【衡道丨專題】2021CSCO學術年會病理熱點——李金澤教授:人工智慧輔助評估乳腺癌免疫治療微環境,提高病理醫師之間一致性

腫瘤微環境(Tumor microenvironment, TME)由腫瘤細胞、細胞外基質及免疫組胞組成, 腫瘤浸潤淋巴細胞(TILs)是TME中最主要的免疫細胞,在免疫監視和免疫耐受中起著關鍵作用。





1.1 腫瘤微環境的定義 

腫瘤微環境(Tumor microenvironment, TME)由腫瘤細胞、細胞外基質及免疫組胞組成, 腫瘤浸潤淋巴細胞(TILs)是TME中最主要的免疫細胞,在免疫監視和免疫耐受中起著關鍵作用。


1.2 抑制抗腫瘤免疫反應的負性調控因子
乳腺癌是全球女性最常見的惡性腫瘤之一,近年來PD-1/PD-L1免疫療法是乳腺癌,特別是三陰性乳腺癌 (TNBC)最有前景的治療方法之一
 [2]
 。因此,PD-1/PD-L1 可以作為一種有效的生物標誌物來識別進行免疫治療方案的患者。根據臨床試驗報告,美國食品和藥物管理局 (FDA) 已批准 Ventana PD-L1 (SP142) 作為 PD-L1 免疫療法的伴隨診斷工具
 [5]
 。作為 SP142 檢測的主要製造商,羅氏通過了SP142 染色評估的指南。但是,此評分指南側重於描述和示例,因此存在主觀性。此外,通過對比中國人和癌症基因組圖譜(TCGA)三陰乳腺癌(TNBC)隊列之間基因組特徵的差異,結果提示中國人群的三陰乳腺癌(TNBC)的 PIK3CA 突變率總體上高於癌症基因組圖譜(TCGA)(18% VS 10%)
 [2]
 


1.3 腫瘤突變負荷(TMB)可決定腫瘤免疫原性,
  如圖1:


圖1 腫瘤微環境的分類機分佈特點,來自李金澤教授課件


2.1 病理醫生在評估TILs及PD-L1中存在差異性

幾項涉及廣泛評估者的研究表明,病理學家在評估 PD-L1 表達方面的一致性和可重復性較低[5]。人工智慧 (AI) 技術(例如深度學習演算法)在幫助病理學家提高診斷準確性、一致性和效率方面的潛力已有報道[1]。具體來説,已經開發了幾種用於 PD-L1 分析的 AI 模型;另一方面,多機構環研究是評估評分方案的可重復性和一致性的標準和有效方法[5]


目前病理醫師針對二者的判讀存在一些問題,主要是不同的病理醫師視覺評估會存在一些差異及同一病理醫師在不同時間段判讀的時候存在差異[3]有報道指出採用 TILs 工作組提出的方法,病理學家在 TILs 的計數方面具有可接受的一致性,使用 IHC 染色細胞角蛋白、CD45 或兩者可以增加這些病例中的 TIL 計數的準確性,從而避免判讀結果出現主觀性強準確性差[3]的問題李金澤教授及團隊構建了一個人工智慧輔助判讀TILs,下方為建模的流程圖:

圖2 輔助判讀存在的問題及流程圖,來自李金澤教授課件


2.2  人工智慧輔助判讀TILs,如圖3

 圖3 AI標注平臺對TILs的系統演算法和判讀示例,圖片來自參考文獻[5]


2.2.1 差異性分析

AI輔助組中所有病理醫師對TILs判讀結果之間無明顯差異(P-0.416),不同級別病理醫師提高了對VA組和AI輔助判讀組中判讀的TILs結果進行差異性分析,VA組中所有病理醫師對TILs判讀結果之間有明顯差異(P-0.05),如圖:

圖4 輔助判讀存在的差異性分析,來自李金澤教授課件


2.2.2 一致性分析

VA組中僅高級病理醫師對TILs 判讀結果之間達到了良好的一致性,通過Al輔助判讀,所有病理醫師對TILs的判讀結果優於視覺評估組,判讀結果均達到了出色的一致性,如圖:


圖5 AI輔助判讀存在的一致性分析,來自李金澤教授課件


3.1 人工智慧與腫瘤突變負荷(TMB)

全玻片成像和機器學習的最新進展為使用電腦演算法分析數字化淋巴結切片開闢了道路[5]。例如,卷積神經網路(CNN)演算法是一種機器學習演算法,能夠以高精度自動檢測目標區域的瘤細胞[4]。為了訓練機器學習模型,需要大型、精心策劃的數據源,在CAMELYON16 計劃中,運用了可視化數據並與數據交互的開源軟體工具,結果證實全載玻片數字組織病理學圖像數據集,具有很高的重復使用潛力[4]。此外,目前已有研究開發了應用於泛瘤種的TMB深度學習模型[5], 這些模型均基於卷積神經網路(CNN)演算法創建,以期直接從整張HE切片預測TMB狀態, 從而減輕病理學家的負擔, 更加便捷的為臨床醫生提供有關,應用免疫檢查點抑製劑的重要資訊, 從而改善患者預後。在本研究中,李金澤教授團隊在TCGA等數據庫中挖掘出乳腺癌基因突變及變異方式等數據,經過數據分析後,利用機器深度學習來預測腫盾突變負荷。


綜上所述, AI顯微鏡輔助病理醫師進行腫瘤免疫標誌物的判讀, 均可提高不同級別病理醫師判讀結果的一致性;AI提高了病理醫師整體判讀結果的可重復性和準確性, 並縮小不同級別醫師判讀結果的差距;AI預測腫瘤突變負荷將可能是病理學科及腫瘤學科未來探索的研究方向。


參考資料:

1.Ali HR, Glont S-E, Blows FM, Provenzano E, Dawson S-J, Liu B, et al. PD-L1 protein expression in breast cancer is rare, enriched in basal-like tumours and associated with infiltrating lymphocytes. Annals of Oncology . 2015 Jul 1 :26(7):1488–93. 

2.Jiang Y-Z, Ma D, Suo C, Shi J, Xue M, Hu X, et al. Genomic and Transcriptomic Landscape of Triple-Negative Breast Cancers: Subtypes and Treatment Strategies. Cancer Cell . 2019 Mar 18;35(3):428–40.

3.Swisher SK, Wu Y, Castaneda CA, Lyons GR, Yang F, Tapia C, et al. Interobserver Agreement Between Pathologists Assessing Tumor-Infiltrating Lymphocytes (TILs) in Breast Cancer Using Methodology Proposed by the International TILs Working Group. Annals of Surgical Oncology. 2016;23(7):2242. 

4.Litjens G, Bandi P, Ehteshami BB, Geessink O, Balkenhol M, Bult P, et al. 1399 H&E-stained sentinel lymph node sections of breast cancer patients: the CAMELYON dataset. GigaScience. 2018 Jun [cited 2021 Oct 3];7(6):N.PAG.

5.Wang X, Wang L, Bu H, Zhang N, Yue M, Jia Z, et al. How can artificial intelligence models assist PD-L1 expression scoring in breast cancer: results of multi-institutional ring studies. npj Breast Cancer . 2021;7(1). 



本公眾號發佈所有原創內容,版權均屬衡道醫學病理診斷中心及相關版權方所有。純屬學術交流,如涉及版權疑議,請聯繫我們刪除!

歡迎個人形式轉發,如需轉載請提前聯繫本公眾號,並在文首註明「來源:衡道病理」。未經授權的轉載是侵權行為,版權方保留追究法律責任的權利。


      中國網是國務院新聞辦公室領導,中國外文出版發行事業局管理的國家重點新聞網站。本網通過10個語種11個文版,24小時對外發佈資訊,是中國進行國際傳播、資訊交流的重要窗口。

      凡本網註明“來源:中國網”的所有作品,均為中國網際網路新聞中心合法擁有版權或有權使用的作品,未經本網授權不得轉載、摘編或利用其他方式使用上述作品。

電話:0086-10-88828000

傳真:0086-10-88828231

媒體合作:0086-10-88828175

品牌活動合作:0086-10-88828063

廣告合作:0086-10-88825964