AI工具改进黑色素瘤中关键免疫结构的检测

来自ECOG-ACRIN癌症研究组的研究人员应用了AI驱动的方法，在数千张黑色素瘤肿瘤组织的数字图像中检测三级淋巴结构（TLS），显著提高了TLS的识别率，并改善了可手术的III/IV期患者的生存预测。TLS的存在是更好预后和更高生存率的关键生物标志物，但目前尚未成为患者病理报告的标准部分，且手动检测既耗时又可能有差异。首席研究员Ahmad A. Tarhini博士和Xuefeng Wang博士将在2025年芝加哥举行的美国癌症研究协会年会上介绍这一新方法。

“我们的努力揭示了开源AI工具在通过前所未有的简便性和准确性检测关键免疫结构如TLS来预测生存率和免疫疗法益处方面的潜力。”

——Ahmad A. Tarhini博士，佛罗里达州坦帕市莫菲特癌症中心和研究所皮肤肿瘤学和免疫学教授及高级成员

该研究回顾性地分析了376名晚期高风险黑色素瘤患者的数千张存档数字图像及其对应的RNA测序数据，将TLS的存在与显著更好的总生存率联系起来。这些患者曾参与由ECOG-ACRIN领导的一项里程碑式的美国合作组试验E1609，该试验测试了高风险黑色素瘤中的免疫检查点阻断和细胞因子治疗（Tarhini A. J Clin Oncol. 2020年2月）。

这项分析发现，E1609队列中有55%的患者存在TLS，并且这些患者的总生存率显著高于没有TLS的患者（五年生存率分别为36.23% vs. 29.59%），尤其是那些具有多个TLS的患者（超过一个TLS的五年生存率为38.04% vs. 28.65%）。TLS密度也对总生存率有显著的预后价值（中位数截止值为37.77% vs. 28.72%）。生存率还因AJCC分期、年龄、性别、治疗类型和肿瘤溃疡而异，如AACR摘要3358所示。

“这些发现突显了AI驱动方法使用低成本的H&E染色图像标准化TLS评估的潜力，这有可能改善AJCC分期内的预后分层，并值得进一步研究，”Tarhini博士说。

研究人员首先应用了HookNet-TLS，这是一种开源深度学习算法，用于测量E1609数字化H&E染色切片中的TLS和生发中心（GC）。在初步结果审查后，他们重新训练了模型以提高准确性。他们通过将数字化图像中发现的TLS和GC的存在与归一化的TLS计数相关联，评估了TLS评分的预后价值。

接下来，研究人员应用了Gigapth全切片基础模型进行数字病理特征提取，并探讨了该模型在该队列中检测TLS的潜力。Gigapth通过生成主成分分析（PCA）增强了H&E图像块的可视化效果。

“利用Gigapth基础模型，生成的PCA可视化效果在增强TLS和GC检测方面显示出前景。这些正在进一步微调，最终结果将在未来的会议上分享，”Wang博士说，他是Moffitt癌症中心生物统计学和生物信息学系主任。

这项研究得到了美国国立卫生研究院下属的国家癌症研究所的资助。

“新的生存预测方法利用了低成本且易于获取的技术。它们有潜力加速高风险黑色素瘤患者的TLS检测，帮助医生讨论潜在的免疫疗法益处，”Tarhini博士补充道。

(全文结束)