Endocrine Pathology
肺非典型类癌和大细胞神经内分泌癌的数字免疫表型分析揭示三种具有特定肿瘤微环境特征的亚型
小赛推荐：
本研究通过数字病理分析全面揭示了肺非典型类癌（ACs）和大细胞神经内分泌癌（LCNECs）的肿瘤微环境（TME）特征，识别出三个具有不同免疫特征的患者亚群。这些发现为肺神经内分泌肿瘤的免疫分型和个体化治疗策略提供了新的视角。
文献概述
本文《Digital Immunophenotyping of Lung Atypical Carcinoids and Large Cell Neuroendocrine Carcinomas Identifies Three Subtypes With Specific Tumor-Immune Microenvironment Features》，发表于《Endocrine Pathology》杂志，回顾并总结了肺非典型类癌和大细胞神经内分泌癌的免疫微环境特征。研究使用免疫组化和数字图像分析技术，对多个免疫标志物（CD3、CD8、PD-1、PD-L1、HLA、α-SMA）进行了系统评估，揭示了不同肿瘤区域（侵袭边缘和中心肿瘤）的免疫细胞浸润差异，并通过机器学习方法识别出三个具有不同免疫特征的患者亚群，与临床预后相关。
背景知识
肺神经内分泌肿瘤（LNENs）是一类异质性较强的肺部恶性肿瘤，包括低级别典型类癌（TC）、中间级别的非典型类癌（AC）以及高级别的大细胞神经内分泌癌（LCNEC）和小细胞肺癌（SCLC）。尽管这些肿瘤在形态学上有所区分，但在免疫微环境和治疗反应方面，它们可能具有一定的连续性。特别是AC和LCNEC，由于其在生物学行为、治疗选择和预后方面的重叠，诊断和管理上仍面临挑战。近年来，肿瘤微环境（TME）和肿瘤浸润淋巴细胞（TILs）在多种肿瘤类型中的预后和治疗预测价值已被广泛认可，但在肺类癌和LCNEC中的系统性研究仍较少。本研究填补了这一空白，通过整合免疫组化、数字病理分析和机器学习，系统分析了AC和LCNEC的免疫景观，识别出三个具有不同免疫特征和预后特征的患者亚群，为未来的个体化免疫治疗策略提供了理论基础。
研究方法与实验
研究纳入了56例AC和104例LCNEC患者的病理切片，所有病例均经过中心病理复核。采用Aperio ScanScope XT®扫描CD3和CD8免疫组化切片，使用QuPath进行图像处理，并通过机器学习方法将肿瘤区域划分为1mm²的tile，手动区分侵袭边缘（IM）和中心肿瘤（CT）区域。在每个tile中，自动化算法识别并定量真正的阳性淋巴细胞染色，过滤掉斑点和非特异性背景信号。随后，利用随机森林分类器将超像素分类为肿瘤或基质区室，从而全面量化iTIL和sTIL。进一步，研究使用Boruta特征选择算法、主成分分析（PCA）和层次聚类分析，从183个TIME参数中筛选出31个关键特征，用于区分AC和LCNEC。这些特征包括CD3和CD8在肿瘤和基质区室的密度，以及其在IM和CT区域的空间分布。
关键结论与观点
研究意义与展望
本研究首次在肺神经内分泌肿瘤中系统性识别出三种免疫TME亚型，为AC和LCNEC的生物学异质性提供了免疫学解释。这些免疫特征可能有助于优化LNEN患者的分层管理和治疗策略，特别是在免疫检查点抑制剂应用方面。未来的研究需要结合分子亚型分析，进一步验证这些免疫亚型的临床相关性，并探索其在前瞻性队列中的治疗预测价值。
结语
本研究通过数字免疫表型分析，系统揭示了肺非典型类癌和大细胞神经内分泌癌的肿瘤微环境特征。研究发现LCNEC相较于AC具有更高的免疫细胞浸润、免疫检查点表达和HLA分子表达，而AC则表现出更强的α-SMA表达，提示其基质活跃性。通过机器学习方法，研究成功识别出三个具有不同免疫特征的患者亚群，其中Cluster 3具有最高的免疫浸润和PD-L1表达，预后最差，而Cluster 1主要为AC患者，预后较好。这些结果不仅强调了肺神经内分泌肿瘤免疫微环境的异质性，也为未来基于免疫分型的个体化治疗策略提供了依据。尽管研究存在回顾性设计和样本量较小的局限性，但其结果为肺神经内分泌肿瘤的免疫治疗研究和分子-免疫整合分析奠定了基础。
