Journal for Immunotherapy of Cancer
深度学习CT模型无创预测胰腺癌三级淋巴结构及其免疫治疗预后价值

小赛推荐：

本研究为 胰腺癌 患者提供了一种无需手术活检即可评估肿瘤免疫微环境的新策略，直接启发 免疫治疗 前的患者筛选与分层实验设计。

 

文献概述

本文《Deep learning-based CT model for non-invasive prediction of tertiary lymphoid structures in pancreatic cancer: a multicenter study with prospective validation in an immunochemotherapy cohort》，发表于《Journal for Immunotherapy of Cancer》杂志，系统探讨了利用深度学习技术从常规增强CT图像中无创预测 胰腺癌 中 三级淋巴结构 的存在，并验证了其在手术及非手术患者中的预后与预测价值。

背景知识

该研究旨在解决 胰腺导管腺癌 这一致死率极高恶性肿瘤的临床痛点，即绝大多数患者确诊时已无法手术，导致无法通过病理活检获取关键的免疫微环境信息。目前，三级淋巴结构 作为评估 免疫治疗 响应和生存预后的核心 靶点，其检测高度依赖侵入性的组织病理学分析，这使得无法手术患者的免疫状态评估成为盲区。此外，传统的影像组学方法依赖人工特征提取，难以捕捉复杂的肿瘤空间异质性。本研究切入点在于利用 深度学习 网络自动挖掘CT图像中的高维特征，建立与 三级淋巴结构 空间架构（如 树突状细胞 与 T辅助细胞 的相互作用）的关联，从而突破现有 生物标志物（如 PD-L1）的局限性，为 胰腺癌 的精准免疫治疗提供全新的无创评估工具。

 

肿瘤细胞系服务：提供丰富的胰腺癌等肿瘤细胞系及体内移植药效模型构建，支持药物筛选与免疫治疗机制研究，助力新药研发全流程。

了解更多

 

研究方法与核心实验

作者构建了一个基于 ResNet50 架构的深度学习网络，利用来自两个中心的223例手术切除 胰腺癌 患者的术前增强CT数据进行模型训练与内部验证。关键证据在于该模型在外部验证集中保持了高准确性（AUC=0.853），并成功应用于82例非手术患者的临床验证。更为重要的是，研究在一个前瞻性注册的 免疫化疗 临床试验队列中进行了锁定模型验证，通过循环多重酪氨酸信号放大技术（CmTSA）对组织样本进行空间免疫谱分析，将影像预测结果与真实的 三级淋巴结构 病理状态及临床结局（客观缓解率、无进展生存期、总生存期）进行了闭环验证。

关键结论与观点

• 深度学习模型在训练集、内部验证集和外部验证集中预测 三级淋巴结构 的AUC分别达到0.987、0.937和0.853，证明了其极高的诊断准确性，为后续 无创诊断 模型的推广提供了数据支撑。
• 在前瞻性队列中，模型预测为 三级淋巴结构 阳性的患者 客观缓解率 高达90.0%，显著高于阴性组的26.5%，且 总生存期 显著延长（中位17.6个月 vs 8.7个月），确立了该影像标志物作为 免疫治疗 疗效预测因子的独立价值。
• 研究发现DLN评分与 PD-L1 表达无相关性（rho=0.011），但与 树突状细胞-T辅助细胞 的空间相互作用及 T辅助细胞-B细胞 的空间共定位显著正相关，提示该模型捕捉的是 三级淋巴结构 特有的功能架构，可作为 PD-L1 的互补 生物标志物。
• DLN评分与肿瘤细胞密度呈负相关，表明高评分对应着更丰富的免疫浸润和更低的肿瘤负荷，为理解 肿瘤微环境 的免疫抑制机制提供了新的影像学生物学依据。

研究意义与展望

从科研视角分析，该发现对 药物开发 中的患者分层策略具有深远影响，使得无法手术的晚期 胰腺癌 患者也能接受基于免疫微环境特征的精准治疗筛选。在 临床监测 方面，该模型提供了一种可重复、标准化的无创手段，能够动态评估 三级淋巴结构 的变化，从而指导 免疫治疗 方案的调整。此外，该研究为 疾病建模 提供了新思路，即通过影像特征反推复杂的细胞空间互作网络，有助于开发针对特定免疫微环境特征的 靶向药物 或联合疗法。

 

肿瘤药效评价服务：提供从体外细胞杀伤实验到体内原位成瘤模型的全方位药效评估，涵盖免疫细胞功能检测与生物标志物分析，精准评估抗肿瘤药物疗效。

了解更多

 

结语

本研究通过构建并前瞻性验证深度学习CT模型，成功实现了 胰腺癌 三级淋巴结构 的无创精准预测，填补了非手术患者免疫状态评估的空白。该模型不仅独立预测了 免疫治疗 的疗效与患者生存，更在生物学层面揭示了其与 树突状细胞-T细胞 及 T细胞-B细胞 空间互作的内在联系，且与 PD-L1 表达正交。这一突破将影像诊断从单纯的形态学观察提升至功能与空间免疫架构的解析层面，为 胰腺癌 的 免疫治疗 患者筛选、临床试验分层及个体化治疗策略制定奠定了坚实的基石，有望显著改善这一难治性恶性肿瘤患者的临床照护体系。

 

Haopeng Yu, Xiaoying Li, Xuan Cheng, Zixing Huang, and Dan Cao. Deep learning-based CT model for non-invasive prediction of tertiary lymphoid structures in pancreatic cancer: a multicenter study with prospective validation in an immunochemotherapy cohort. Journal for Immunotherapy of Cancer.