可解释的人工智能（Explainable AI）通过机器学习分析发现，鳞状细胞组织学特征以及U形的PD-L1表达模式是预测非小细胞肺癌（NSCLC）患者新辅助治疗和围手术期免疫治疗疗效的主要亚组因素

《Cancer Immunology, Immunotherapy》：Explainable AI reveals squamous histology and U-shaped PD-L1 patterns as primary subgroup predictors of neoadjuvant and perioperative immunotherapy benefit in NSCLC: a machine learning analysis

　　

摘要

背景

新辅助和围手术期免疫疗法的引入为可切除的非小细胞肺癌（NSCLC）患者提供了更多的治疗选择。然而，临床疗效在不同亚群体中存在差异，标准线性模型无法完全捕捉到汇总数据中的复杂特征交互作用和试验层面的差异。

方法

我们采用了一种综合框架，将多层次元回归与逆方差加权极端梯度提升（XGBoost）算法相结合。使用SHapley加性解释（SHAP）方法来解释模型，并确定七项随机对照试验中的疗效差异驱动因素。

结果

多层次元回归显示，无事件生存期（EFS）的益处与PD-L1表达呈正相关，在PD-L1表达水平≥50%的亚组中效果最为显著（调整后的风险比HR = 0.44，95%置信区间：0.33-0.57）。XGBoost-SHAP分析表明，试验层面的差异是导致疗效异质性的主要因素。在亚组层面的临床协变量中，PD-L1表达的非线性U形预测模式（<1%和≥50%）、鳞状细胞癌（SCC）组织类型（HR = 0.53，95%置信区间：0.43-0.65）以及吸烟史被确定为主要预测因子。将这些特征综合到一个假设生成的分组分层框架中，结果表明SCC和PD-L1阴性（<1%）的非鳞状细胞癌患者从持续的围手术期治疗中获益最大。相反，探索性分析表明，PD-L1阳性（≥1%）的非鳞状细胞癌患者从仅采用新辅助治疗方案中获益最大（HR = 0.50）。

结论

我们的研究结果表明，对于PD-L1阳性的非鳞状细胞癌患者，延长辅助治疗的额外益处可能有限。然而，鉴于我们依赖的是汇总数据以及试验层面的不平衡性，这些发现仍处于假设生成阶段，不应改变当前的临床实践。相反，它们为未来降低治疗强度的试验提供了探索性框架。