食管-胃癌中肿瘤浸润淋巴细胞的密度随疾病分期、地理区域和治疗而变化:九项III期临床试验的事后分析

The density of tumour infiltrating lymphocytes in oesophago-gastric cancer varies with disease stage, geographical region and treatment: a post hoc analysis of nine phase III clinical trials

作者信息Georgina A Keogh, Nina Šefčovičová, Tomio Arai, Myeong-Cherl Kook, Jon P Laye, William H Allum, Sameira Arif, Avani Athauda, Hee Kyung Chang, Jae-Ho Cheong, Mee-Yon Cho, David Cunningham, Lara Heij, Andrew F Irvine, Hee Sung Kim, Hyunki Kim, Young-Woo Kim, Ruth E Langley, Sung Hak Lee, Katharina von Loga, Matthew G Nankivell, Takashi Oshima, Russell D Petty, Xiuxiang Tan, Shiro Tanaka, Akira Tsuburaya, Judith de Vos-Geelen, Nicholas P West, Jake Emmerson, Jamie R Stokes, Derek R Magee, David A Cairns, Heike I Grabsch
PMID42084815
发布时间2026-07
DOI10.1007/s10120-026-01739-6

实验完整度

研究基于九项III期临床试验的回顾性事后分析,采用深度学习算法定量TILs密度,涉及多种标本类型和临床病理数据,但为观察性分析,无功能验证实验。

主要模型

食管-胃癌患者的肿瘤活检和切除标本 九项III期临床试验队列(含英国和亚洲)

重点核对

标本类型(治疗前活检、未化疗切除、化疗后切除) 疾病分期(早期 vs 晚期) 地理区域(英国 vs 亚洲) 治疗方案(不同化疗方案) H&E染色和扫描条件(扫描仪型号、软件)

摘要

背景:肿瘤浸润淋巴细胞(TILs)是肿瘤微环境的关键组成部分。为了确定食管-胃癌(OG)患者具有临床意义的TILs截断值,了解TILs密度是否随患者和/或疾病特征变化至关重要。材料与方法:使用深度学习算法对来自九项III期试验的4628例患者的数字化苏木精/伊红(H&E)染色的活检和切除标本进行TILs定量,以TILs/mm2(TILs密度)表示。最终分析纳入4533例具有TILs密度和匹配临床病理数据的患者。分析了TILs密度与疾病分期、地理区域(英国与亚洲)、性别、年龄和治疗之间的关联。结果:早期疾病患者治疗前活检的中位TILs密度高于晚期疾病患者(962 vs 479 TILs/mm2,p<0.001)。在同一地理区域和疾病分期内,不同化疗方案之间TILs密度相似。在英国的早期疾病试验中,化疗后切除标本的TILs密度高于未化疗切除标本(618 vs 571 TILs/mm2,p=0.003)。亚洲肿瘤的TILs密度高于英国肿瘤(1419 vs 571 TILs/mm2,p<0.001)。未观察到与年龄或性别的显著关联。结论:这是迄今为止评估OG癌症TILs密度最大规模的研究。TILs密度随分期和地理区域变化,但不随年龄或性别变化。这些发现可能解释已发表研究中早期疾病患者对免疫治疗增强的反应,并强调在解释TILs作为未来研究中可能的生物标志物时需要考虑基线TILs异质性。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
食管-胃癌中TILs密度是否随患者和疾病特征(如分期、地理区域、性别、年龄)变化,以为临床应用提供参考?
核心机制
文中未明确说明。
主要证据
基于九项III期临床试验的4628例患者的H&E染色标本,采用深度学习算法定量TILs密度,发现TILs密度在早期疾病中高于晚期疾病,且在亚洲肿瘤中高于英国肿瘤。
研究意义
提示TILs密度可能解释早期疾病患者对免疫治疗的增强反应,并强调在解释TILs作为生物标志物时需考虑基线异质性。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

TILs密度定量

利用深度学习算法在H&E染色切片上定量TILs密度,以评估不同患者和疾病特征下的分布。

对来自九项试验的活检和切除标本进行数字化扫描,使用HeteroGenius-MIM软件和更新后的深度学习模型自动检测TILs,并通过人工质量控制。

2

基于疾病分期的比较

比较早期与晚期疾病患者治疗前活检或未治疗切除标本中的TILs密度。

将患者按疾病分期分组,比较早期疾病(OE02、OE05、ST03)与晚期疾病(REAL3、COG、GO2)的治疗前活检TILs密度。

3

基于地理区域的比较

比较英国与亚洲患者肿瘤中的TILs密度。

比较英国试验(OE02等)和亚洲试验(SAMIT、CLASSIC)切除标本的TILs密度。

4

基于治疗方案的比较

评估不同化疗方案是否影响TILs密度。

在相同地理区域和疾病分期下,比较不同化疗方案后患者的TILs密度。

5

临床病理因素关联分析

探讨TILs密度与年龄、性别、肿瘤位置、分期等临床病理特征的关系。

将患者按TILs密度分为低、中、高三组,使用Mann-Whitney或Kruskal-Wallis检验比较低与高组之间的临床病理特征。

6

MMR状态分析

评估MMR状态与TILs密度的关系。

在使用MAGIC、CLASSIC和GO2试验中,通过连续TILs密度值分析MMR状态与TILs密度的关系。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
Aperio扫描仪Leica Biosystems--
滨松NanoZoom扫描仪Hamamatsu Photonics--
HeteroGenius-MIM图像分析软件HeteroGenius Ltd.--

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
标本收集
标本类型(活检或切除)及治疗背景(治疗前、未化疗、化疗后)
阅读提示:Methods部分各试验描述
TILs定量
扫描仪型号、图像分析软件、深度学习模型版本、区域注释规则
阅读提示:Methods: Measurement of tumour infiltrating lymphocytes
统计分析
分组定义(如低、高TILs密度截断值)、统计检验方法、是否校正多重检验
阅读提示:Methods: Statistical analysis部分
临床病理数据
疾病分期、地理区域、年龄、性别、肿瘤位置、pT/pN状态
阅读提示:Table 4及其分析描述