自然而然的癌症：只需6个指标就可以预测疗效，AI加持下的全新免疫治疗预测模型问世！

*仅供医学专业人士阅读参考

人工智能，能为人所不能为，近几年医疗领域的AI热潮里，“AI阅片”之类的成果就已经证明，AI有着追平甚至超越医护工作者的能力，有时更是能从已知信息中，挖掘出全新的未知可能性，来帮医生们解决临床上的老大难问题。

比如近日在《自然·癌症》期刊上，美国国家癌症研究所（NCI）和纪念斯隆-凯特琳癌症中心（MSKCC）研究团队就共同发表了最新研究成果，在AI技术的加持下，研究者们开发出了一种名为LORIS的免疫检查点抑制剂（ICB）疗效预测模型，这套模型仅需使用6个患者基线和临床特征，就足以在多种实体瘤中准确地预测治疗应答和患者生存[1]。

论文核心内容总结

预测PD-1/L1抑制剂或是CTLA-4抑制剂治疗应答，这可真是奇点糕们一直在念叨、学界从未停止过探索的老大难问题，但近几年翻来覆去的各种探索，却很少有什么标志物能做到“尽善尽美”，所以像非小细胞肺癌（NSCLC）等热门瘤种里，主要倚仗的还是PD-L1表达水平和肿瘤突变负荷（TMB）这些老面孔，但它们的不足之处也明摆着。

所以在这次的研究中，NCI和MSKCC的研究团队定下了两个主要原则，其一就是选出能有效预测ICB疗效的标志物或患者特征，其二则是标志物或特征必须简单易得，方便临床使用，如果相关指标要靠多组学分析之类的手段才能获取，那就太不接地气了。

研究者们共分析了2881名接受ICB治疗（PD-1/L1抑制剂或CTLA-4抑制剂单药/联合治疗）和841名未接受ICB治疗患者的数据，涵盖18种实体肿瘤；评价ICB疗效的指标是客观缓解率（ORR）、无进展生存期（PFS）和总生存期（OS），此外还收集了20余种患者临床、病理和基因组学特征，其中8种覆盖了所有参与者（性别、年龄、系统性治疗史等）。

接下来，研究者们使用20种不同的机器学习架构，基于上述患者特征综合构建并评估ICB的疗效预测模型（有泛癌模型和癌种特异性模型）；而在8种所有患者资料均具备的特征中，患者性别和ICB类型在模型预测时影响最小，去除这两种特征后得到的最佳模型，是一个六特征逻辑最小绝对收缩和选择算子（LASSO）回归模型（LLR6），也就是LORIS模型。

被纳入LORIS模型的6个特征，按照重要顺序排列如下：TMB、系统性治疗史、血清白蛋白、血液中性粒细胞/淋巴细胞比值（NLR）、年龄和癌症类型，根据这些特征可计算得到LORIS评分（全称为：基于逻辑回归的免疫治疗反应评分），对治疗有应答患者的评分较高。经过多次验证，LORIS模型的表现明显优于单纯使用TMB预测，也整体优于2022年MSKCC团队借助AI提出的RF16预测模型[2]，以及本次研究中机器学习的其它成果。

LORIS模型获取过程的简介

这还不是LORIS模型的全部“过人之处”，接下来研究者们证实，LORIS模型可在TMB低表达患者中识别出一批经ICB治疗后，获益与TMB高表达患者相似的人群，这是现有标志物检测或模型预测还不容易做到的；在预测患者短期和长期生存预后方面，LORIS模型的表现均明显好于TMB检测，结论对模型构建时纳入的18种实体瘤也具有普适性。

LORIS模型可在TMB低表达患者中检出ICB治疗潜在优势人群

而且，LORIS评分与患者接受ICB治疗后达到客观缓解的可能性也呈正相关（同时与OS也呈正相关），这就意味着在根据患者特征计算出LORIS评分后，临床医生可以借此预测疗效，特别是识别出最有可能达到客观缓解的前10%患者（达到客观缓解概率超过50%），同时排除最不可能达到缓解的约10%患者（概率低于10%）。

LORIS评分可用于预测患者实现客观缓解的概率

最后，还记得奇点糕们在研究开始之初提过，研究者们建模时也尝试了“癌种特异性模型”吗？LORIS模型还可以根据某个癌症的特点进行调整，例如用NSCLC免疫治疗常规检测的PD-L1表达水平（使用肿瘤细胞分数/TPS评估），替换原模型中的癌症类型这项特征，就取得了显著优于单纯检测PD-L1表达或TMB水平的预测准确性。

“癌种特异性”LORIS模型可能更专精

现在NCI已经将LORIS模型做成了专门的网站，只需输入相关信息就能得到预测结果，这也算是临床医生们非常熟悉且友好的使用方式，奇点糕也推荐身在一线的读者们进行一些尝试，一起为免疫治疗预测模型的不断进步添砖加瓦嘛。

LORIS模型在线评分网站

参考文献：

[1]Chang T G, Cao Y, Sfreddo H J, et al. LORIS robustly PRedicts patient outcomes with immune checkpoint blockade therapy using common clinical, pathologic and genomic features[J]. Nature Cancer, 2024.

[2]Chowell D, Yoo S K, Valero C, et al. Improved prediction of immune checkpoint blockade efficacy across multiple cancer tyPEs[J]. Nature Biotechnology, 2022, 40(4): 499-506.

本文作者丨谭硕