Journal for Immunotherapy of Cancer
基于多组学与时间动态的Transformer模型提升NSCLC新辅助免疫化疗的MPR预测

小赛推荐：

本研究通过整合多时间点、多序列的放射组学、病理组学和深度学习特征，构建了一个基于Transformer的Attention机制模型，显著提高了对非小细胞肺癌患者新辅助免疫化疗后主要病理缓解（MPR）的预测能力，且在外部验证队列中AUC达到0.858，优于单模态模型。模型具备良好的临床适用性，并能有效区分不同生存曲线，为个体化治疗提供支持。

 

文献概述
本文《Attention-guided framework for integrative omics and temporal dynamics in predicting major pathological response in neoadjuvant immunochemotherapy for NSCLC》，发表于《Journal for Immunotherapy of Cancer》杂志，回顾并总结了局部晚期非小细胞肺癌（NSCLC）患者接受新辅助免疫化疗后主要病理缓解（MPR）的预测模型开发与验证。研究通过多中心回顾性分析，评估了271例患者，旨在建立一个整合多组学数据的预测框架，以优化治疗策略并减少无效治疗带来的风险。

背景知识
非小细胞肺癌（NSCLC）是肺癌中最常见的亚型，局部晚期患者通常接受新辅助治疗以缩小肿瘤后进行手术。新辅助免疫化疗已被证明能提升病理完全缓解（pCR）和主要病理缓解（MPR）率，但并非所有患者都对治疗有响应，因此需要有效的预测工具来识别治疗响应人群。当前的影像组学模型多依赖于单一时间点的CT扫描，难以捕捉治疗过程中肿瘤的动态变化。此外，虽然PD-L1表达、肿瘤浸润淋巴细胞等生物标志物已被研究，但其预测能力有限，且存在判读困难、假性病灶等问题。因此，整合多时间点、多序列的CT影像、病理切片特征以及治疗前后动态变化的模型具有更高的临床价值。Transformer架构的引入，尤其是其自注意力和交叉注意力机制，为多模态、多时间点数据的高效融合提供了技术基础，使模型能够自动识别关键特征并优化预测性能。

 

构建基因敲除、敲入、点突变小鼠模型，用于肿瘤免疫治疗及疾病机制研究。提供全流程服务，包括模型定制、饲养繁育、表型分析及健康监测。

了解更多

 

研究方法与实验
研究采用回顾性、多中心设计，纳入271例IB-III期NSCLC患者，所有患者接受至少两个周期的新辅助免疫化疗，治疗方案包括PD-1抑制剂（如Pembrolizumab、Nivolumab、Tislelizumab或Camrelizumab）联合铂类化疗。在数据预处理阶段，使用基于生成对抗网络（GAN）的超分辨率重建技术提升CT图像分辨率，并提取放射组学特征。病理组学特征则通过全切片图像（WSI）分析，使用多重实例学习（MIL）方法聚合病理切片预测概率，构建特征向量。随后，采用Transformer框架进行特征融合，构建多模态模型（Tempo-Model）和最终的多组学模型（Trans-Model），并在训练集、验证集和外部测试集中评估模型性能。

关键结论与观点

• Trans-Model在外部测试队列中表现出最佳预测性能，AUC为0.858（95% CI 0.783–0.933），显著优于Rad-Model（AUC 0.839）和Patho-Model（AUC 0.753）
• MPR阳性患者在3年总生存率（OS）和5年无进展生存率（PFS）方面均显著优于MPR阴性患者（87.3% vs 76.1% 和 45.8% vs 34.7%）
• 模型在决策曲线分析（DCA）中展现出良好的临床实用性，尤其在低至中等风险区间，但在高风险区间预测能力受限，提示该模型更适合用于响应者筛选而非高风险患者的最终判断
• Transformer架构能够有效捕捉多模态、多时间点特征之间的复杂依赖关系，通过自注意力机制和交叉注意力机制实现特征加权与信息交互，提升整体预测一致性

研究意义与展望
本研究提出的Trans-Model为NSCLC新辅助免疫化疗患者的MPR预测提供了高精度工具，有助于临床医生进行个体化治疗决策。未来研究需扩大样本量以验证模型在不同人群中的泛化能力，并探索模型在真实临床环境中的应用效果。此外，进一步结合生物标志物（如PD-L1表达、TMB等）和多组学特征可能进一步提升模型性能，同时需优化模型的可解释性以提升临床可接受度。

 

基于全人源化抗体小鼠模型开发高亲和力、低免疫原性治疗性抗体，适用于肿瘤、自身免疫疾病及感染性疾病研究。提供从抗原设计、抗体筛选到功能验证的全流程服务。

了解更多

 

结语
本研究成功构建并验证了一个基于Transformer的多组学整合模型（Trans-Model），用于预测非小细胞肺癌患者在新辅助免疫化疗后是否达到主要病理缓解。该模型在外部测试队列中AUC达0.858，优于单模态模型，且能有效区分不同生存结局，为临床提供了一种非侵入性的个体化治疗评估工具。未来的研究应聚焦于模型的多中心推广、生物标志物整合以及模型可解释性的提升，以促进其在真实世界中的应用。

 

Xiangfeng Gan, Jianzhong He, Wei Zhang, Qingdong Cao, and Baishen Chen. Attention-guided framework for integrative omics and temporal dynamics in predicting major pathological response in neoadjuvant immunochemotherapy for NSCLC. Journal for Immunotherapy of Cancer.