论文部分内容阅读
近年来乳腺癌发病率逐渐上升,因其存在高度的肿瘤异质性而预后情况不同。肿瘤免疫微环境在肿瘤的发生和发展中起着关键作用,其中肿瘤抗原的定量指标肿瘤突变负荷(Tumor mutation burden,TMB)在乳腺癌中发挥的作用显得越来越重要。同时随着免疫治疗在乳腺癌中的广泛应用,PD-L1同样也成为关注的热点话题。本研究分为两部分,第一部分分析乳腺癌中TMB与肿瘤免疫相关基因和肿瘤微环境中免疫细胞对患者的预后影响,寻找乳腺癌新的生物标志物和潜在的治疗选择。第二部分旨在探讨病理医师在普通显微镜下视觉评估三阴性乳腺癌中PD-L1(DAKO 22C3)联合阳性评分的一致性与准确性,并提出一种基于机器深度学习的人工智能(Artificial intelligence,AI)辅助判读模型。第一部分乳腺癌肿瘤突变负荷及免疫细胞亚型对预后的影响分析目的:TMB可以影响肿瘤的免疫微环境,其与免疫细胞之间的关系因不同类型的癌症而异。目前乳腺癌中TMB与免疫相关基因的关系及预测预后的作用未有明确的结论,本研究根据癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库中乳腺癌的基因突变及转录数据,探讨TMB与肿瘤免疫相关基因及肿瘤微环境中免疫细胞对乳腺癌患者预后的影响。方法:在TCGA数据库中下载并提取乳腺癌体细胞突变、基因表达谱及临床病理数据,使用R软件计算每个样本的TMB值,将中位TMB值[1.34 mutations/Mb,Interquartile range(IQR)=1.79 mutations/Mb]作为截断值,把乳腺癌患者分为低TMB(TMB-Low)组和高TMB(TMB-High)两个亚组。在不同TMB亚组中识别出差异表达的免疫相关基因并预测预后及功能富集分析,同时比较不同TMB亚组与免疫细胞、不同的临床病理特征之间的相关性。对差异表达的相关基因采用Kaplan-Meier法和Cox回归模型进行单、多因素生存分析,P<0.05有统计学意义。结果:1.共得到986例乳腺癌患者样本的突变数据,TP53、PIK3CA、TTN、CDH1、GATA3、MUC16等基因在乳腺癌中突变率较高。2.与TMB-Low组患者相比,TMB-High组患者生存期相对更长,并且TMB水平的高低与年龄、肿瘤T分期、N分期以及ER状态等存在相关性。3.乳腺癌患者不同TMB亚组之间存在337个差异表达基因,其中54个为具有免疫功能的基因,这些存在差异的免疫功能基因有7个与预后相关,且S100A8,CXCL5,TMSB15A,PTGER3基因是OS的独立影响因素(P<0.05)。4.基因富集分析显示,许多免疫相关的功能及通路在TMB-High组中明显富集,表明相关基因深度参与机体的免疫反应。5.在TMB-High组中,活化CD4+记忆T细胞、滤泡辅助性T细胞、巨噬细胞以及活化树突细胞表达较高,而在TMB-Low组中记忆B细胞、静息状态树突状细胞及未活化肥大细胞表达比例较高,差异均有统计学意义(P<0.05),但是这些免疫细胞均与患者的生存无关(P>0.05)。第二部分人工智能辅助判读三阴性乳腺癌PD-L1(DAKO 22C3)联合阳性评分的可重复性研究目的:三阴性乳腺癌(Triple-negative breast cancer,TNBC)因具有较高的侵袭性,且预后不良而越来越受到关注。随着免疫疗法在TNBC中的应用,评估PD-L1(DAKO 22C3)联合阳性评分(Combined positive score,CPS)的一致性和准确性越来越重要,但是病理医师在对其判读时存在很大的变异性,因此需要建立一种客观有效、简便易重复且准确的评分方法,为临床精准筛选TNBC免疫治疗患者奠定基础。方法:本研究建立了一个基于机器深度学习模型的AI(Artificial intelligence)模型,采用区域分割和细胞检测算法对PD-L1(DAKO 22C3)CPS进行判读。本研究共进行了三轮环状判读研究(Ring study,RS),12名不同级别的病理医师通过视觉评估和AI辅助判读对TNBC患者进行PD-L1(DAKO 22C3)CPS的评估,比较判读结果的差异性、一致性和准确性。由三位经验丰富且未参与后续研究的病理医师共同制定金标准,他们均经过CPS判读培训并考查合格。本研究以连续性评分评估PD-L1 CPS的表达情况,应用SPSS 26.0及Graph Pad Prism 8.0.1进行统计学分析。Shapiro-Wilk(S-W)方法进行正态性检验,差异性分析中采用Friedman M及Bonferroni校正检验,一致性分析采用组内相关系数(Intraclass correlation coefficient,ICC)进行研究。结果:1.在视觉评估中,所有病理医师PD-L1判读结果均不服从正态分布(P<0.05),不同级别病理医师对PD-L1(DAKO 22C3)CPS判读结果之间存在明显差异(P<0.05),而经过AI辅助判读,所有病理医师判读结果之间无明显差异(P=0.473),判读结果的一致性得到提升。2.一致性分析1)在RS1和RS2视觉评估中,所有病理医师判读结果的一致性较弱,最低的一致性ICC值为0.581(95%CI:0.479-0.690),在AI模型的辅助下,ICC值提高至0.883(95%CI:0.836-0.922),提高了判读结果的一致性,其中中级病理医师提升的最明显。2)视觉评估中所有病理医师判读结果的内部一致性较弱,其中初级医师组判读结果的可重复性最差,ICC值为0.664(95%CI:0.564-0.762)。通过AI辅助评估后,高级病理医师判读结果内部一致性最高。3.在RS3中,所有病理医师判读结果的准确性提升近20%。同时初级病理医师对AI结果的接受程度较高,其中80%以上的AI结果被普遍接受。结论:1.TMB相关的免疫浸润特征对于乳腺癌患者的预后具有良好的预测价值,TMB较高的乳腺癌患者可在免疫治疗中获益。2.不同TMB亚组之间存在差异表达的免疫相关基因,这些基因可为乳腺癌患者的生存状态提供重要的预测信息。3.不同亚型的免疫细胞在TMB表达高低不同的分组中存在差异,这可能为乳腺癌提供新的生物标志物和潜在的治疗选择。4.在AI辅助诊断模型的帮助下,不同级别的病理医师对TNBC患者PD-L1(DAKO 22C3)CPS评分之间达到了良好的一致性和准确性,判读水平有大幅提升,人工智能模型为病理学家在临床实践中进行PD-L1评分提供了一种提高一致性和准确性的良好方法。