《Radiotherapy and Oncology》：Artificial intelligence classification of spatial CD8 + T-cell distribution on computed tomography in oropharyngeal cancer
编辑推荐：
CD8+T细胞在口咽癌（oropharyngeal cancer, OPC）中的存在与空间分布可反映特定免疫表型，并与患者预后密切相关。卷积神经网络（convolutional neural network, CNN）等图像处理方法有望优化治疗决策。本研究基于
CD8+T细胞在口咽癌（oropharyngeal cancer, OPC）中的存在与空间分布可反映特定免疫表型，并与患者预后密切相关。卷积神经网络（convolutional neural network, CNN）等图像处理方法有望优化治疗决策。本研究基于标准计算机断层扫描（computed tomography, CT）图像，评估影像组学联合机器学习模型及CNN预测空间分辨CD8+T细胞免疫谱及生存结局的价值。研究纳入患者治疗前CT图像，对比影像组学与CNN对间质-癌巢CD8+T细胞浸润比（stroma-to-infiltrate ratio, SIR）及免疫表型的预测效能，免疫表型判定依据空间分辨组织芯片结果。外部验证采用包含基因组与影像信息的公开数据集，并在ARTSCAN III随机临床试验入组的OPC患者中，按模型分层评估生存结局，该试验对比了西妥昔单抗与顺铂同步放疗的方案。结果显示，CNN预测高/低SIR的受试者工作特征曲线下面积（area under the curve, AUC）达0.75（范围0.71–0.81），性能优于影像组学。将ARTSCAN III患者按CNN衍生免疫评分分层后，单因素与多因素分析均显示，炎症型表型患者局部控制率（风险比[hazard ratio, HR] 0.03，95%置信区间[confidence interval, CI] 0–0.23，p<0.0001）、无进展生存期（progression-free survival, PFS）（HR 0.36，95%CI 0.18–0.71，p=0.003）及总生存期（overall survival, OS）（HR 0.35，95%CI 0.14–0.85，p=0.02）更优。按化疗方案分层后，高免疫评分对应西妥昔单抗治疗患者的PFS更佳。研究结果表明，CNN可预测OPC中CD8+T细胞浸润，为非侵入性治疗分层与个体化治疗提供了有前景的工具。
该研究发表于《Radiotherapy and Oncology》，针对口咽癌当前诊疗痛点展开。口咽癌是全球第六大常见恶性肿瘤，发病率上升主要与高危型人乳头瘤病毒（human papillomavirus, HPV）相关亚型增加有关。尽管HPV阳性患者总体预后较好，仍有相当比例患者出现复发，且根治性放化疗的长期毒性负担较重，临床亟需非侵入性生物标志物实现精准治疗分层。传统CD8+T细胞检测依赖流式细胞术或免疫组化，属于有创操作，难以常规开展；既往基于 bulk mRNA 的影像组学研究未结合空间分辨免疫信息，对肿瘤微环境异质性解析不足。在此背景下，研究人员探索基于治疗前标准CT图像的卷积神经网络（CNN）模型，无创预测空间分辨CD8+T细胞免疫谱并验证其预后价值。
研究采用四个独立队列：训练队列为瑞典斯科讷大学医院扁桃体癌患者，含空间分辨CD8+T细胞免疫组化数据；外部验证队列来自癌症基因组图谱头颈部鳞状细胞癌数据集（The Cancer Genome Atlas Head-Neck Squamous cell Carcinoma, TCGA-HNSC）与临床蛋白组肿瘤分析联盟头颈部鳞状细胞癌数据集（Clinical Proteomic Tumour Analysis Consortium Head-Neck Squamous cell Carcinoma, CPTAC-HNSC）；生存分析队列为ARTSCAN III随机临床试验入组的局部晚期头颈鳞癌患者，该试验对比顺铂同步放疗与西妥昔单抗同步放疗方案。CT图像统一重采样至1×1×1 mm3体素，勾画原发肿瘤大体靶区（gross tumour volume, GTVT）并定义瘤周4 mm环，提取影像组学特征（包括一阶统计量、灰度共生矩阵、灰度游程长度矩阵等）。CNN模型选用Monai模型库的ResNet与DenseNet系列，以SIR中位数及三类免疫表型（炎症型、免疫排斥型、荒漠型）为分类目标，采用嵌套5折交叉验证与Delong法评估效能。生存分析采用Kaplan-Meier法与Cox比例风险模型，校正HPV状态、疾病分期与治疗臂等因素。
研究结果
训练队列共纳入104例患者，49%为炎症型、32%为免疫排斥型、19%为荒漠型免疫表型，间质-癌巢CD8+T细胞浸润比（SIR）中位值为1.52。最佳CNN模型（DenseNet169）预测高/低SIR的交叉验证平均AUC为0.75（范围0.71–0.81），外部验证中预测CD8+T细胞基因特征的AUC在CPTAC队列为0.77、TCGA队列为0.71，均显著优于影像组学模型；炎症型表型预测模型的外部验证AUC为0.64（CPTAC）与0.58（TCGA）。在ARTSCAN III生存队列中，CNN炎症型评分可显著分层患者预后：单因素分析显示炎症型患者局部控制HR为0.03（p<0.0001）、PFS HR为0.36（p=0.002）、OS HR为0.35（p=0.015）；多因素分析校正混杂因素后，免疫评分仍为局部控制（HR 0.04，p<0.001）与PFS（HR 0.44，p=0.02）的独立预测因子，且在HPV阳性患者中预后价值更显著。按治疗臂分层分析显示，西妥昔单抗组中炎症型患者的局部控制获益更明显（HR 0.04，p<0.001），但组间交互作用无统计学意义。
讨论与结论
研究证实，基于治疗前标准CT的CNN模型可有效预测口咽癌的空间分辨CD8+T细胞免疫谱，其性能优于传统影像组学，且预测得到的免疫表型是局部控制与生存的独立预后因素。这一非侵入性方法避免了有创活检，可为治疗强度调整（如去强化或升阶梯治疗）提供依据。与既往研究相比，本研究的创新点在于首次结合空间分辨免疫组化数据训练模型，突破了bulk数据无法解析肿瘤微环境异质性的局限。治疗分层分析提示，炎症型微环境可能增强西妥昔单抗的抗体依赖细胞介导的细胞毒性（antibody-dependent cellular cytotoxicity, ADCC）效应，为免疫表型指导的靶向联合治疗提供了线索，但仍需更大样本验证。研究局限性包括训练队列规模较小、HPV阴性患者数据不足、外部验证队列含口腔癌带来的生物学异质性。未来需扩大样本量并引入基础模型预训练，进一步提升泛化性。总体而言，该研究为头颈肿瘤无创免疫分型与精准治疗决策提供了可行路径，具有重要的临床转化潜力。
