基于人工智能从组织病理学图像中泛癌种估算预后性免疫生物标志物

多重免疫荧光（mIF）检测（如 ImmunoProfile）能够对具有预后价值的免疫标志物进行标准化定量，但成本高昂，且尚未在临床实践中常规应用。我们开发了一种弱监督人工智能模型 HistoProfile，用于基于常规苏木精-伊红（H&E）染色的全切片图像，估计关键免疫生物标志物（CD8、FOXP3、PD-1 和 PD-L1）的肿瘤内细胞密度，以及 PD-L1 肿瘤比例评分。HistoProfile 基于一个包含配对 H&E 和 mIF 数据的大型泛癌队列进行训练，并在留出样本及肿瘤特异性亚组中区分生物标志物高表达与低表达肿瘤（各生物标志物的 AUROC 为 0.78–0.89）。值得注意的是，估计得到的生物标志物在后续生存分析中保留了预后分层能力，并在缺乏 mIF 数据的 TCGA 各队列中显示出癌症特异性生存相关性。这些发现支持基于 H&E 图像对关键免疫生物标志物进行可扩展的估计，从而用于大规模免疫分析和风险分层。

多重免疫荧光（mIF）检测（如 ImmunoProfile）可对预后相关免疫标志物进行标准化定量，但成本较高，且并非常规临床检测手段。我们开发了一种弱监督人工智能模型 HistoProfile，用于根据常规苏木精-伊红（H&E）染色的全视野切片图像，估算肿瘤内关键免疫生物标志物（CD8、FOXP3、PD-1 和 PD-L1）的细胞密度，以及 PD-L1 肿瘤比例评分。HistoProfile 基于一个规模庞大的泛癌种配对 H&E 与 mIF 数据队列进行训练，在留出样本及肿瘤特异性亚组中，能够区分生物标志物高表达与低表达肿瘤（各标志物的 AUROC 为 0.78–0.89）。重要的是，在后续生存分析中，估算的生物标志物仍能保留预后分层能力；在缺乏 mIF 数据的 TCGA 队列中，这些标志物估算值也与癌症特异性生存相关。这些发现支持基于 H&E 切片对关键免疫标志物进行可扩展的估算，以用于大规模免疫图谱分析和风险分层。

作者声明不存在竞争性利益。

感谢您有兴趣传播 bioRxiv 的信息。

注意：请求提供您的电子邮件地址，仅用于确认您是本文的发送者。

关键词：人工智能病理学 · 泛癌种分析 · 免疫生物标志物 · 多重免疫荧光 · 数字病理学 · 预后分层

原文链接：https://www.biorxiv.org/content/10.64898/2026.10.06.757083v1?rss=1