Journal for Immunotherapy of Cancer
基于H&E病理切片的人工智能数字病理技术在免疫肿瘤治疗中的应用
小赛推荐：
本文系统综述了人工智能在免疫肿瘤学中的最新进展，重点探讨了AI如何通过H&E染色全切片图像进行免疫生物标志物检测及免疫治疗反应预测，展示了AI在提升免疫治疗患者筛选和疗效评估方面的巨大潜力。
文献概述
本文《Artificial intelligence-based digital pathology using H&E-stained whole slide images in immuno-oncology: from immune biomarker detection to immunotherapy response prediction》发表于《Journal for Immunotherapy of Cancer》2025年第13卷，回顾并总结了人工智能在免疫肿瘤学中的应用现状，包括利用H&E染色全切片图像（WSI）进行免疫生物标志物识别及免疫检查点抑制剂（ICI）疗效预测。文章还讨论了当前免疫生物标志物在临床中的局限性，如PD-L1、MSI和TMB等，以及AI如何通过自动化、高精度分析克服这些限制，从而实现更准确的患者分层和疗效预测。
背景知识
免疫肿瘤学近年来因免疫检查点抑制剂（ICIs）的发展而取得重大进展，但仅少数患者对ICIs有显著反应，且伴随显著副作用，因此精准识别受益人群成为研究重点。传统生物标志物如PD-L1表达、微卫星不稳定性（MSI）和肿瘤突变负荷（TMB）虽已被FDA批准用于患者筛选，但在预测疗效方面仍存在不足。H&E染色病理切片作为常规诊断工具，虽然可提供肿瘤微环境（TME）信息，但其手动分析过程费时且主观。AI与数字病理（DP）的结合，特别是深度学习（DL）和卷积神经网络（CNN）的引入，为自动化分析TME、量化免疫细胞浸润、预测治疗反应提供了新的可能。本文重点分析了AI在免疫生物标志物检测和ICI反应预测中的应用，并指出未来在多组学整合与临床转化中的研究方向。
研究方法与实验
研究者通过系统检索PubMed及主要肿瘤学会议，收集了AI应用于免疫肿瘤学数字病理分析的最新文献，重点分析AI如何利用H&E染色全切片图像（WSI）进行PD-L1表达、TIL密度、MSI状态和TMB的预测。多个研究采用卷积神经网络（CNN）模型，基于H&E切片训练AI模型，以预测PD-L1状态、TIL分布、MSI状态等生物标志物，并进一步用于预测ICIs治疗反应和生存结局。模型训练集和验证集来自多个癌症类型，如非小细胞肺癌、乳腺癌、结直肠癌等，部分研究整合临床数据以提高预测准确性。
关键结论与观点
研究意义与展望
AI在免疫肿瘤学中的应用不仅提升了传统生物标志物的检测效率和一致性，还揭示了TME中未被充分理解的空间异质性，为患者筛选提供了新的潜在指标。未来研究应聚焦于多中心数据共享、模型可解释性提升、以及与临床数据的整合，以推动AI在临床中的广泛应用。
结语
本综述系统评估了AI在免疫肿瘤学中的最新应用，特别是在H&E染色全切片图像分析中的免疫生物标志物识别与ICIs疗效预测。AI模型在多个癌症类型中表现出良好的预测能力，其在空间TIL、TLS、PD-L1表达及多组学整合方面的潜力，预示着其在临床决策支持中的重要价值。尽管仍面临数据标准化、模型可解释性及监管合规等挑战，AI在数字病理中的应用有望成为精准免疫治疗的有力工具。未来研究需推动模型泛化能力、增强临床相关性，并探索AI在真实世界临床实践中的落地转化。
