一年一度肺癌领域学术盛会世界肺癌大会（WCLC）即将于2023年9月9日~12日召开。日前，WCLC官网已公布大部分摘要。今年WCLC大会上，研究者将公布肺癌领域多项重磅临床研究结果及最新科研成果，本期【肿瘤资讯】带您抢先速看“评估肿瘤浸润和肿瘤分级”专场重磅研究。
转录重编程是肺腺癌最致命疾病形式（实体、微乳头）形态可塑性的基础
背景
肺腺癌的临床分级可预测转移和复发，且主要基于肿瘤生长模式的形态学评估。目前对生长模式的分子机制知之甚少，并且只能用基因组术语（涉及到表观遗传学和微环境机制）解释部分机制。有趣的是，两种最致命的形态，实体和微乳头亚型，都具有双相性质。两者都具有与基质接触的上皮成分和不与基质接触的上皮成分。这种肿瘤内结构差异是否反映了潜在的上皮可塑性以及是否是传播和致死率的机制，值得探索。
方法
研究者使用Tempo-Set 杂交捕获测序获取全转录组数据，该测序适用于1000例以上原发性肺腺癌，使用从组织微阵列 (TMA) 切片中纯化的核酸。同时，研究者将空间转录组学 (Nanostring GeoMx DSP) 应用于TMA子集，从所有生长模式的亚群中获取整个转录组，并将接触与非接触上皮感兴趣区域 (ROIs) 分开（图1A-D）。对53例NSCLC患者10种不同形态学特征的168个ROIs进行测序。
应用基因的差异性表达和基因集富集分析以及主题建模来发现重复的转录组模式。使用免疫组织化学、多重免疫荧光和原位杂交在 RNA 和蛋白质水平观察基因变化。
结果
研究者确定了与生长模式以及瘤内表型转换相关的独特转录组模式。此外，研究者能够对与基质、炎症细胞和上皮细胞相关的特定主题模式进行反卷积。值得注意的是，研究发现，在实体疾病和微乳头疾病间和其内部的转录模式存在巨大差异，实体疾病以高增殖、去分化、间充质转化倾向为代表特征，微乳头疾病以惰性、“关闭”、上皮过度分化状态为代表特征（图 1E-F）。此外，在每种情况下，局部缺氧（实体模式中心，微乳头模式的微乳头本身）似乎驱动肿瘤内形态和表型的转化，并通过不同策略刺激细胞发生转移。
图1
结论
研究发现转录重编程是肺腺癌最致命疾病形式的形态可塑性的基础。缺氧被认为是上皮细胞具有转移能力的部分局部启动机制，这些机制将为研发新型靶向疗法提供思路。
评估IASLC提出关于可切除非黏液型肺腺癌侵袭标准的临床意义
背景
准确的侵袭诊断标准对于进行精确肿瘤病理分期 (pT) 至关重要。本研究旨在评估近期国际肺癌研究协会 (IASLC) 提出的对于可切除非黏液型肺腺癌侵袭标准的临床意义。
方法
研究纳入2017年1月和 2019年12月期间在韩国首尔三星医疗中心接受治疗的1295例部分实体切除肺腺癌患者。根据IASLC提出的标准重新评估病理浸润大小。主要终点是与传统pT分期相比，修订后pT分期在预测无复发生存期 (RFS) 和侵袭状态证据（即存在淋巴结转移或复发）方面的表现。次要终点是与肿瘤侵袭性放射学替代指标（实性成分占比[CTR]和最大标准摄取值[SUVmax]）和病理危险因素的相关性。
结果
重新评估导致22%患者pT分期降期，2.5%患者升期，改善了与放射学（CTR和SUVmax，图2）和病理学危险因素（图 3）的相关性。修订后的pT分期可更准确地区分IA1~IA3期的RFS，而传统 pT 分期无法实现（一致性指数= 0.794 vs 0.717，P<0.001，图4）。此外，修订后的pT分期显著改善了复发或淋巴结转移的预测能力（AUR= 0.818 vs. 0.741，P<0.001，图 5）。
图2
图3
图4
图5
结论
这是首项评估IASLC提出侵袭标准临床意义的研究。IASLC标准的临床应用有助于防止低危肿瘤被过度分期，降低了临床和病理数据之间的不一致，可潜在提高肿瘤病理分期的准确性。
IASLC最新组织学分级系统分期更精准、实用性更强
背景
IASLC病理学委员会于2020年提出的组织学分级系统已被证明可以定义非黏液型肺腺癌（LADC）的预后亚组。本研究在北美大型队列中探索了IASLC分级系统在复发（RSS）和肺癌特异性生存期（LCSS）的价值，这两者在最初提案中均未被评估。
方法
研究纳入1995-2014年期间接受手术切除、经病理学证实为I期的侵袭性LADC。根据 IASLC分级系统，患者被分为低（以贴壁状为主，<20%高级别形态-微乳头状、实性）、中（腺泡或乳头状为主，<20%高级别形态）和高（≥20%高级别形态）等级。使用对数秩检验对各组之间使用从手术到RSS和LCSS得出的KM估计值进行比较。结果与分级系统的低（贴壁为主）、中（腺泡/乳头状为主）和高（微乳头状/实性为主）等级进行比较。每个分级系统的表现均通过C指数进行量化（来自调整各类因素后的多因素模型数据）。
结果
研究队列纳入1443例患者，其中229例复发，391例死亡（134例因病）。总体上，423例患者 (29%) 被重新分类为高级别：13/152 (8.6%) 患者从低级别升级为高级别，410/917 (45%) 患者从中级别升级为高级别。被“升级”至高级别患者与具有主要高级别形态患者的RSS和LCSS相似。低、中、高级的5年RSS率分别为92%、83%和 72%（图 6a，P<0.001），相应的5年LCSS率分别为97%、93%和83%（图 6d，P<0.001）。在“升级”患者中，5年RSS率和5年LCSS率分别为75%和90%。在IASLC分级系统下，高等级组与低、中等级组差异显著（P<0.001）。多变量模型显示，RSS和LCSS的C指数分别为 0.72、0.74，表明仍存在中度差异。
图6
结论
本研究针对非黏液型肺腺癌对IASLC分级系统进行了外部验证。IASLC分级系统实用性超过传统系统，通过将患者重新分类为较高等级且对应更差的RFS和LCSS证实了其实用性，否则这些患者仍将被分类为低级或中级。
AI有望用于量化病理学评估淋巴结面积
背景
数字病理学 (DP) 和人工智能 (AI) 等工具有望执行人类能力有限的任务。肺癌手术中的淋巴结计数很难进行，因为接收组织通常是碎片状，妨碍了操作人员的准确计数。由于手术技术和可行性不同，切除的淋巴结组织数量也有明显差异。研究者试图开发和验证一种深度学习算法，该算法可量化肺癌切除病例中病理学家可见的外科医生指定的淋巴结区域，相对于受过训练的人类其具有可接受的性能。
方法
研究者开发了由Pettersen及同事发布的关于开放源代码（open-source）数字病理学全切片图像 (WSI) 分割和深度学习分析的工作流程。从胸部肿瘤临床数据库和生物库 (TOCDB) 获得了代表111个手术病例完整手术切除淋巴结的500个WSI（排除已知术前治疗的病例后）。随机选择80%载玻片生成算法训练集，并由操作人员使用 QuPath 进行标注，以识别淋巴结组织和转移癌区域。使用“Human-AI loop”迭代注释技术加强训练数据集标注过程。使用 DeepMIB 深度学习分割工具包和 DeepLabV3 Resnet50 网络架构生成网络。初始超参数从Pettersen等发布的工作流程中获得，并进行调整以优化学习性能。网络生成的标注由人类进行微调，并将结果反复反馈到学习过程中。对剩余20%WSI（没有AI帮助情况下手动标注）进行网络学习验证。使用Jaccard系数（交并比，IoU）对所有类别进行网络性能评分。“淋巴结”分割类别的可接受性能设置为90% IoU。在调整每个WSI的淋巴结和多层切片后，提取逐例总体病理学评估的淋巴结区域得出最终值。
结果
该子集（n=111）的平均病理学评估淋巴结面积为22.42 mm2 (IQR 7.56-31.63)。研究者评估转移性肿瘤的平均评估面积为30.33 mm2（16例），而无转移性肿瘤（95例）的平均评估面积为21.09 mm2 。在未见WSI上验证的网络性能数据表明，与“淋巴结”分割类别的人工注释具有90%的一致性 (IoU)。
结论
对于量化肺癌切除术中病理学评估淋巴结面积，使用开放源代码开发的人工智能算法与人类相当。需要将经过学习训练的网络用于更大数据集，以检测有/无转移病例的评估区域以及其他临床和病理参数的差异。
[1]OA20.03Spatially Resolved Transcriptomic Characterisation of High-Risk Morphologies in Lung Adenocarcinoma,2023 WCLC.
[2]OA20.04Clinical Significance of IASLC Proposed Pathologic Criteria for Invasion in Resected Non-mucinous Lung Adenocarcinoma,2023 WCLC.
[3]OA20.05The International Association for the Study of Lung Cancer Grading System for Recurrence and Lung Cancer-Specific Survival,2023 WCLC.
[4]OA20.06Quantification of Pathologically Assessed Lymph Node Area in Lung Cancer Resection Using Deep Learning,2023 WCLC.
排版编辑：肿瘤资讯-Yuno
苏公网安备 32059002004080号
