J Clin Oncol（IF=43.4）美国Cedars-Sinai医学中心等团队：基于计算组织学人工智能的晚期胰腺癌化疗选择预测性生物标志物的开发与验证

01文献学习今天分享的文献是由美国Cedars-Sinai医学中心、Valar Labs、加拿大玛格丽特公主癌症中心等国际多机构团队于2026年2月在肿瘤学领域顶刊《Journal of Clinical Oncology》中科院1区topIF43.4上发表的研究“Development and Validation of a Computational Histology Artificial Intelligence-Powered Predictive Biomarker for Selection of Chemotherapy in Advanced Pancreatic Cancer”即基于计算组织学人工智能的晚期胰腺癌化疗选择预测性生物标志物的开发与验证该研究开发并验证了一种基于人工智能的病理学标志物命名为GvF生物标志物该标志物通过分析常规HE染色切片能够预测晚期胰腺导管腺癌患者从以氟尿嘧啶类为基础F-chemo如FOLFIRINOX或以吉西他滨为基础G-chemo如GnP的一线化疗方案中的获益情况。研究利用多中心回顾性队列n178进行开发并在两个前瞻性队列COMPASS试验和Know Your Tumor项目n299中进行了独立验证。结果显示该标志物能有效区分出对两类化疗方案有不同反应的患者群体其预测效能超越了传统的临床变量和RNA分子分型具有重要的临床转化潜力。创新点①全球首个基于常规HE切片预测晚期胰腺癌化疗方案F类 vs G类获益的AI病理生物标志物。②创新性采用“至下次治疗或死亡时间”作为主要终点有效避免二线治疗交叉效应的混杂。③揭示F-pref肿瘤富集增殖与代谢通路提供了与现有RNA分型不同的生物学解释维度。临床价值①无需额外组织样本和分子检测72小时内可回报结果无缝融入现有病理 workflow。②能指导超40%患者调整一线化疗方案中位OS获益达2.6个月优于传统临床指标。③在独立前瞻性队列中验证了Biomarker-治疗交互作用显著为精准化疗提供循证依据。图 1研究概述与CHAI平台工作流A开发队列与验证队列的组装及纳入排除BCHAI平台开发生物标志物的五步流程步骤1预训练将泛癌种的HE染色切片进行分块结合胰腺、肝、肺等肿瘤部位标签构建细胞/组织分类基础模型步骤2适应症聚焦的后训练以PDAC为研究适应症在人类监督下对基础模型进行迭代微调完成组织分割、细胞分类的精准优化步骤3分析物提取利用微调后的模型从PDAC的HE染色切片中量化肿瘤及微环境的组织形态学特征特征维度围绕癌症核心标志展开步骤4生物标志物开发基于开发队列数据对提取的特征进行重新加权筛选与TNTD相关的核心特征构建连续评分的GvF生物标志物并确定分组阈值G-pref/F-pref锁定标志物及阈值步骤5外部验证将锁定的GvF生物标志物应用于独立的前瞻性验证队列进行患者分层并分析化疗结局验证标志物的预测效能。02研究背景和目的研究背景胰腺导管腺癌PDAC仍是癌症死亡的主要原因之一尤其是不可切除的晚期患者预后极差。目前晚期PDAC的一线系统治疗主要依赖于两种细胞毒性化疗方案基于氟尿嘧啶的FOLFIRINOX方案和基于吉西他滨的GnP方案。然而现有临床试验并未明确证明哪一种方案具有绝对优势因此治疗选择主要取决于患者的体能状态、药物的副作用以及医生和患者的偏好。这种缺乏个性化指导的现状导致了治疗效果的局限性。尽管针对特定基因变异的靶向治疗和免疫疗法在部分患者中显示出潜力但其适用人群比例很低。因此临床上存在一个迫切的未满足需求即开发能够有效预测个体患者对这两种一线化疗方案相对获益程度的生物标志物从而实现精准治疗选择避免无效治疗并改善患者总体生存期。研究目的利用计算组织学人工智能CHAI平台基于晚期胰腺癌患者的苏木精-伊红HE染色活检切片的全视野数字图像开发并验证一种名为GvF的新型预测性生物标志物。该生物标志物的核心目标是能够区分患者对一线氟尿嘧啶为基础F-chemo或吉西他滨为基础G-chemo化疗方案的敏感性差异从而指导临床选择最优方案。研究团队首先在一个多机构的真实世界患者队列中通过提取与治疗结局相关的定量组织形态学特征构建了该生物标志物的评分模型并确定了阈值。随后他们在来自两个独立前瞻性研究COMPASS试验和Know Your Tumor项目的验证队列中严格评估了该锁定生物标志物预测不同治疗方案疗效差异的能力主要观察终点为至下次治疗或死亡时间TNTD和总生存期OS旨在为晚期PDAC的个体化治疗提供一个无需额外消耗组织样本、快速且有效的决策工具。03数据和方法研究数据开发队列: 共178名患者来自两个综合癌症中心Cedars-Sinai医学中心和匹兹堡大学医学中心。独立验证队列: 共299名患者来自两个独立的前瞻性、非随机研究加拿大的COMPASS试验n155美国PanCAN的Know Your Tumor项目n144数据特点: 验证队列包含来自不同国家、不同医疗体系的数据具有较强的外部代表性。数据包含了患者的临床信息、数字化HE病理切片以及部分患者的RNA测序数据。技术方法AI平台CHAI: 该平台通过深度学习模型从数字化HE全切片图像中自动分割细胞和组织区域并提取超过30,000个定量的组织形态学特征如细胞核大小、形态、空间分布、免疫浸润、基质密度等。标志物开发:在开发队列中筛选与不同化疗方案F-chemo vs. G-chemo下患者至下次治疗或死亡时间TNTD相关的特征。通过Cox比例风险模型对特征进行加权构建一个连续的评分并确定一个阈值将患者分为两类倾向G-chemo获益G-pref和倾向F-chemo获益F-pref。标志物验证:将锁定的GvF标志物应用于独立验证队列。主要终点: 时间至下次治疗或死亡TNTD。次要终点: 总生存期OS。统计方法: 采用多变量Cox回归、似然比检验分析生物标志物与治疗的交互作用。为克服观察性研究的混杂偏倚使用了倾向性评分加权IPTW和目标试验模拟TTE框架。分子分析: 对部分有RNA-seq数据的样本分析GvF标志物与已知RNA分子分型的关联并进行差异表达基因和通路富集分析。04实验结果验证队列中的基线特征: 按GvF标志物分类173名57.9%患者为F-pref126名42.1%为G-pref。两组基线临床特征相似。主要疗效预测结果:在F-pref患者中: 接受F-chemo治疗的患者相比接受G-chemo的患者其TNTD中位8.6 vs. 7.5个月p0.035和OS中位14.4 vs. 11.7个月p0.003均显著更优。在G-pref患者中: 接受G-chemo治疗的患者相比接受F-chemo的患者其TNTD显著更优中位9.6 vs. 7.2个月p0.038OS有获益趋势但未达统计学差异中位14.3 vs. 12.4个月p0.5。总体而言约48%的患者如果根据该标志物选择方案治疗决策可能会被改变。生物标志物-治疗交互作用:在多变量Cox回归和倾向性评分加权分析中GvF标志物与治疗方案之间的交互作用对于TNTDp0.001和OSp0.005均具有统计学显著性证明其确实是一个预测性而非仅仅预后性标志物。与传统变量和RNA分型的比较:传统的临床变量如年龄、肝转移未能显示出显著的预测性交互作用。RNA分子分型经典型/基底样型与患者预后显著相关但未能预测对不同化疗方案的疗效差异治疗-亚型交互作用p0.3。GvF标志物的结果与RNA分型无显著相关性并且在调整RNA分型后其预测效能仍然显著表明其捕获了不同于RNA分型的生物学信息。分子探索: 转录组分析提示F-pref的肿瘤富集了细胞周期、代谢如MYC、mTORC1、氧化磷酸化相关通路而G-pref的肿瘤则富集了上皮-间质转化、Hedgehog信号等基质相关通路。图 2验证队列按终点、治疗组、GvF标志物状态的生存结局图 3验证队列TNTD和OS终点的亚组森林图图 4验证队列RNA基底样/经典亚型的生存结局及GvF标志物分布05研究结论该研究利用计算组织学人工智能平台成功开发并验证了一种基于HE染色病理切片的新型预测生物标志物GvF用于指导晚期胰腺导管腺癌患者一线化疗方案的选择。通过对477例患者的多队列分析该生物标志物能够有效区分患者对氟尿嘧啶类化疗F-chemo或吉西他滨类化疗G-chemo的治疗获益。在独立验证队列中F-pref患者接受F-chemo治疗后的至下一次治疗或死亡时间中位8.6个月和总生存期中位14.4个月均显著优于接受G-chemo治疗者G-pref患者接受G-chemo治疗的TNTD中位9.6个月也显著优于F-chemo治疗。生物标志物与治疗方案的交互作用在TNTD和OS终点上均达到统计学显著水平其预测效能超越了传统的RNA分子分型和临床病理特征。该研究的重要意义在于这种基于人工智能的组织形态学标志物无需额外消耗组织样本检测周期短72小时可无缝嵌入现有临床流程为晚期胰腺癌患者的一线化疗决策提供了一种可行的个体化指导工具有望改善这一高度未满足需求人群的治疗预后。未来需在前瞻性随机对照试验中进一步验证其临床应用价值。参考文献Hendifar AE, Krishna V, Krishna V, Zhang H, Tarsode A, Nimgaonkar V, Smith K, Abdilleh K, Sonawane S, Neema A, Tiu E, Larson BK, Kazarov V, Moshayedi N, Hutchinson S, Bevacqua D, Doss S, Alvarez A, Watson D, Abuzeid WM, Grünwald BT, Noel M, Samdani R, Keith D, Sears RC, Sohal D, Fountzilas C, OKane GM, Grant RC, Osipov A, Collisson EA, Kiedrowski LA, Royce TJ, Joshi AR, Singhi AD, Knox JJ. Development and Validation of a Computational Histology Artificial Intelligence-Powered Predictive Biomarker for Selection of Chemotherapy in Advanced Pancreatic Cancer. J Clin Oncol. 2026 Feb 11:JCO2502199. doi: 10.1200/JCO-25-02199.