首页 > 文章详情

2026 WCLC 中国之声丨基于深度学习利用H&E图像衍生的T细胞状态预测NSCLC新辅助免疫治疗应答

08月20日

编译：肿瘤资讯

来源：2026 WCLC

Session Type

Oral

Session Title

OA11 Circulating and AI-Driven Biomarkers in Lung Cancer

摘要号

OA11.03

英文标题

Predicting NSCLC Neoadjuvant Immunotherapy Response Using H&E-Derived T-Cell States via Deep Learning

中文标题

基于深度学习利用H&E图像衍生的T细胞状态预测NSCLC新辅助免疫治疗应答

讲者

Dongshen Li

讲者机构

Guangdong Provincial People's Hospital

引言

新辅助免疫治疗显著改善了可切除非小细胞肺癌（NSCLC）患者的治疗结局。然而，治疗应答仍存在显著异质性，目前尚缺乏稳健的预测性生物标志物。肿瘤微环境中T细胞的功能表型（如耗竭状态）是决定免疫检查点抑制剂疗效的关键因素。尽管转录组学（RNA-seq）能够精准评估T细胞状态评分（TCSS），但其成本较高且质量控制要求复杂，限制了其在临床常规中的应用。利用深度学习从常规H&E病理切片中推断T细胞状态，有望成为一种可扩展且经济高效的新策略，用于预测新辅助免疫治疗的疗效。

方法

本研究基于多实例学习（MIL）算法建立了深度学习流程。研究收集了未经治疗的NSCLC患者H&E全视野图像（WSI），并利用配对的RNA-seq数据计算8种T细胞功能状态评分，作为真实标签，包括细胞毒性、辅助性、调节性、衰老、静息、增殖、祖细胞样耗竭和终末耗竭。随后，研究基于CLAM架构开发了回归模型，通过提取H&E图像特征，直接预测病理图像衍生的T细胞状态评分（pTCSS），旨在进一步构建用于预测新辅助免疫治疗病理学应答的模型。

结果

初步实验结果显示，基于病理图像的深度学习回归模型能够有效学习并提取常规H&E切片中与T细胞状态相关的空间病理学特征。在内部训练集中的初步评估显示，模型预测的pTCSS与RNA-seq衍生的真实TCSS具有较好的一致性。具体而言，对于关键T细胞状态，CLAM模型获得了约r=0.5的相关性，其中增殖状态r=0.570，细胞毒性状态r=0.570，衰老状态r=0.541，辅助性状态r=0.543。

OA1103图像.png

结论

基于CLAM架构的深度学习模型能够利用常规诊断性H&E活检标本，有效预测肿瘤微环境中的T细胞状态评分。这一基于数字病理学的方法为预测NSCLC患者对新辅助免疫治疗的个体化应答提供了一种具有较大潜力的工具，有望促进术前风险分层和临床治疗决策。