深度学习病理组学平台或可预测肺癌免疫治疗反应
一个名为Path-IO的深度学习病理组学平台利用常规病理切片准确预测了非小细胞肺癌患者的预后和免疫治疗反应，其表现优于PD-L1生物标志物。该模型在多个队列中得到验证，并与影像组学和临床数据结合后进一步提升了预测能力。若经进一步验证，该平台可轻松整合到临床工作流程中。
根据在美国癌症研究协会（AACR）2026年年会上公布的一项研究，一种基于深度学习的病理组学平台准确预测了转移性非小细胞肺癌（NSCLC）患者的预后和免疫治疗反应。这种名为“病理学驱动的免疫治疗优化”（Path-IO）的生物学引导人工智能模型应用于常规病理切片，其表现优于当前标准护理生物标志物PD-L1。
研究人员开发的Path-IO是一个深度学习生存预测模型，它分析病理切片图像并识别肿瘤微环境中的特定特征或“微环境”。通过将这些组织模式与影像和临床数据相结合，该模型可评估患者接受免疫治疗后预后不良风险的高低。该研究纳入了来自UT MD Anderson癌症中心的797例接受免疫检查点抑制剂治疗的NSCLC患者，并在来自Mayo Clinic、Gustave Roussy以及III期Lung-MAP S1400I试验的280例额外患者中进行了外部验证。在UT MD Anderson队列中，高风险组患者的死亡或疾病进展风险是低风险组的两倍以上，并且在验证数据集中观察到了类似的风险分层。
使用一致性指数（C-index）衡量性能。Path-IO在发现队列中总生存期（OS）的C指数为0.69，无进展生存期（PFS）为0.65；在测试队列中，OS为0.63，PFS为0.58。相比之下，PD-L1在发现队列中C指数为0.58（OS）和0.57（PFS），在测试队列中下降至0.50和0.51。将基于病理学的预测与影像组学和临床数据相结合，进一步提高了C指数，PFS从0.58提高到0.70，OS从0.63提高到0.75。
与以往的病理组学研究不同，Path-IO是一种基于生物学引导的方法，其预测基础是临床医生熟悉的组织结构，反映了病理学家解释组织的自然方式。该模型的预测与免疫分析和多重成像数据相关，因为较高的风险评分对应的是对免疫治疗不太可能敏感的肿瘤表型。这为某些患者预后较好或较差提供了生物学证据。由于该方法使用常规病理切片，如果作为预测工具得到验证，它可以整合到现有的临床工作流程中，而无需大量费用。该研究是首个经过国际真实世界队列和III期随机临床试验严格验证的基于深度学习的病理组学生物标志物。