AI in Prec Oncol：科学家有望利用机器学习技术识别出能因免疫疗法治疗获益的非小细胞肺癌患者

肿瘤免疫微环境（TME，tumor immune microenvironment）的细胞组成是肿瘤对免疫疗法产生反应的关键因素，目前已知转化生长因子β（TGF-β）信号能促进免疫排斥，其中CD8+ T细胞就位于周围基质组织中，而不在肿瘤本身。近日，一篇发表在国际杂志AI in Precision Oncology上题为“Classification of the Tumor Immune Microenvironment Using Machine-Learning-Based CD8 Immunophenotyping As a Potential Biomarker for Immunotherapy and TGF-β Blockade in Nonsmall Cell Lung Cancer”的研究报告中，来自美国赛诺菲制药公司的科学家们通过研究分析了两种机器学习模型的发展，从而对癌症样本的免疫表型进行分类。

文章中，研究人员所提出的数字病理学方法能以一种可复制和可扩散的方式对癌症免疫表型进行表征和分类，从而有望应用诸如此类方法来识别出哪些非小细胞肺癌（NSCLC）患者能因免疫疗法而获益。

科学家有望利用机器学习技术识别出能因免疫疗法治疗获益的非小细胞肺癌患者

图片来源：AI in Precision Oncology (2024). DOI:10.1089/aipo.2023.0008

为了更好地识别出免疫排斥的患者，研究人员开发了两种机器学习模型来定量CD8+ 细胞的阳性情况，并对非小细胞肺癌患者的癌症样本的免疫表型进行了分类研究。研究者Rui Wang博士说道，我们的研究结果支持机器学习预测癌症免疫表型的潜在应用，从而就能识别出哪些非小细胞肺癌患者能因免疫疗法的治疗和TGF-β的阻滞而获益。

这项研究中，研究人员指出了如何改进患者对候选药物的识别，同时利用人工智能和机器学习手段来找到非小细胞肺癌患者进行免疫疗法的精准生物标志物，这或许标志着个体化医学研究的进步，并由希望为个体患者开发出量身定制的方案从而提高疗法的疗效并减少治疗所带来的副作用。从本质上来讲，本文强调了将新型疗法应用到合适患者身上的重要性，并未后期癌症的精准治疗铺平了道路。

综上，本文研究中，研究人员开发出了一种新型数字病理学方法，其能以可重复和可扩展的方式来对癌症表型进行表征和分析，或许就为应用这种方法来识别出哪些非小细胞肺癌患者能因免疫疗法和TGF-β阻滞的治疗而获益奠定了一定的基础。（生物谷Bioon.com）

参考文献：

Robert J. Pomponio, Hong Wang, Sarah Mitchell Bean, et al. Classification of the Tumor Immune Microenvironment Using Machine-Learning-Based CD8 Immunophenotyping As a Potential Biomarker for Immunotherapy and TGF-β Blockade in Nonsmall Cell Lung Cancer, AI in Precision Oncology (2024). DOI:10.1089/aipo.2023.0008