陳瑛瑤，儲(chǔ)香玲，俞 昕，蘇春霞

同濟(jì)大學(xué)附屬上海市肺科醫(yī)院腫瘤科，上海 200433

免疫檢查點(diǎn)抑制劑（immune checkpoint inhibitor，ICI）旨在激活腫瘤免疫循環(huán)，通過阻斷腫瘤免疫逃逸，利用自身免疫細(xì)胞，特別是T細(xì)胞來消滅腫瘤細(xì)胞［1］。以程序性死亡［蛋白］-1（programmed death-1，PD-1）或程序性死亡［蛋白］配體-1（programmed death ligand-1，PD-L1）抑制劑、細(xì)胞毒性T淋巴細(xì)胞相關(guān)抗原4（cytotoxic T lymphocyte associated antigen-4，CTLA-4）抑制劑為代表的ICI已被廣泛應(yīng)用于臨床，顯著延長了腫瘤患者的生存時(shí)間［2-3］。以晚期黑色素瘤為例，使用帕博利珠單抗治療的患者5年生存率已提升至38.7%［4-6］。然而，并非所有患者都能從免疫治療中獲益，在大多數(shù)晚期實(shí)體瘤患者中，ICI單藥治療的有效率約為23%［6］。此外，初次免疫治療有效的患者也可能在后續(xù)治療中產(chǎn)生耐藥性［7-8］。因此，建立有效的免疫治療效果相關(guān)預(yù)測(cè)模型十分重要。

目前，已獲美國食品藥品管理局（Food and Drug Administration，F(xiàn)DA）批準(zhǔn)的免疫治療生物標(biāo)志物包括PD-L1、腫瘤突變負(fù)荷（tumor mutation burden，TMB）及微衛(wèi)星不穩(wěn)定性/錯(cuò)配修復(fù)缺陷（microsatellite instability/mismatch repair deficiency，MSI/dMMR）［9］。研究較多的生物標(biāo)志物還包括特定的基因突變、腫瘤浸潤免疫細(xì)胞、循環(huán)腫瘤DNA（circulating tumor DNA，ctDNA）及腸道微生物群等［10-12］。然而，標(biāo)志物的預(yù)測(cè)效能往往會(huì)受到腫瘤類型、樣本量及檢測(cè)方法等因素的影響［13-14］。為提高生物標(biāo)志物的有效性和普適性，有必要探索出更加客觀、可行的療效預(yù)測(cè)工具。

預(yù)測(cè)模型是通過統(tǒng)計(jì)學(xué)方法對(duì)不同途徑獲取的不同類型數(shù)據(jù)進(jìn)行整合，并從中計(jì)算出個(gè)別患者發(fā)生特定臨床事件的概率，進(jìn)而對(duì)患者治療獲益進(jìn)行評(píng)估的一種量化工具［15］。預(yù)測(cè)模型建立的主要步驟包括數(shù)據(jù)收集、變量篩選、模型構(gòu)建、驗(yàn)證及評(píng)估［16］。目前在腫瘤領(lǐng)域，預(yù)測(cè)模型已嘗試應(yīng)用于多種臨床場景，并取得了較大進(jìn)展。例如，利用遺傳學(xué)特征、人口學(xué)特征、肺功能檢查結(jié)果等數(shù)據(jù)建立肺癌患病風(fēng)險(xiǎn)預(yù)測(cè)模型，該類模型能夠優(yōu)化肺癌篩查策略，從而實(shí)現(xiàn)癌癥的早篩、早診［17］。同樣，根據(jù)相關(guān)實(shí)驗(yàn)室檢驗(yàn)數(shù)據(jù)等建立的晚期肝癌患者生存預(yù)測(cè)模型能夠精準(zhǔn)地預(yù)測(cè)肝癌患者的短期死亡風(fēng)險(xiǎn)，進(jìn)而輔助醫(yī)師調(diào)整患者的后續(xù)治療方案［18］。近年來，隨著個(gè)體多變量預(yù)后預(yù)測(cè)模型透明化報(bào)道聲明［15］的發(fā)布，預(yù)后預(yù)測(cè)模型的建立逐漸公開化、系統(tǒng)化，形成了一套完整的模型評(píng)估標(biāo)準(zhǔn)。本文通過匯總基于不同數(shù)據(jù)源和不同方法所建立的免疫治療效果相關(guān)預(yù)測(cè)模型（表1），并對(duì)現(xiàn)有的預(yù)測(cè)模型進(jìn)行梳理和評(píng)價(jià)，以期為免疫治療獲益人群篩選途徑的探索提供新思路。

表1 ICI療效相關(guān)預(yù)測(cè)模型匯總Tab.1 Summary of ICI efficacy-related prediction models

表1（續(xù)）

1 統(tǒng)計(jì)學(xué)模型

隨著測(cè)序技術(shù)的不斷發(fā)展與普及，腫瘤研究進(jìn)入了多維度、多組學(xué)的大數(shù)據(jù)時(shí)代。一方面，腫瘤基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)等數(shù)據(jù)能夠讓研究者在分子層面對(duì)腫瘤的發(fā)生、發(fā)展機(jī)制及治療模式進(jìn)行探索［45-46］；另一方面，癌癥基因組圖譜（The Cancer Genome Atlas，TCGA）和基因表達(dá)匯編（Gene Expression Omnibus，GEO）等公共數(shù)據(jù)庫的建立，進(jìn)一步開拓了研究人員獲取有效數(shù)據(jù)的途徑?；谀[瘤多組學(xué)數(shù)據(jù)，我們可以采用統(tǒng)計(jì)學(xué)算法篩選出有意義的自變量并建立臨床預(yù)測(cè)統(tǒng)計(jì)學(xué)模型。此外，機(jī)器學(xué)習(xí)算法的引入能夠幫助我們實(shí)現(xiàn)大數(shù)據(jù)的高效處理。以深度學(xué)習(xí)為例，利用卷積神經(jīng)網(wǎng)絡(luò)輸出計(jì)算機(jī)體層成像（computed tomography，CT）圖像或組織病理學(xué)圖像的特征，結(jié)合影像組學(xué)分類器，可以建立基于醫(yī)學(xué)圖像的腫瘤免疫治療效果預(yù)測(cè)模型［47］（圖1）。

圖1 ICI療效預(yù)預(yù)測(cè)統(tǒng)計(jì)學(xué)模型概況Fig.1 Overview of statistical models for predicting the efficacy of ICI

1.1 基于測(cè)序數(shù)據(jù)構(gòu)建模型：單一組學(xué)或多組學(xué)聯(lián)用

研究［48］顯示，癌癥患者原發(fā)性耐藥的發(fā)生率為7%～ 27%，繼發(fā)性耐藥的發(fā)生率高達(dá)20%～ 44%。其中遺傳信息變異可能會(huì)導(dǎo)致腫瘤抗原免疫原性不足、T細(xì)胞耗竭、腫瘤微環(huán)境抑制等，進(jìn)而導(dǎo)致耐藥［49］。因此從不同的數(shù)據(jù)維度挖掘患者的遺傳信息，是建立療效預(yù)測(cè)模型的思路之一。

1.1.1 基于基因組學(xué)及轉(zhuǎn)錄組學(xué)相關(guān)數(shù)據(jù)

Bai等［19］提取316例接受免疫治療的非小細(xì)胞肺癌（non-small cell lung cancer，NSCLC）患者的DNA測(cè)序數(shù)據(jù)，篩選并建立一個(gè)由8種基因（TP53、KRAS、STK11、EGFR、PTPRD、KMT2C、SMAD4和HGF）組成的基因突變標(biāo)記（genomic mutation signature，GMS）風(fēng)險(xiǎn)評(píng)分模型，并根據(jù)GMS評(píng)分將患者分為高GMS（評(píng) 分＞0.565）組和低GMS（評(píng)分≤0.565）組。結(jié)果顯示，與低GMS組患者相比，高GMS組患者有更長的無進(jìn)展生存期（progression-free survival，PFS）［6.63個(gè)月vs2.50個(gè)月，風(fēng)險(xiǎn)比（hazard ratio，HR）=0.41，P＜0.000 1］及總生存期（overall survival，OS）（未達(dá)到vs13.00個(gè)月，HR=0.53，P=0.027 5），這一發(fā)現(xiàn)在內(nèi)部驗(yàn)證隊(duì)列及外部驗(yàn)證隊(duì)列中均得到證實(shí)，作者進(jìn)一步分析發(fā)現(xiàn)，GMS評(píng)分與PD-L1檢測(cè)聯(lián)合能進(jìn)一步提高對(duì)PD-1抑制劑療效的預(yù)測(cè)能力，有較大的潛力成為臨床實(shí)用的輔助預(yù)測(cè)工具。

為了更全面地評(píng)估腫瘤基因組學(xué)特征，Chowell等［20］在研究中納入16種不同癌癥類型的患者（n=1 479），包括NSCLC、黑色素瘤、肝細(xì)胞癌、乳腺癌等，整合了TMB、MSI、拷貝數(shù)變異分?jǐn)?shù)（fraction of copy number alteration，F(xiàn)CNA）等多種基因組學(xué)數(shù)據(jù)，并結(jié)合臨床特征及人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，建立了免疫治療臨床反應(yīng)預(yù)測(cè)模型［曲線下面積（area under curve，AUC）＞0.80］。該模型在不同癌癥類型中均表現(xiàn)良好，有較高的普適性。

除探討腫瘤的基因組學(xué)特點(diǎn)外，對(duì)其基因表達(dá)特征進(jìn)行分析也是很多研究的聚焦點(diǎn)。Dai等［21］、Gu等［22］和Yi等［23］均利用TCGA數(shù)據(jù)庫，提取腫瘤免疫相關(guān)基因表達(dá)特征，據(jù)此構(gòu)建免疫治療效果預(yù)測(cè)模型。Hong等［24］鑒定了腫瘤缺氧相關(guān)基因，建立了一個(gè)基于4種基因（TKTL1、JMJD6、IRS2、ANXA2）的風(fēng)險(xiǎn)分層系統(tǒng)，可以通過評(píng)估腫瘤的缺氧微環(huán)境來預(yù)測(cè)轉(zhuǎn)移性尿路上皮癌患者的治療反應(yīng)（AUC=0.71）。另有研究［25］篩選出6種細(xì)胞焦亡相關(guān)基因并建立風(fēng)險(xiǎn)評(píng)分系統(tǒng)，證實(shí)不同風(fēng)險(xiǎn)人群的腫瘤免疫細(xì)胞浸潤有較大差異，高風(fēng)險(xiǎn)評(píng)分的患者對(duì)ICI有較好的應(yīng)答（AUC=0.728）。基于mRNA表達(dá)，而非基因突變或表觀遺傳修飾來預(yù)測(cè)療效不需要對(duì)患者進(jìn)行全基因組測(cè)序，臨床可行性高。但上述模型的數(shù)據(jù)維度都較為單一，且對(duì)于所篩選出來的基因如何影響ICI療效的理論機(jī)制有待進(jìn)一步實(shí)驗(yàn)驗(yàn)證。

Zhang等［26］對(duì)肺腺癌患者中來自B7-CD28和腫瘤壞死因子（tumor necrosis factor，TNF）家族的共刺激分子進(jìn)行研究，初步構(gòu)建了一個(gè)基于5種基因（CD40LG、TNFRSF6B、TNFSF13、TNFRSF13C和TNFRSF19）的共刺激分子表達(dá)簽名（costimulatory molecule-based signature，CMS），用以建立風(fēng)險(xiǎn)評(píng)分系統(tǒng)，結(jié)果表明，高風(fēng)險(xiǎn)組的OS顯著低于低風(fēng)險(xiǎn)組（HR=2.043 5，P＜0.000 1）。該研究率先對(duì)肺腺癌患者進(jìn)行最全面的共刺激分子圖譜分析，有助于進(jìn)一步優(yōu)化癌癥的免疫治療策略。

近年來，單細(xì)胞測(cè)序技術(shù)不斷普及，單細(xì)胞轉(zhuǎn)錄組測(cè)序（single cell RNA-sequence，scRNAseq）可以鑒別不同的細(xì)胞類型與其表達(dá)的基因，從單細(xì)胞層面更加精確地揭示腫瘤內(nèi)與腫瘤間的異質(zhì)性。Xiang等［27］收集胃癌患者腫瘤組織樣本的scRNA-seq數(shù)據(jù)，根據(jù)胃癌細(xì)胞分化軌跡分析確定了3種不同分化狀態(tài)的細(xì)胞亞群，其中亞群Ⅰ/Ⅱ與代謝紊亂有關(guān)，亞群Ⅱ與缺氧耐受有關(guān)，亞群Ⅲ與免疫相關(guān)通路有關(guān)。由此構(gòu)建了基于胃癌細(xì)胞分化相關(guān)基因（gastric cancer differentiation-related gene，GDRG）的風(fēng)險(xiǎn)評(píng)分模型來預(yù)測(cè)患者接受免疫治療后的生存情況。此外，作者結(jié)合風(fēng)險(xiǎn)評(píng)分、年齡、TNM分期和N分期這四種預(yù)后因素構(gòu)建列線圖預(yù)后模型，為預(yù)測(cè)患者的OS提供了一種可視化的方法。

在一項(xiàng)針對(duì)NSCLC的單細(xì)胞轉(zhuǎn)錄組圖譜研究中，Leader等［28］聚焦腫瘤免疫微環(huán)境特征，探討免疫細(xì)胞表型的變化，該研究使用scRNAseq、轉(zhuǎn)錄組與細(xì)胞表位測(cè)序、T細(xì)胞受體測(cè)序分析了35例早期NSCLC病變中的361 929個(gè)細(xì)胞，構(gòu)建了迄今為止最大的早期肺癌免疫反應(yīng)scRNA圖譜。研究發(fā)現(xiàn)，激活型T細(xì)胞、免疫球蛋白G（immunoglobulin G，IgG）+漿細(xì)胞及MoMΦ-Ⅱ細(xì)胞等與肺癌的發(fā)生有很高的相關(guān)性，作者將其稱為肺癌激活模塊（lung cancer activation module，LCAM），并建立了LCAM評(píng)分模型。根據(jù)該評(píng)分模型將患者分層，高LCAM評(píng)分（LCAM前25%）的患者能從免疫治療中獲得更長的PFS（7.3個(gè)月vs2.7個(gè)月，HR=0.58），提示LCAM可能是反映患者免疫激活特征的一個(gè)可靠指標(biāo)。

1.1.2 基于表觀遺傳學(xué)相關(guān)數(shù)據(jù)

除分析腫瘤基因組及轉(zhuǎn)錄組數(shù)據(jù)外，表觀遺傳學(xué)調(diào)控也在腫瘤免疫反應(yīng)過程中發(fā)揮重要作用。表觀遺傳是指基于非基因序列改變所致基因表達(dá)水平的變化，包括DNA甲基化、組蛋白修飾、染色體重塑和非編碼RNA調(diào)控等［50］。表觀遺傳學(xué)調(diào)控在腫瘤免疫反應(yīng)過程中發(fā)揮著重要作用。Lu等［29］從TCGA數(shù)據(jù)庫中獲取子宮內(nèi)膜癌患者的TMB及miRNA表達(dá)相關(guān)數(shù)據(jù)，將患者分為高TMB組和低TMB組，并篩選出兩組間差異表達(dá)的miRNA，構(gòu)建基于miRNA的風(fēng)險(xiǎn)評(píng)分模型。該評(píng)分能夠精確地反映患者的TMB水平，并預(yù)測(cè)其對(duì)ICI的治療反應(yīng)（AUC=0.911）。此模型在TMB的基礎(chǔ)上篩選表觀遺傳學(xué)變量，有很高的預(yù)測(cè)精準(zhǔn)度，但缺乏對(duì)這些免疫相關(guān)的miRNA如何調(diào)控腫瘤免疫活性的進(jìn)一步研究。

腫瘤免疫微環(huán)境中免疫細(xì)胞的表達(dá)調(diào)控，特別是長鏈非編碼RNA（long non-coding RNA，lncRNA）介導(dǎo)的免疫細(xì)胞浸潤，也影響著免疫治療患者的預(yù)后。LncRNA已被證明可通過多種途徑調(diào)節(jié)細(xì)胞自噬，從而影響腫瘤的發(fā)生、發(fā)展。近10年來，已有研究［51］將自噬相關(guān)lncRNA作為免疫治療生物標(biāo)志物進(jìn)行了深入探索，并證明其與癌細(xì)胞的生長、生存、染色質(zhì)修飾、基因組印跡等重要生物學(xué)行為密切相關(guān)。Gao等［30］從TCGA數(shù)據(jù)庫中提取375個(gè)胃癌組織和32個(gè)正常組織的轉(zhuǎn)錄組數(shù)據(jù)并進(jìn)行分析，確定了與自噬相關(guān)的lncRNA，并結(jié)合臨床數(shù)據(jù)，進(jìn)一步篩選出具有預(yù)后價(jià)值的lncRNA，構(gòu)建lncRNA風(fēng)險(xiǎn)評(píng)分預(yù)后預(yù)測(cè)模型（AUC=0.713）。風(fēng)險(xiǎn)評(píng)分與免疫治療患者的OS率呈負(fù)相關(guān)，與高風(fēng)險(xiǎn)患者相比，低風(fēng)險(xiǎn)患者的M0巨噬細(xì)胞、活化CD4+T細(xì)胞、肥大細(xì)胞等浸潤均增加。該模型預(yù)測(cè)能力良好，但仍需要在樣本量更大的外部隊(duì)列中進(jìn)行臨床驗(yàn)證。

1.1.3 基于外周血樣本相關(guān)數(shù)據(jù)

腫瘤患者的外周血中可能存在ctDNA、循環(huán)腫瘤細(xì)胞（circulating tumor cell，CTC）、腫瘤標(biāo)志性蛋白等物質(zhì)，這些指標(biāo)能夠反映腫瘤的發(fā)生、發(fā)展?fàn)顟B(tài)［52］。目前，利用外周血樣本進(jìn)行預(yù)后預(yù)測(cè)的方法也已逐漸成熟。Nabet等［31］根據(jù)接受免疫治療的NSCLC患者（n=273）的PD-L1表達(dá)水平、循環(huán)CD8+T細(xì)胞及血液TMB開發(fā)并驗(yàn)證了免疫治療效果動(dòng)態(tài)評(píng)估模型（durable immunotherapy response estimation by immune profiling and ctDNA-pre-treatment，DIREct-Pre），高DIREct-Pre評(píng)分的患者較低評(píng)分患者有更長的PFS（HR=2.66，P=0.012）。此外，作者引入早期治療時(shí)的ctDNA水平，并在DIREct-Pre的基礎(chǔ)上對(duì)模型進(jìn)行了改進(jìn)，構(gòu)建了基于治療前及早期治療時(shí)的ctDNA水平和外周血CD8+T細(xì)胞水平的評(píng)估模型（durable immunotherapy response estimation by immune profiling and ctDNA-on-treatment，DIREct-On），并證明了DIREct-On明顯優(yōu)于單獨(dú)應(yīng)用量化ctDNA進(jìn)行預(yù)測(cè)［凈重新分類指數(shù)（net reclassification index，NRI）=-1.13，P＜0.01］。

在另一項(xiàng)基于外周血樣本的研究［32］中，作者收集多種癌癥類型患者（n=120）基線及第1次治療評(píng)估前的外周血樣本，提取外周血單個(gè)核細(xì)胞（peripheral blood mononuclear cell，PBMC）進(jìn)行流式細(xì)胞免疫表型分析，建立了外周血免疫細(xì)胞標(biāo)簽（peripheral blood immune cells-based signature，BICS）。采用surv-cutpoint函數(shù)將患者進(jìn)行分組，高BICS組患者對(duì)ICI治療反應(yīng)較差，OS更短（HR=4.21，P＜0.001）。此外，作者還構(gòu)建了基于外周血免疫細(xì)胞標(biāo)志物的機(jī)器學(xué)習(xí)SVM-RFE分類器模型來預(yù)測(cè)患者的臨床獲益，該模型的預(yù)測(cè)效能在各個(gè)癌癥類型中表現(xiàn)穩(wěn)定。

上述兩個(gè)模型避免了對(duì)腫瘤組織取樣的有創(chuàng)操作，易于實(shí)現(xiàn)動(dòng)態(tài)監(jiān)測(cè)，后續(xù)應(yīng)進(jìn)一步在樣本量更大的隊(duì)列中進(jìn)行廣泛性驗(yàn)證。同時(shí)可以考慮納入更多可從外周血中獲取的與腫瘤的發(fā)生、發(fā)展有關(guān)的信息進(jìn)行研究，如可溶性血漿蛋白、CTC、細(xì)胞因子等。

1.1.4 多組學(xué)聯(lián)用

以上研究中大多為單組學(xué)模型，無論是基因組還是轉(zhuǎn)錄組等都從分子層面深入挖掘了腫瘤免疫治療中的基礎(chǔ)生物學(xué)過程，具有重要臨床意義。但任一單組學(xué)所能納入的信息量有限，相較之下，多組學(xué)聯(lián)合具有全面性、多維性、系統(tǒng)性等優(yōu)勢(shì)。Newell等［33］檢測(cè)了77例接受抗PD-1治療的晚期皮膚黑色素瘤患者腫瘤組織的全基因組、轉(zhuǎn)錄組、甲基化數(shù)據(jù)和免疫細(xì)胞浸潤情況，通過回歸算法逐步篩選變量，最終構(gòu)建了基于γ干擾素（interferon-γ，IFNγ）和TMB的免疫治療效果預(yù)測(cè)評(píng)分模型（AUC=0.84）。根據(jù)評(píng)分可將患者分為高應(yīng)答者（評(píng)分＞0.5）和低應(yīng)答者（評(píng)分＜0.5），這兩組患者的PFS（P＜0.000 1）及OS（P=0.001 8）差異均有統(tǒng)計(jì)學(xué)意義。該模型能以較高的精度預(yù)測(cè)免疫治療效果（靈敏度為89%），但特異度欠佳，僅為53%，這可能與不同個(gè)體的耐藥機(jī)制存在異質(zhì)性有關(guān)。

2 通過影像組學(xué)數(shù)據(jù)結(jié)合機(jī)器學(xué)習(xí)來構(gòu)建預(yù)測(cè)模型

影像組學(xué)是一種具備非侵入性、可重復(fù)性和高性價(jià)比的從醫(yī)學(xué)圖像中提取分子信息的方法。近年來，有研究［47］探索CT或18F-FDG正電子發(fā)射計(jì)算機(jī)體層成像（positron emission tomography and computed tomography，PET/CT）影像組學(xué)特征的臨床用途，并將這些影像組學(xué)特征與腫瘤免疫治療的應(yīng)答情況結(jié)合分析，發(fā)掘具有免疫治療效果預(yù)測(cè)價(jià)值的信息。

He等［34］共收集了327例NSCLC患者的CT影像數(shù)據(jù)和TMB數(shù)據(jù)，通過深度學(xué)習(xí)，挖掘出1 020個(gè)影像組學(xué)特征來區(qū)分高TMB和低TMB患者，并利用這些特征建立TMB放射性生物標(biāo)志物（TMB radiomic biomarker，TMBRB），進(jìn)而實(shí)現(xiàn)間接預(yù)測(cè)療效。TMBRB可以通過無創(chuàng)方法獲取，并有效地、低成本地將晚期NSCLC患者分組，低風(fēng)險(xiǎn)組較高風(fēng)險(xiǎn)組有更長的OS（301 dvs533 d，HR=0.54，P=0.030）。與此類似，Mu等［35］收集了來自3個(gè)機(jī)構(gòu)的697例NSCLC患者的18F-FDG PET/CT圖像和臨床數(shù)據(jù)，建立了PD-L1深度學(xué)習(xí)評(píng)分（deep learning score，DLS）來間接預(yù)測(cè)療效，結(jié)果表明，PD-L1 DLS在PD-L1陽性和陰性患者之間的差異有統(tǒng)計(jì)學(xué)意義（AUC≥0.82，P＜0.05），且在預(yù)測(cè)PFS和OS方面，DLS與免疫組織化學(xué)（immunohistochemistry，IHC）測(cè)量的PD-L1水平?jīng)]有明顯差異，表明PD-L1 DLS或可替代IHC來準(zhǔn)確預(yù)測(cè)患者的免疫治療臨床獲益。TMBRB和PD-L1 DLS雖然是間接預(yù)測(cè)指標(biāo)，但兩者都展現(xiàn)出良好的預(yù)測(cè)能力及臨床可行性。而腫瘤影像組學(xué)特征是否與免疫治療效果直接相關(guān)仍有待進(jìn)一步探索。

通過獲取NSCLC患者免疫治療前的肺部CT影像，利用機(jī)器學(xué)習(xí)對(duì)病灶的大量影像組學(xué)特征進(jìn)行提取計(jì)算，可以構(gòu)建預(yù)測(cè)模型，將患者進(jìn)行風(fēng)險(xiǎn)分類［36-39，42］。其中，Trebeschi等［36］發(fā)現(xiàn)具有不均勻密度模式和緊密邊界的異質(zhì)形態(tài)輪廓的病灶可能對(duì)免疫治療的反應(yīng)更佳，Nardone等［42］研究發(fā)現(xiàn)，病灶緊密度較低、紋理熵值高的患者往往預(yù)后更差，這些影像組學(xué)特征可能與腫瘤中央缺氧、壞死及高侵襲性有關(guān)。Yang等［40］在CT影像特征的基礎(chǔ)上結(jié)合了臨床病理學(xué)變量，建立了列線圖模型，更利于臨床決策。

然而針對(duì)此類模型，Dercle等［41］提出，只利用基線的影像組學(xué)數(shù)據(jù)并不能準(zhǔn)確地預(yù)測(cè)患者預(yù)后，腫瘤大小的變化是反映癌癥治療效果的早期評(píng)估基礎(chǔ)。因此，對(duì)比兩次CT中患者病灶的變化能夠?yàn)槟Ｐ偷慕⑻峁┬滤悸?。該作者在研究中收集?75例晚期黑色素瘤患者的臨床數(shù)據(jù)，并獲取患者治療前及治療早期中的固定時(shí)間點(diǎn)的CT影像，利用機(jī)器學(xué)習(xí)隨機(jī)森林算法評(píng)估免疫治療患者的OS，最終篩選出4個(gè)影像組學(xué)變量：腫瘤的體積生長變化、腫瘤體積、腫瘤空間異質(zhì)性的定量表征變化、腫瘤邊緣表型的定量表征變化。由此確定了一組放射學(xué)特征，可以在治療早期評(píng)估不可切除的黑色素瘤患者的OS。該模型經(jīng)驗(yàn)證表現(xiàn)良好（AUC=0.92），證明了基線和首次隨訪時(shí)從常規(guī)CT圖像中識(shí)別出的放射學(xué)特征可用于臨床，為接受免疫單藥治療的黑色素瘤患者提供準(zhǔn)確的預(yù)后預(yù)測(cè)。盡管本研究僅聚焦于晚期黑色素瘤患者，文中指出的4個(gè)預(yù)測(cè)特征中有3個(gè)已于另一項(xiàng)針對(duì)結(jié)直腸癌患者的研究［53］中得到驗(yàn)證，后續(xù)或可探索出具有普遍性的免疫治療預(yù)后相關(guān)影像組學(xué)特征。

人工智能技術(shù)除應(yīng)用于腫瘤放射學(xué)外，也可用于分析腫瘤組織的病理學(xué)圖像。Hinata等［43］構(gòu)建了基于胃癌組織病理學(xué)圖像的深度學(xué)習(xí)預(yù)測(cè)模型（AUC=0.947），用以篩選出對(duì)免疫治療敏感的人群。對(duì)于難以從放射學(xué)影像中獲取較多有效信息的癌癥類型，尤其是一些空腔臟器腫瘤，該方法更為經(jīng)濟(jì)且耗時(shí)較短，有助于對(duì)免疫治療患者進(jìn)行有效分層。

3 基于數(shù)理機(jī)制構(gòu)建數(shù)學(xué)模型

通過開展對(duì)腫瘤免疫微環(huán)境及免疫藥物與其相互作用機(jī)制的研究，現(xiàn)已積累了大量相關(guān)實(shí)驗(yàn)數(shù)據(jù)。使用系統(tǒng)和定量的方法，結(jié)合分子動(dòng)力學(xué)、藥代動(dòng)力學(xué)、信號(hào)動(dòng)力學(xué)、微環(huán)境適應(yīng)機(jī)制等原理進(jìn)行數(shù)學(xué)建模變得越來越重要，利用數(shù)理機(jī)制模型模擬腫瘤內(nèi)生態(tài)環(huán)境及免疫藥物在體內(nèi)的生物學(xué)過程，可以幫助人們深入了解腫瘤的耐藥機(jī)制，預(yù)測(cè)藥物療效［54］。

Butner等［44］通過數(shù)學(xué)方法還原了ICI干預(yù)下腫瘤負(fù)荷隨時(shí)間變化的反饋過程，明確了這些生物過程之間的數(shù)學(xué)關(guān)系，建立了數(shù)學(xué)模型。作者從兩次CT影像中獲得腫瘤的生長速率，基于該數(shù)據(jù)，利用模型來量化腫瘤細(xì)胞殺傷率、抗腫瘤免疫狀態(tài)、患者治療后的腫瘤增長率，從而計(jì)算出腫瘤的總體負(fù)荷，最終據(jù)此來預(yù)測(cè)接受免疫治療的轉(zhuǎn)移性肝細(xì)胞癌及肺癌患者的結(jié)果。該模型能夠較為準(zhǔn)確地描述患者對(duì)ICI的不同反應(yīng)模式，并識(shí)別出假性進(jìn)展者。雖然利用腫瘤體積變化來預(yù)測(cè)療效已有先例，但該研究首次從數(shù)學(xué)關(guān)系上描述了免疫治療的多種生物學(xué)機(jī)制，并將其應(yīng)用于前瞻性免疫治療臨床試驗(yàn)。

雖然利用數(shù)學(xué)方法建立療效預(yù)測(cè)數(shù)理機(jī)制模型已經(jīng)有了一定嘗試，但此類模型缺乏臨床驗(yàn)證，且鑒于人們對(duì)腫瘤免疫循環(huán)等生物學(xué)過程的機(jī)制研究仍然不夠透徹，很多參數(shù)仍然未知，目前難以還原復(fù)雜的免疫系統(tǒng)全貌。

4 思考與展望

4.1 關(guān)于模型的評(píng)估與優(yōu)化

為確保預(yù)測(cè)模型能夠有效、精準(zhǔn)，模型的建立應(yīng)嚴(yán)格遵循數(shù)據(jù)收集與處理、變量篩選及模型構(gòu)建、驗(yàn)證評(píng)估的流程。在此流程中，Poldrack等［55］提出用以建模的樣本不應(yīng)少于幾百個(gè)，應(yīng)嚴(yán)格對(duì)數(shù)據(jù)進(jìn)行交叉驗(yàn)證，樣本內(nèi)模型擬合指數(shù)往往會(huì)夸大模型的預(yù)測(cè)能力，不應(yīng)僅以此作為判斷模型精準(zhǔn)度的證據(jù)等觀點(diǎn)。而本文所探討的模型中，大部分的建模樣本量都難以達(dá)到一定量級(jí)，而小樣本數(shù)據(jù)往往去噪程度不足，易導(dǎo)致模型過擬合，泛化性不夠，這是這類預(yù)測(cè)模型的普遍局限之處。常見的解決方法包括擴(kuò)大研究規(guī)模、增大樣本量和引入正則化算法等。

其次，利用回歸算法建模，并最終形成風(fēng)險(xiǎn)評(píng)分系統(tǒng)是療效預(yù)測(cè)模型常見的展現(xiàn)形式。此形式簡單易理解，但需要對(duì)連續(xù)變量進(jìn)行分類處理，會(huì)損失一定的預(yù)測(cè)準(zhǔn)確度［56］。研究者應(yīng)嘗試并開發(fā)多元化的模型展現(xiàn)形式，包括列線圖、圖形評(píng)分表等。不同形式之間相互補(bǔ)充，能夠更直觀、有效地將預(yù)測(cè)模型與患者的臨床決策相結(jié)合，提升預(yù)測(cè)準(zhǔn)確度。

關(guān)于模型的驗(yàn)證，受數(shù)據(jù)量大小及方法的限制，部分研究缺乏內(nèi)部交叉驗(yàn)證或未在外部獨(dú)立數(shù)據(jù)集上進(jìn)行驗(yàn)證。且不同的模型均在不同的人群中使用不同的測(cè)試集進(jìn)行驗(yàn)證，缺乏模型之間的橫向比較。為改善這一結(jié)果，需要在同一數(shù)據(jù)集上對(duì)多個(gè)模型進(jìn)行測(cè)試，同時(shí)對(duì)比靈敏度、特異度和模型準(zhǔn)確度等［16］。未來需要多中心、大規(guī)模的前瞻性研究來評(píng)估免疫治療效果相關(guān)預(yù)測(cè)模型的有效性及實(shí)用性。

除改善模型的建立及評(píng)估方法外，我們也應(yīng)著重關(guān)注相關(guān)領(lǐng)域最新的研究進(jìn)展，對(duì)現(xiàn)有模型的參數(shù)進(jìn)行動(dòng)態(tài)調(diào)整，利用新的標(biāo)志物來增益模型。同時(shí)，在單一組學(xué)模型的研究基礎(chǔ)上，應(yīng)嘗試進(jìn)行多組學(xué)聯(lián)用，擴(kuò)大數(shù)據(jù)的廣度和維度，更系統(tǒng)地評(píng)估腫瘤微環(huán)境。

對(duì)于影像組學(xué)預(yù)測(cè)模型，目前此類研究的流程并不規(guī)范，不同中心收集的影像組學(xué)數(shù)據(jù)質(zhì)量參差不齊，部分影像組學(xué)質(zhì)量評(píng)分（radiomics quality score，RQS）較低，且此類研究難以建立影像組學(xué)生物標(biāo)志物和生物學(xué)證據(jù)之間的因果關(guān)系，其內(nèi)在機(jī)制仍需進(jìn)一步探索。

4.2 臨床應(yīng)用

在實(shí)際的臨床工作中，腫瘤基因檢測(cè)費(fèi)用較高，分析技術(shù)有一定門檻，模型的預(yù)測(cè)效能難以平衡其成本支出，因此很難取代目前臨床常用的PD-L1檢測(cè)。利用常規(guī)實(shí)驗(yàn)室檢驗(yàn)數(shù)據(jù)，如血生化、血常規(guī)，以及CT、磁共振成像（magnetic resonance imaging，MRI）等低成本檢測(cè)手段來開發(fā)模型有更高的臨床可行性。對(duì)于基于影像組學(xué)數(shù)據(jù)的模型，雖然影像組學(xué)數(shù)據(jù)獲取成本低，但后續(xù)利用人工智能輔助預(yù)測(cè)的過程中均需要專業(yè)醫(yī)師手動(dòng)分割病灶，分割過程會(huì)消耗大量的人力和時(shí)間，限制了模型的臨床應(yīng)用。目前，用于病灶自動(dòng)檢測(cè)和分割的深度學(xué)習(xí)技術(shù)正在開發(fā)中，這或許能夠進(jìn)一步優(yōu)化該類模型，實(shí)現(xiàn)臨床應(yīng)用。值得關(guān)注的是，盡管利用人工智能進(jìn)行療效預(yù)測(cè)的準(zhǔn)確度已十分可觀，但是人工智能算法的不可解釋性導(dǎo)致人們無法明晰其工作原理，這一直是限制人工智能在醫(yī)療領(lǐng)域?qū)嶋H應(yīng)用的一大因素。因此如何規(guī)范計(jì)算機(jī)輔助的決策模式值得臨床醫(yī)學(xué)、倫理學(xué)等多學(xué)科共同探討。

基于腫瘤組織標(biāo)本的測(cè)序，雖然精確度、標(biāo)準(zhǔn)化程度高，可獲取的信息豐富，但其樣本獲取難度及操作風(fēng)險(xiǎn)較大，難以在各級(jí)醫(yī)院中普遍開展。近年來，更為微創(chuàng)的液態(tài)活檢備受關(guān)注。液態(tài)活檢是基于體液樣本的非侵入性的檢測(cè)方法，在腫瘤免疫治療領(lǐng)域中以外周血為基礎(chǔ)的液態(tài)活檢樣本最為常見。通過患者的血液樣本獲取游離的CTC、ctDNA、外泌體等，可以對(duì)腫瘤的演變進(jìn)行動(dòng)態(tài)評(píng)估［57-58］。但液態(tài)活檢也面臨檢測(cè)流程復(fù)雜、假陰性率高等問題，未來深入挖掘基于外周血樣本的數(shù)據(jù)，并結(jié)合相關(guān)指標(biāo)建立預(yù)測(cè)模型值得繼續(xù)探索。

在大數(shù)據(jù)時(shí)代，建立臨床診療的全程化預(yù)測(cè)系統(tǒng)已經(jīng)成為趨勢(shì)，對(duì)于腫瘤免疫治療我們同樣可以進(jìn)行嘗試。隨著免疫治療的廣泛應(yīng)用，腫瘤患者的生存率得到了提升，但有70%～ 91%的患者會(huì)發(fā)生免疫相關(guān)不良事件（immune-related adverse event，irAE），可累及全身多種器官和組織，包括皮膚、甲狀腺、肝、肺等［59］。此外，免疫治療過程中出現(xiàn)耐藥、超進(jìn)展、假性進(jìn)展等情況均會(huì)影響腫瘤患者的臨床獲益。因此，今后的研究可以考慮在療效預(yù)測(cè)模型中增加包括irAE在內(nèi)的多種結(jié)局事件作為探索指標(biāo)，以形成抗腫瘤免疫治療的全程化精準(zhǔn)預(yù)測(cè)整合平臺(tái)。

利益沖突聲明：所有作者均聲明不存在利益沖突。