Endocrine Pathology
基于Ki-67和有丝分裂计数整合的三联分级系统用于肺类癌的预后分层

小赛推荐：

该研究提出了一种基于常规病理参数的新型分级系统，为肺类癌的临床风险分层提供了更精确的工具，有助于优化术后监测和个体化治疗策略。

 

文献概述

本文《Three-Tier Prognostic Stratification of Lung Carcinoids (NET G1-G2-G3) by Multivariable, Data-Driven Integration of Ki-67 and Mitotic Count》，发表于《Endocrine Pathology》杂志，系统探讨了如何通过整合Ki-67增殖指数与有丝分裂计数（MC）对肺类癌进行更精准的预后分层。研究团队利用聚类分析方法，在大样本队列中建立了一个独立于传统典型/非典型类癌分类的三联分级模型，并在外部验证队列中证实其可重复性与临床实用性。该模型有望克服现有WHO分类在异质性与可重复性方面的局限，为未来分类更新提供数据支持。

背景知识

肺类癌作为最常见的肺神经内分泌肿瘤（NET），其临床行为高度异质，目前依赖于典型类癌（TC）与非典型类癌（AC）的二分法，该分类主要依据有丝分裂计数和坏死特征。然而，这种分类在预后预测上存在明显重叠，尤其在AC组内，导致临床决策困难。尽管Ki-67指数已被广泛认为是重要的预后因子，但其在现行WHO分类中仅作为“可选”参数，未被纳入正式分级体系。这一瓶颈限制了对中等增殖活性肿瘤的精细化管理。选题切入点在于，能否通过数据驱动的方法整合Ki-67、MC和坏死三项指标，建立一个更客观、更具预后价值的分级系统？研究进一步探讨了肺类癌的分子异质性，提示如OTP、ASCL1等标志物可能与增殖活性相关，但缺乏分子数据成为本研究的局限之一。

 

专业的小鼠病理分析服务，提供石蜡包埋、HE染色、免疫组化及多重免疫组化等全面组织学分析，支持肿瘤、神经、代谢等多种疾病模型的病理评估，助力研究者深入解析组织结构与蛋白表达，为肺类癌等神经内分泌肿瘤的机制研究与药效评价提供可靠数据支持。

了解更多

 

研究方法与核心实验

研究基于两个独立队列：一个单中心回顾性队列（n=483）和一个公开数据的外部验证队列（n=259）。所有病例均为手术切除的原发性肺类癌，收集了包括性别、年龄、肿瘤大小、pT/pN分期、MC/2mm²、坏死、Ki-67指数等详细的临床病理参数。MC在H&E染色切片中于高增殖区域计数，Ki-67指数按ENETS指南在“热点”区域计数至少2000个肿瘤细胞。研究采用KAMILA算法对MC、Ki-67和坏死进行混合数据聚类分析，以识别自然分组。随后，通过条件推断树（conditional inference tree）建立可操作的阈值模型，并使用Cox回归与Kaplan-Meier分析评估各组的总体生存（OS）与无复发生存（RFS）。

关键结论与观点

• 通过聚类分析识别出三个具有显著预后差异的亚组：NET G1（低增殖）、NET G2（中等增殖）和NET G3（高增殖），该分层独立于传统TC/AC分类。这为后续临床风险分层提供了更精确的工具。
• Ki-67指数是区分低（G1）与高（G3）风险肿瘤的最强预测因子，其最佳截断值为6%（区分G1与G2）和16%（区分G2与G3），这一发现为后续增殖指数评估提供了关键参考。
• 在Ki-67介于6%-16%的中间范围，有丝分裂计数（MC）进一步细分G2组，MC ≤1为低风险G2，MC >1为高风险G2，这提示有丝分裂计数在中间增殖组中具有附加价值。
• 坏死在多变量分析中未提供独立预后信息，且与Ki-67和MC高度共线性，提示其在现代分级系统中可能降级为“可选”而非必需指标，这对后续病理诊断标准修订具有指导意义。

研究意义与展望

该三联分级系统（NET G1-G3）具有高度临床转化潜力，因其主要依赖于常规IHC检测Ki-67，可广泛应用于各类样本，包括小活检与细胞学标本。这为术前风险评估与治疗决策提供了可能。此外，该系统为未来临床试验的患者分层提供了更合理的依据，有助于识别高风险患者进行更积极的干预。从药物开发角度看，G3类癌可能代表一类具有更高增殖但仍保留分化特征的实体，或对靶向增殖通路的药物更敏感，值得进一步探索。

 

提供标准化的小鼠表型分析服务，涵盖行为学、生理生化、代谢分析及细胞功能检测，结合基因与蛋白表达分析，全面评估基因修饰动物模型的生理与病理变化，适用于肺类癌相关基因功能研究与疾病机制探索，支持从模型构建到表型验证的全流程研究。

了解更多

 

结语

本研究提出了一种基于Ki-67和有丝分裂计数的三联分级系统（NET G1-G3），显著提升了肺类癌的预后分层能力。该模型超越了传统的TC/AC二分法，通过数据驱动方法建立了更具生物学意义的分类框架。其核心优势在于使用常规可用的病理参数，具备良好的可重复性与外部验证支持，且适用于小样本，极大增强了其临床实用性。从实验室到临床，该分级系统有望成为未来肺类癌管理的基石，指导个体化随访策略与治疗决策。尤其对于中间增殖组（NET G2）的进一步细分，为精准医学提供了新视角。未来研究应结合分子谱（如OTP、ASCL1）与该分级系统，构建多维度预测模型，推动肺类癌从形态学分类向整合诊断的转变，最终优化肺类癌患者的照护体系。

 

Giulia Orlando, Valentina Veronesi, Eleonora Duregon, Marco Volante, and Mauro Papotti. Three-Tier Prognostic Stratification of Lung Carcinoids (NET G1-G2-G3) by Multivariable, Data-Driven Integration of Ki-67 and Mitotic Count. Endocrine Pathology.