这篇NC用AI空间细胞表型组学做肺癌风险分层的研究设计值得参考_pmc_PMC12583542_20260326

这篇NC用AI空间细胞表型组学做肺癌风险分层的研究设计值得参考_pmc_PMC12583542_20260326_011130

非小细胞肺癌风险分层需整合肿瘤微环境空间信息

尽管靶向和免疫治疗已显著改善晚期肺癌生存，肺癌仍是全球癌症主要死因。当前临床风险分层主要依赖TNM分期系统，但其对早期非小细胞肺癌患者的预后判断仍显不足，约半数患者术后复发。肿瘤微环境在癌症进展和预后中的作用日益受到重视，然而既往研究多聚焦于特定细胞类型或数量，忽视了细胞间复杂的空间关系。为此，研究团队旨在利用人工智能结合多模态成像技术，系统解析肿瘤微环境的空间结构，以改进现有风险分层策略。

【空间细胞表型+AI】肿瘤微环境细胞生态位与预后课题设计

扫码免费获取1V1定制方案设计

一、Highlights

• • 开发了一种结合组织学、多重免疫荧光成像与多模态机器学习的人工智能空间细胞组学方法，以表征肿瘤微环境中43种细胞表型的复杂空间关系。

• • 在包含1168名非小细胞肺癌患者的真实世界回顾性队列中，模型识别出与生存相关的细胞生态位，为风险分层提供了新的空间维度。

• • 将细胞生态位模式与传统的癌症分期结合，显著改善了风险分层能力，在肺腺癌和鳞状细胞癌中分别提升了14%和47%。

• • 研究表明，复杂的免疫细胞生态位模式能够识别出可能治疗不足、有资格接受辅助治疗的高风险患者，具有直接的临床转化潜力。

二、研究方案与思路

（1）构建大规模真实世界队列与多模态数据采集：从德国两大癌症中心回顾性收集1168例非小细胞肺癌患者的组织样本，结合组织病理学切片和多重免疫荧光成像，获取高维空间细胞表型数据。

（2）人工智能驱动的空间细胞表型分析与生态位识别：利用多模态机器学习方法，对肿瘤微环境中43种细胞表型的空间分布、密度及相互关系进行量化分析，识别出与患者生存显著相关的关键细胞生态位模式。

（3）开发并验证整合空间生态位的风险分层模型：将识别出的细胞生态位模式与传统的UICC TNM分期系统相结合，构建新的风险分层模型，并在队列中验证其预测患者预后的效能提升。

（4）临床意义转化与应用潜力分析：评估新模型识别出的高风险患者群体，探讨其作为潜在辅助治疗候选者的临床意义，并论证该方法在改善治疗选择和预后判断中的应用前景。

研究团队建立了大规模NSCLC队列与AI驱动的分析流程

研究团队首先整合了来自德国柏林和科隆两个大型癌症中心的1168例非小细胞肺癌（NSCLC）患者的回顾性队列，所有患者均接受了手术切除，并具有完整的组织学类型、UICC第8版分期、治疗及临床结局信息，形成了一个覆盖临床常规谱系的真实世界研究数据集。为进行高通量分析，研究团队为每位患者选取了四个代表性肿瘤区域的1.5毫米组织核心，构建了组织微阵列（TMA）。在此基础上，研究团队开发了一套结合组织学（H&E染色）与12重免疫荧光（mIF）成像的空间细胞表型组学分析流程。该mIF面板涵盖了细胞角蛋白（CK）、多种免疫细胞标志物（如CD3, CD4, CD8, CD20, CD68, CD163, FOXP3）以及免疫检查点蛋白（PD-1, PD-L1）等，旨在系统地表征肿瘤微环境中43种不同细胞表型的空间分布与相互关系。

为实现自动化、高精度的分析，研究团队构建了一个多模态人工智能（AI）驱动的分析管线。该管线首先训练了一个基于UNet架构的深度卷积神经网络，对H&E图像进行精确的组织分割，以区分癌区、间质、坏死和健康组织，其宏观平均F1分数达到0.92。随后，研究团队优化了StarDist模型用于细胞核检测，并在超过10万个病理学家标注的细胞核上进行了微调，实现了0.91的F1分数。对于细胞分类，研究团队为避免“Clever Hans”效应，为12个mIF通道分别训练了独立的ConvNext模型，对总计5300万个细胞进行分类，平均F1分数为0.91。最终，通过将细胞表型与其空间定位信息结合，研究团队得以提取每个细胞周围34微米半径内的局部细胞组成特征，为后续识别空间细胞生态位奠定了基础。

NSCLC肿瘤微环境呈现高度异质性的细胞表型分布

研究团队应用上述AI驱动的空间细胞表型组学流程，对来自1168例患者的样本进行了单细胞水平的表型鉴定与定量分析。结果显示，在肺腺癌（LUAD）亚型中，不同患者肿瘤样本间的细胞组成存在高度异质性。通过堆叠条形图可以直观看到，肿瘤微环境（TME）中癌细胞、各类免疫细胞（如T细胞、B细胞、巨噬细胞）以及基质细胞的丰度在患者间差异极大。这种异质性谱系范围很广，从免疫细胞丰富的“热”肿瘤，到免疫细胞贫乏的“冷”肿瘤均有体现。研究团队进一步通过层次聚类分析，根据细胞表型密度将LUAD肿瘤划分为多个具有不同免疫状态的亚组。例如，一些肿瘤表现为高密度癌细胞伴随极低的淋巴细胞浸润，即典型的“冷肿瘤”特征；另一些则同时具有高密度的免疫抑制性癌细胞和丰富的淋巴细胞浸润。这些发现证实，肿瘤微环境的细胞组成并非均一，而是高度个性化的，这为后续深入分析细胞间的空间组织结构及其临床意义奠定了基础。

AI模型识别LUAD中与生存相关的细胞生态位

研究团队利用多模态机器学习模型，对肺腺癌（LUAD）样本中细胞的空间邻近关系进行了深入分析。他们以每个细胞为中心，统计其周围34微米半径内43种不同细胞表型的数量，构建了超过5300万个细胞邻域的特征向量。通过对这些高维向量进行聚类，研究团队在LUAD中识别出10种重复出现且稳定的细胞空间聚集体，即“细胞生态位”。这些生态位具有独特的细胞组成特征，例如，生态位3几乎完全由表达细胞角蛋白（CK）的癌细胞主导，而生态位5则富含CD3+、CD4+、CD8+、CD20+等淋巴细胞以及表达激活/耗竭标志物（如PD-1、GrB）的细胞。通过雷达图，研究团队直观展示了每种生态位内关键标志物表达比例的差异。

进一步，研究团队使用热图分析了这10种生态位在不同LUAD患者肿瘤样本中的分布模式。结果显示，患者间的生态位组成存在高度异质性，谱系范围从淋巴细胞富集的“热”肿瘤到癌细胞主导的“冷”肿瘤。通过层次聚类，研究团队根据生态位丰度模式将肿瘤样本分为四个特征性集群。分析揭示了特定生态位模式与患者生存结局存在显著关联。例如，富含免疫细胞的“热”生态位（如生态位5、6）在预后较好的患者中更为富集，而由癌细胞主导或免疫抑制性癌细胞富集的“冷”生态位（如生态位3、7）则与不良预后相关。这一发现表明，肿瘤微环境中细胞的空间组织模式，而不仅仅是细胞类型的数量，是影响LUAD患者临床转归的关键因素。

AI模型同样识别LUSC中与生存相关的细胞生态位

研究团队将相同的空间细胞表型组学分析方法应用于肺鳞癌（LUSC）亚型。通过对462例LUSC患者的1659个肿瘤样本进行分析，研究团队同样识别出了10种具有重复性的细胞生态位。这些生态位通过雷达图进行了可视化表征，展示了各自独特的细胞表型组成特征。例如，生态位4主要由细胞角蛋白（CK）阳性的癌细胞主导，而生态位7则富含CD3、CD20等免疫细胞标志物以及PD-1、颗粒酶B（GrB）等激活或耗竭标志物。通过热图对生态位分布模式进行聚类分析，研究团队发现LUSC的生态位组成与分布模式与肺腺癌（LUAD）存在差异。LUSC中较少出现单一优势生态位的肿瘤，而更多表现为两到三种生态位的组合。尽管如此，分析同样揭示了LUSC中特定的细胞生态位模式与患者生存结局存在显著关联。这证明了基于AI的空间细胞表型分析在不同非小细胞肺癌亚型中均具有独立的预后价值，其揭示的肿瘤微环境空间结构信息超越了传统的细胞数量统计。

细胞生态位模式显著提升LUAD患者的风险分层效能

研究团队将识别出的细胞生态位分布模式转化为风险评分，并与现行的第8版国际抗癌联盟（UICC8）TNM分期系统进行了比较。为了确保预测的有效性，研究团队在柏林患者队列上训练了生存预测模型，并在科隆数据集上进行了独立验证。分析聚焦于接受完全肿瘤切除且未接受辅助治疗的患者，以避免治疗对免疫系统的影响。研究团队采用了一种“热点”策略，即取每位患者多个组织芯片核心中风险评分最高的一个作为其整体风险，旨在避免风险低估。

在肺腺癌（LUAD）患者中，研究团队使用一致性指数（c-index）评估模型的预测准确性。结果显示，仅基于UICC8分期的基线模型c-index为0.633。当结合细胞生态位模式后，新模型的c-index提升至0.665（95% CI [0.566–0.758]）。这意味着，相较于单纯依赖TNM分期，整合空间微环境信息将风险预测的准确性相对提升了14%（p < 0.001）。该模型的表现也显著优于仅使用非空间细胞密度特征的模型（p < 0.01）。生存分析进一步证实，基于生态位的风险模型能够更清晰地区分出不同预后的患者亚组。尤其重要的是，该模型重新分类了约一半的UICC8 I期患者，将他们划入更高的风险等级，这些患者的预后与原本被划分为II期的患者相似。这表明，整合肿瘤微环境空间信息能有效识别出传统分期系统可能低估的、潜在需要辅助治疗的高风险患者。

细胞生态位模式同样显著提升LUSC患者的风险分层效能

研究团队在肺鳞癌（LUSC）患者队列中，对基于细胞生态位的风险预测模型进行了独立验证。研究团队采用了与肺腺癌（LUAD）分析相同的策略，将识别出的LUSC特异性细胞生态位分布模式与第8版UICC TNM分期系统相结合，构建了一个增强的风险分层模型。在仅接受手术切除且未进行辅助治疗的LUSC患者亚组中，研究团队使用一致性指数（c-index）评估了模型的预测效能。验证结果显示，结合生态位模式的新模型将风险分层的准确性较单纯使用TNM分期提升了47%，这一提升幅度显著高于LUAD亚型中观察到的14%。该模型的c-index达到0.692（95% CI [0.597–0.781]），显著优于仅基于细胞密度（c-index 0.674）或仅基于TNM分期（c-index 0.630）的模型。进一步的生存分析（Kaplan-Meier曲线）证实，根据新模型划分的不同风险组患者，其总生存期存在显著差异。这一发现不仅重复验证了空间细胞表型组学在LUSC这一重要亚型中的预后价值，更表明细胞生态位信息对于改善LUSC患者风险分层的补充作用可能尤为突出。研究团队的分析还揭示，在传统UICC分期为I期的LUSC患者中，约有一半被新模型重新划分为更高风险等级，其预后与UICC II期患者相似，这提示当前标准下可能存在治疗不足的高风险人群。

生态位模式在肿瘤全切片中可视化呈现

为了验证基于组织芯片（TMA）核心的分析能否代表整个肿瘤的空间特征，研究团队将细胞生态位分析方法扩展应用于完整的肿瘤组织切片（Whole Slide Image, WSI）。研究团队选取了具有不同风险评分的肺腺癌（LUAD）和肺鳞癌（LUSC）患者的完整手术切除样本，生成了覆盖整个肿瘤区域的生态位分布图。可视化结果直观对比了同一患者整个肿瘤切片与其对应的组织芯片核心区域的生态位模式。分析显示，从完整切片中计算得到的患者风险评分与基于少量TMA核心得到的评分高度相关（LUAD：Pearson’s r = 0.979；LUSC：Pearson’s r = 0.997），并且在风险分组（RS1-3）上达到100%的一致性。这证实了使用有限但具有代表性的TMA核心进行空间分析是可靠的。更重要的是，可视化图像清晰地揭示了高风险与低风险患者肿瘤内部细胞生态位的空间组织存在根本性差异。例如，高风险肿瘤中可能富含“免疫荒漠”或免疫抑制性生态位，而低风险肿瘤则显示出更多淋巴细胞富集的“热”生态位。这种空间模式的直观呈现，为病理医生理解肿瘤生物学行为与患者预后之间的形态学关联提供了新的视角。

空间细胞表型组学为精准辅助治疗决策提供新依据

本研究开发了一套AI驱动的空间细胞表型组学方法，通过整合组织学与多重免疫荧光成像，系统解析了肿瘤微环境中43种细胞表型的复杂空间关系，并定义了与患者生存显著相关的细胞生态位。研究团队将识别出的生态位分布模式与第8版UICC TNM分期系统相结合，构建了新的风险预测模型。该模型在肺腺癌和肺鳞癌患者中分别将风险分层的准确性提升了14%和47%。尤为关键的是，这一方法能够有效识别出传统TNM分期系统下被归类为低风险、但实际预后较差的患者群体。这些患者可能因风险被低估而错失辅助治疗机会。这项研究凸显了人工智能驱动的多重成像分析在深入理解肿瘤微环境对癌症进展的贡献、改进风险分层以及优化治疗选择方面的巨大潜力，为迈向更精准的非小细胞肺癌临床决策提供了新的工具和依据。

【空间细胞表型+AI】肿瘤微环境细胞生态位与预后课题设计

扫码免费获取1V1定制方案设计