《Cancer Immunology, Immunotherapy》：Prediction of tumor-infiltrating lymphocytes through habitat radiomics and exploration of response mechanisms in neoadjuvant immunochemotherapy-treated lung cancer
编辑推荐：
本研究针对非小细胞肺癌（NSCLC）新辅助免疫化疗（NAIC）后肿瘤微环境异质性导致的疗效评估难题，开发了基于CT影像的微环境影像组学模型，通过机器学习算法实现了肿瘤浸润淋巴细胞（TIL）状态的无创预测（AUC=0.823），并结合单细胞转录组测序（scRNA-seq）揭示了SERPINB9+调节性T细胞（Treg）介导的免疫抑制机制，为个体化免疫治疗策略提供了重要依据。
随着免疫检查点抑制剂（ICIs）在局部晚期非小细胞肺癌（NSCLC）新辅助治疗中的应用，联合免疫化疗（NAIC）显著提高了病理缓解率。然而，患者反应存在显著异质性，且传统影像学评估标准（如RECIST）在预测病理反应方面准确性有限。这主要是由于免疫化疗引起的炎症变化、假性进展现象以及复杂的组织重塑模式，导致治疗后肿瘤常包含存活肿瘤细胞、坏死、纤维化和炎症浸润的异质性组合，给放射学解读带来巨大挑战。
肿瘤浸润淋巴细胞（TILs）作为抗肿瘤免疫的关键效应细胞，已成为免疫化疗中的重要生物标志物。多项研究证实TIL密度与多种恶性肿瘤的临床结局相关，在肺癌中尤其如此，高TIL浸润患者在接受ICI治疗后表现出更高的病理缓解率和更长的生存期。然而，当前的TIL评估需要侵入性组织采样，限制了其在治疗监测和适应性治疗策略中的应用。因此，开发无创的TIL状态评估方法对于指导个性化治疗策略具有重要意义。
影像组学为从医学图像中提取定量特征提供了新方法，这些特征能够反映组织特性。与传统将肿瘤视为均匀实体的全肿瘤影像组学不同，微环境分析通过无监督聚类识别具有不同影像表型的肿瘤亚区，可能反映潜在的生物学多样性。尽管已有研究显示基于微环境的影像组学可以改善NSCLC治疗结局的预测准确性，但尚未有研究专门探讨在肺癌新辅助免疫化疗后预测TIL状态的微环境影像组学。
为此，发表在《Cancer Immunology, Immunotherapy》上的这项研究，旨在开发和验证一种基于微环境影像组学的机器学习模型，用于预测NSCLC患者新辅助免疫化疗后的TIL状态，并通过整合单细胞转录组学阐明治疗耐药的免疫抑制机制。
本研究主要采用了以下关键技术方法：1）回顾性队列研究设计，纳入华中科技大学同济医学院附属协和医院接受NAIC的NSCLC患者（n=201用于影像组学分析）；2）基于病理评估的TIL状态分组（TIL阳性≥10%，TIL阴性<10%）；3）利用K-means聚类分析治疗后CT图像识别肿瘤微环境亚区并进行影像组学特征提取；4）评估七种机器学习算法（如随机森林、XGBoost）预测TIL状态的性能；5）采用SHAP（SHapley Additive exPlanations）分析评估模型可解释性；6）分析公共基因表达综合数据库（GEO）的单细胞RNA测序（scRNA-seq）数据（GSE207422），通过细胞类型注释、伪时序轨迹分析和细胞间通讯网络比较MPR与非MPR肿瘤微环境。
研究结果
患者特征与临床队列分析
研究共纳入238例接受NAIC并手术切除的NSCLC患者进行临床分析，其中201例符合影像组学分析标准。临床队列以男性为主（89.4%），中位年龄62岁，鳞状细胞癌（66.8%）为主要组织学亚型。多数患者为IIIA期（44.1%）。129例（54.2%）达到主要病理缓解（MPR），其中79例（33.1%）达到病理完全缓解（pCR）。多变量分析显示，治疗前中性粒细胞-淋巴细胞比率（NLR）与病理反应相关。
TIL状态与病理反应相关性
TIL评估将157例（66.0%）患者分为TIL阳性组，81例（34.0%）为TIL阴性组。TIL阳性患者中MPR率达70.1%，显著高于TIL阴性组的23.5%。TIL状态与无复发生存期（RFS）显著相关，提供了预后分层价值。
微环境识别与影像组学分析
通过无监督聚类分析，在治疗后肿瘤内识别出三个不同的微环境亚区。Calinski-Harabasz指数确定最佳聚类数k=3。特征热图显示了病灶内异质性的特征分布。
机器学习模型性能
影像组学队列按7:3随机分为训练集（n=140）和测试集（n=61）。从三个微环境亚区初步提取5505个特征，经过特征选择后，最终24个最优特征用于模型开发。在评估的七种机器学习算法中，随机森林（RF）模型在测试集中表现出最均衡的性能，曲线下面积（AUC）为0.823（95% CI: 0.694–0.932）。该模型成功将患者分为高、低复发风险组，具有显著的预后分层能力。
生物学验证
多重免疫荧光染色验证了成像预测的生物学基础。在TIL阴性/非MPR肿瘤中，FOXP3+调节性T细胞（Treg）浸润增加，表明免疫抑制微环境与不良病理反应相关。
由Treg分化驱动的免疫抑制微环境是治疗耐药的特征
对公共scRNA-seq数据集的分析揭示了应答者和非应答者之间肿瘤微环境的显著重塑。非MPR的微环境中T细胞比例较低，髓系区室相对增加，呈现免疫排斥表型。T细胞亚群分析显示非MPR微环境中Treg和耗竭CD8+T细胞（CD8Tex）扩增。CD4+T细胞的伪时序轨迹分析重建了一条从初始T细胞到Treg命运的连续分化途径。
SERPINB9+Treg通过重塑通讯网络驱动治疗耐药
研究发现SERPINB9+Treg在非MPR患者中显著富集。转录谱分析显示，SERPINB9+Treg表达抑制效应T细胞的基因特征，包括高表达FOXP3、TNFRSF9（4-1BB）和TNFRSF4（OX40）。基因本体（GO）分析证实其遗传程序主导“T细胞活化调节”和“免疫效应过程负调控”通路。SERPINB9作为颗粒酶B的抑制剂，使其能够在发炎的肿瘤核心内存活。细胞间通讯网络分析揭示了决定治疗结局的两种不同信号架构：应答者的网络以MHC-I/II抗原呈递和TNF/LT通路为主，而非MPR网络则表现出向免疫抑制状态的重构，包括LGALS9-HAVCR2（Galectin-9-TIM-3）检查点轴和PGE2信号通路上调，以及CD137/OX40通路被用于促进抑制性SERPINB9+Treg增殖。
研究结论与讨论
本研究成功开发了一种基于治疗后CT的微环境影像组学模型，用于无创预测NSCLC患者新辅助免疫化疗后的TIL状态。随机森林模型在测试集中表现出可靠的预测性能，并通过复发风险分层显示了临床转化价值。研究通过单细胞转录组学深入揭示了耐药肿瘤中存在的免疫抑制特征，特别是鉴定出SERPINB9+Treg亚群通过从初始T细胞分化而在非应答NSCLC肿瘤中累积，并通过主导抑制性细胞通讯网络驱动治疗抵抗。
该研究的意义在于将无创影像生物标志物与深层生物学机制相联系。微环境影像组学模型捕捉了肿瘤内部的异质性，提供了评估免疫环境的非侵入性工具。同时，对SERPINB9+Treg的机制洞察为克服免疫治疗耐药提供了新的潜在靶点，例如针对SerpinB9的疗法或利用OX40/CD137双特异性激动剂重编程Treg功能。尽管研究存在回顾性设计、缺乏多中心外部验证以及TIL评估半定量等局限性，但其结果为推动NSCLC新辅助免疫化疗的精准评估和个体化治疗策略奠定了重要基础。未来的研究方向包括前瞻性验证、多组学整合以及探索针对已识别耐药机制的联合治疗策略。
