摘要：免疫检查点抑制剂（ICIs），如抗CTLA-4或抗PD-1/PD-L1药物，可在部分晚期癌症患者中诱导持久反应。然而，大多数患者承担治疗费用，却没有体验到持久的临床益处。因此，预测癌症患者是否会从免疫检查点抑制剂（ICIs）中获益，而无需诉诸先进的基因组或免疫

本文IF影响因子82.9！

免疫检查点抑制剂（ICIs），如抗CTLA-4或抗PD-1/PD-L1药物，可在部分晚期癌症患者中诱导持久反应。然而，大多数患者承担治疗费用，却没有体验到持久的临床益处。因此，预测癌症患者是否会从免疫检查点抑制剂（ICIs）中获益，而无需诉诸先进的基因组或免疫学分析是一项重要的临床需求。评估ICI疗效的理想候选包括系统整合广泛可用的临床变量和常规实验室血液测试的标准化测量。

近日，顶刊Nature Medicine上发表了一篇题为“Prediction of checkpoint inhibitor immunotherapy efficacy for cancer using routine blood tests and clinical data”的文章。在这项研究中，作者探讨了机器学习系统是否可以通过常规血液检查和标准临床变量预测ICI结果。作者开发了SCORPIO，它依靠常规血液检查和基本临床数据来预测ICI给药后的临床结果，比现有的FDA批准的生物标志物（如TMB和PD-L1免疫组织化学）更有效。还强调了SCORPIO的可靠性和适应性，其在不同癌症类型和医疗环境下预测ICI治疗患者预后的潜力。

图片来源：Nature Medicine

主要内容

研究概述

为了开发该模型，作者回顾性收集了2014年至2019年在斯隆·凯特琳癌症中心接受ICIs治疗的17种癌症类型的2035名患者（MSK-I队列）的数据，这些数据随机分为训练集（n = 1628）和测试集（n = 407），并使用训练集开发了机器学习模型，测试集中测试了这些模型。作者在另外2104名接受ICI治疗的MSKCC患者的独立队列（MSK-II）中测试了该模型。在10项全球3期临床试验中对4,447名接受ICI治疗的患者，以及在2011年至2019年期间在MSHS接受ICIs治疗的1159名患者进行了外部测试。

机器学习模型的开发

在模型训练之前，作者对训练集进行特征选择分析，以识别与ICI治疗目标结果相关的特征（图b）。作者利用人口统计学、临床和常规实验室血液检测数据开发了两个机器学习模型来预测ICI给药后的总生存期及临床获益（完全缓解CR, 部分缓解PR 和 疾病稳定SD ≥6 个月）。并在测试集中选择表现最好的一个机器模型（图c）。

机器学习模型的开发原理。图片来源：Nature Medicine

在内部测试数据集中测试建模性能

在测试数据集中，预测总生存期的机器学习模型SCORPIO预测了ICI后6、12、18、24和30个月的总生存期，中位泛癌AUC(t)为0.763。SCORPIO在预测总生存期方面优于SCORPIO-CB和TMB。它还预测了临床获益，泛癌AUC为0.714，超过了SCORPIO-CB（0.701）和TMB(0.546)。在独立的MSK-II队列中，SCORPIO预测了ICI后6、12、18、24和30个月的总生存率，中位泛癌AUC(t)为0.759。它还预测了ICI的临床获益，泛癌AUC为0.641。三个风险组的总生存率有显著差异（图b）。这些发现表明，在ICI治疗的背景下，SCORPIO在预测总生存率方面更有效。

SCORPIO在MSK-II队列中的表现。

图片来源：Nature Medicine

模型解读

作者使用SHAP量化了每个特征对患者间ICI疗效差异的贡献（下图a）。贡献最大的前5个特征是氯化物（CL）、白蛋白（ALB）、血红蛋白（HGB）、ECOG-PS和白细胞中嗜酸性粒细胞比例（EOS%）。作者研究了这5个特征如何反映肿瘤微环境（TME）的特征。结果表明，较高的ALB水平与肥大细胞、T细胞、B细胞、CD45细胞和调节性T细胞丰度的增加有关。相反，较低的ECOG-PS与T细胞、B细胞、CD45细胞、耗竭CD8细胞和细胞毒性细胞的丰度较高有关。较低的预测风险评分与肥大细胞、T细胞、B细胞、CD45细胞、调节性T细胞、自然杀伤CD56 dim细胞和Th1细胞的丰度较高相对应。这些结果表明，SCORPIO的一些特征反映了TME状态。各种免疫细胞类型与ALB水平正相关，而ECOG-PS和预测风险评分与许多免疫细胞类型负相关。

模型的可解释性。图片来源：Nature Medicine

在外部测试数据集中的性能

在临床试验队列中，IMvigor211试验（膀胱癌）中，SCORPIO在预测6、12、18、24和30个月的总生存率方面表现最好，中位AUC(t)为0.782；在IMspire150试验（黑色素瘤）中，SCORPIO在预测临床获益方面表现最好，中位AUC(t)为0.684。在每个临床试验队列中，三个风险组的总生存率差异显著。作者还分析了在大型综合卫生系统（MSHS）接受治疗的真实患者队列。SCORPIO预测ICI后6、12、18、24和30个月的总生存率，中位泛癌AUC(t)为0.725，三个风险组在ICI治疗后的总生存率有显著差异。

与多癌症类型的3期临床试验相比，SCORPIO在现实世界队列中的预后总生存期表现更好，可能是由于训练数据中患者特征、癌症类型和治疗环境的范围更广。且在大多数癌症类型和队列中，该模型在预测总生存期方面的表现优于预测临床获益

SCORPIO在外部数据集队列中的表现。

图片来源：Nature Medicine

总结与讨论

开发普遍可及的生物标志物来预测患者对ICIs的反应是重要的临床需求。在这项研究中，作者开发了SCORPIO，它依靠常规血液检查和基本临床数据来预测ICI给药后的临床结果，比现有的FDA批准的生物标志物（如TMB和PD-L1免疫组织化学）更有效。PD-L1免疫组织化学并不是普遍可用的，TMB需要资源密集的基因组分析。

此研究也有一些局限性。训练集是在过去几年中从MSKCC回顾性收集的，导致缺失某些癌症类型，需要在不太常见的癌症类型上的表现应该在更大的数据集上进一步测试。尽管SCORPIO在预测不同人群的总生存率方面表现一致，但其预测ICI临床获益的能力因不同癌症类型和人群而异。这一发现表明，SCORPIO是可靠的生存预测，但在准确预测临床获益方面面临挑战。

总之，SCORPIO的主要优势在于其在所有实践环境中的可访问性，包括低资源的医疗保健环境。SCORPIO的所有功能都在全球的医院和诊所定期收集，并可通过患者临床记录访问，使方法无创，成本效益高，全球可访问。需要进一步的研究来前瞻性地验证模型在各种临床环境中的使用。

来源：小桔灯网