤学以外的疾病。

作者工作中最大的局限性来自于队列的规模（247名患者同时拥有临床和基因组数据，其中187名患者同时拥有放射学结果，105名患者拥有病理学结果）和对单一中心的限制，这两个因素都可能限制作者结果的普遍性。这些因素促使作者使用领域专家的注释，以提高特征提取的标准化，便于模型收敛。然而，从处理程度较低的数据开始，将使作者的风险预测模型能够以数据驱动的方式学习哪些特征与治疗反应有最佳关联。

在独立的患者队列中复制作者的发现将为多模态整合的论点增添力量。最终，作者的方法可能导致产生更强大的预测性生物标志物，并广泛改善精准肿瘤学。

原文链接：https://www.nature.com/articles/s43018-022-00429-3

转自：“生物医学科研之家”微信公众号

如有侵权，请联系本站删除！