揭秘：机器学习揭示肺癌患者免疫治疗反应的关键

这项多中心研究包括了2014年2月至2021年9月之间接受免疫检查点抑制剂治疗的685名患者，其中446名在发现队列中，239名在验证队列中。研究人员开发了一种机器学习自动方法，用于计算NSCLC肿瘤中的肿瘤、基质和TIL细胞在整张苏木精-伊红染色图像中的数量。肿瘤突变负担（TMB）和PD-L1表达分别进行评估。从病历中确定免疫检查点抑制剂治疗的临床反应。 在多变量分析中，与较低水平相比，高TIL水平（≥ 250 细胞/mm2）独立与改善的无进展生存（HR = 0.71, P = .006）和总生存（HR = 0.74, P = .03）相关。在验证队列中也得到了类似的发现，无进展生存的风险比为0.80（P = .01），总生存的风险比为0.75（P = .001）。 在合并队列中，与低TIL水平相比，高TIL水平在接受一线免疫检查点抑制剂单药治疗的患者中显著与改善的无进展生存（HR = 0.52, P < .001）和总生存（HR = 0.59, P < .001）相关；在接受二线或更晚线免疫检查点抑制剂单药治疗的患者中改善无进展生存（HR = 0.76, P = .008）和总生存（HR = 0.77, P = .01）。 在发现队列中对客观反应的分析中，区分反应者和非反应者的接收者操作特征曲线下面积（AUC）最高的是高PD-L1/高TMB的联合模型（AUC = 0.70）。PD-L1/TMB模型和TIL/PD-L1模型（AUC = 0.56）的特异性均高于PD-L1单独使用（AUC = 0.52）。 在PD-L1阴性患者中，与TMB（AUC = 0.65）相比，TIL水平在免疫检查点抑制剂反应与非反应的分类准确性更高（AUC = 0.77）。 研究人员得出结论：