条文本
PDF
文摘
客观的诊断测试,如Immunoscore预测结肠癌患者的预后。然而,额外的预后标记可以检测到病态的幻灯片使用人工智能工具。
设计我们已经开发出一种软件来检测结肠肿瘤,健康的粘膜,基质和免疫细胞CD3和CD8彩色幻灯片。淋巴细胞密度和表面积自动量化核心(TC)和侵入性肿瘤(IM)。使用套索算法,DGMate肿瘤参数(数字),我们发现数字参数相关的肿瘤细胞内病人的结果。
结果在1018名患者的数据集,我们观察到一个贫穷的复发存活率(RFS)与高IM基质区(HR 5.65;95%可信区间2.34到13.67;p < 0.0001)和高DGMate (HR 2.72;95%可信区间1.92到3.85;p < 0.001)。更高的CD3 + TC, CD3 + IM和CD8 + TC密度明显不再RFS。方差分析表明,CD3 + TC产生类似的预后价值经典CD3 / CD8 Immunoscore (p = 0.44)。IM基质的组合区域,DGMate和CD3,指定“DGMuneS”,表现Immunoscore当用于评估患者的预后(c指数= 0.601 vs 0.578, p = 0.04),独立与患者Cox多变量分析结果。基于DGMuneS预测计算图表和临床变量确定一组不到10%的患者复发风险和另一组50%的复发风险。
结论这些发现表明,人工智能可以改善病人护理,协助病理学家更好的定义III期结肠癌患者的预后。
- 结肠直肠癌
- 辅助治疗
- immunohistopathology
- 计算机图像分析
这是一个开放的分布式条依照创作共用署名非商业性(4.0 CC通过数控)许可证,允许别人分发,混音,适应,建立这个工作非商业化,和许可他们的衍生产品在不同的协议,提供了最初的工作是正确地引用,给出合适的信用,任何更改表示,非商业使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
来自Altmetric.com的统计
本研究的意义
已知在这个问题上是什么?
CD3和CD8,局部的结肠直肠癌的浸润与预测相关联。
固有免疫渗透量化优于肿瘤预后变量。
一个标准化的方法,称为Immunoscore可以用来研究这些免疫浸润使用一个集中的工业平台。
有什么新发现吗?
根据病理幻灯片从大型前瞻性研究,获得我们生成一个新的人工智能软件为研究肿瘤预后变量内在和CD3和CD8免疫浸润III期结肠癌使用一个自动程序。
我们发现CD8不提供额外的预后价值相比,CD3单独分析;因此,一个单一的CD3足以确定病人的预后。
肿瘤基质的密度和肿瘤细胞内在变量预后。
确定肿瘤基质的密度和肿瘤细胞内在变量结合CD3可以超越CD3 / CD8 Immunoscore-like肿瘤预后评分。
它会如何影响临床实践在可预见的未来吗?
我们的研究结果表明,肿瘤间质和肿瘤细胞内在变量,与免疫细胞浸润,应该考虑在大肠癌的预后。
在这里,我们提供了一个小说,免费的和改进的替代结直肠癌预后使用单一标准CD3病态的幻灯片。
验证的其他研究仅涉及II期患者或患者5 -氟尿嘧啶是保证延长这个观察的临床重要性。
介绍
管理转移性结肠癌(CC)已经演变近年来由于新解剖学的可用性,分子生物学和免疫学的数据。1然而,在局部肿瘤,辅助治疗只取决于定义根据肿瘤病理阶段,节点和转移(TNM分类)。2这种分类有一些限制因为预后显著不同患者在相同的阶段。事实上,在第三阶段的病人,5年无复发生存(RFS)从44%到83%不等。3
原位免疫环境也成为重要决定病人的预后和似乎在大多数固体肿瘤,高t细胞浸润与肿瘤的风险减少传播和改善生存。这种相关性在CC是有据可查,也在黑色素瘤、卵巢癌、乳腺癌、前列腺癌和肺癌。4个5杰罗姆Galon CC等提出了Immunoscore概念,研究CD3和CD8肿瘤浸润在肿瘤核心(TC)和侵入性(IM)。Immunoscore允许更精确的定义比TNM阶段病人的预后。6这种渗透与风险较低的肿瘤在CC传播和改善生存。7Immunoscore分析最近,使用一个集中的方法在大型多中心前瞻性研究包括舞台》CC患者能够区分三个类别的患者高,中间低immunoscores和8%,分别为19%和32%在5年内复发。8除了Immunoscore分析,许多研究都强调了预后的肿瘤浸润淋巴细胞在结直肠癌(CRC)。9日至15日然而,路易吉Laghi等表明,CD3浸润只是在II期肿瘤预后。16日17关于第三阶段CRC,对比数据在文献中是可用的。虽然Laghi等独立显示,CD3浸润不能用来预测病人的临床结果,17Sinicrope和页面,在两个不同的临床试验解决FOLFOX-based辅助化疗,证明CD3 +密度可以在第三阶段CC独立预测病人的结果。18 19
此外,非免疫因素在局部的CC与结果有关。例如,肿瘤本地化是已知预后的影响,由于患者对CC在转移预后差设置。20 - 22肿瘤的分子特征,如拉状态,错配修复分子亚型地位和共识,也可以用来判断预后。第23 - 25此外,人工智能(AI)可以用来分析虚拟显微镜图像和确定,具有良好的准确性、预后和肿瘤的分子特征。26
在这里,我们提出一个人工智能的软件可以被开发来分析,在一个单一的过程在一个肿瘤,免疫浸润和肿瘤相关预后参数。我们进一步假设,分析人工智能或肿瘤相关的组合产生的肿瘤相关变量和免疫变量可以超越Immunoscore分析。
方法
CD3和CD8染色
CD3 PETACC08样品的染色进行公关,埃米尔的实验室。幻灯片彩色如前所述,29日使用Bond-Max Fr4.0(徕卡生物系统)主要CD3抗体(克隆F7.2.38,安捷伦)。CD8染色,formalin-fixed石蜡包埋的幻灯片都来自法语Cancerologie联合会消化。幻灯片使用anti-CD8主要抗体染色(克隆(C8/144B)、安捷伦)和债券三世装置(徕卡生物系统)。一旦复染色和永久安装,幻灯片是数字化与Nanozoomer HT2.0 (Hammamatsu)×20放大产生整体滑动在ndpi成像(WSI)文件格式。
一代的人工智能软件
组织库生成步骤
WSI公司所有文件被脚本与QuPath软件自动分段30.使用一个超像素的策略。该方法的组织为成千上万的部分。然后,127参数(颜色、饱和度、亮度、纹理等)是自动计算并提取每个瓷砖。每个瓷砖出口的坐标来确定随后本地化。
接下来,两个病理学家注解WSIs成不同的类,也就是说,健康(粘膜),肿瘤,基质,免疫细胞,坏死和空的空间。根据定义,肿瘤间质包括基底膜、成纤维细胞、细胞外基质,免疫细胞和血管,31日但是我们要求病理学家排除免疫细胞和指定区域基质的区域。病理学家也被要求选择基质区域丰富的淋巴细胞,我们指定为“免疫领域”。坏死组织和瓷砖没有组织被分类为“其他”进行进一步分析。这项工作是80幻灯片上执行不同的组织学类型。之间的差异观察病理学家重新评估由病理学家在一份联合会议。
分类模型建立步骤
从这个培训组织库,我们建立了一个随机森林32分类模型。组织学分化,我们选择的变量最歧视上述不同的组织类使用VSURF算法。33训练模型然后为每个组织学分化组使用选定的变量。未知的患者组织学分化,我们使用元培训、重组所有可用的训练数据。模型用于分类WSI瓷砖选择是基于数据从组织学分化PETACC8数据库。这个模型被称为ColoClass。
TC和入侵利润率评估
TC是通过合并相邻瓷砖分类为肿瘤细胞的分类模型。一旦TC估计肿瘤瓷砖的集群,一个300µm extra-boundary自动绘制。我这extra-boundary和TC之间的区域,选为组织肿瘤边界的距离> 500µm先前的研究。34 35我们测试了不同的即时通讯距离(200、300、400和500µm) CD3和发现,300年,400年和500年µm取得了类似的结果强烈相关变量和类似的预后价值,然后我们决定选择样本集与300年µm IM减少计算的时间。
CD3和CD8检测步骤
从所有测量和导出数据后WSI瓷砖,脚本运行检测任何细胞WSI和导出坐标。因此,使用QuPath检测脚本,为每一个标记阳性细胞(CD3或CD8)从负面的分化。通过收集细胞和瓷砖坐标,我们能够确定每个单元的精确位置和它所属类(如健康、肿瘤、免疫或基质)。方法的可复制性测试通过扫描几个CD3幻灯片三次,从而生成几个.ndpi文件。一个独立bioinformatician处理每个文件在我们QuPath和R脚本,检查DGMunes (DGMate(数字肿瘤参数)与免疫和基质相关信息)和随后的分数。DGMuneS方差~ 5%。半定量的评价之间的一致性由两个病理学家CD3(~ 90%和89%)和QuPath检测脚本执行决定。
分类模型验证步骤
来验证我们的分类模型,随机选择53幻灯片不属于训练数据集。这些幻灯片是相同的处理(即分割、数字参数测量、坐标提取)。两个病理学家被要求分类一些瓷砖WSI使用QuPath以及它们之间的差异被重新评估由病理学家在一份联合会议。带注释的瓷砖在ColoClass然后出口和加工。
所有数据,R代码和Groovy脚本QuPath可在GitHub (https://github.com/Klopfe/PETACC8)。提供的教程在线补充文件。
统计分析
生存分析
的预后价值不同变量通过RFS Cox比例风险模型,测试被定义为时间从任何原因第一次复发或死亡。使用kaplan meier生存概率估计方法,使用生存率较和生存曲线进行了评估。患者RFS时间长于5年被审查。
DGMate得分建设
QuPath30.被用来衡量127年每个软件参数分段瓷砖。我们计算每个肿瘤的意思是瓷砖参数为每个幻灯片,每张幻灯片127年收益率参数。然后一个套索36算法进行选择相关的变量使用glmnet R包RFS。37 38DGMate分数考克斯的线性预测模型是建立在发现队列通过拉索过程与选定的变量。
发现和验证组
验证DGMate分数作为一个预测变量,我们将在两个不同的组群随机抽样,将70%的患者在发现队列和验证组的30%。两组是每个临床变量类似。
复制Immunoscore
Immunoscore-like分数生成Immunoscore和评估如前所述。8我们计算CD3 IM的百分位数,CD3 TC, CD8 IM和CD8 TC变量,从这四个变量的平均百分比计算为每个病人。一个three-category Immunoscore系统设计和患者得分从0到0.25,0.25,0.7和0.7 >被划分为低,中间高Immunoscores分别。两分的Immunoscore系统也设计,和患者得分从0到0.25和0.25 >被划分为高低Immunoscores,分别。
Cox模型的预测精度
评估不同模型的预测精度,并比较它们的性能,我们使用1000引导重采样和计算预测精度为每个引导抽样(AUC)。使用似然比检测模型性能比较,当模型嵌套。
诺模图施工
我们使用的列线图表示多变量Cox模型结合DGMuneS得分,N阶段,T台,分化和RAS状态建立一个分数。这一点被用来将病人分成三个不同的类别。比分否决如下:20%的患者的最高分数分为“高”,得分最低的20%一样“低”和“中间”。这个选择是由我们决定建立一个中间群类似全球人口的生存模式。
软件和数据
R v3.3.3用于统计分析。数据使用GraphPad 7.03执行。
结果
代的人工智能软件在CC病理组织结构进行分类
苏木素的CC肿瘤幻灯片,六个组织结构探测到一个病理学家:TC,免疫和间质组织,正常结肠粘膜坏死区域,没有组织和地区。我任意定义为一个地区300年µm TC的遥远。使用开源QuPath软件,我们执行组织分割基于像素的策略,重新集结像素(称为瓷砖)基于他们的相似之处(图1一个方法论的工作流,图1 b),使用训练集的80幻灯片从不同的组织学类型。总共27 466瓷砖被用来建立这个组织库。从这个培训组织库,我们建立了一个随机森林分类模型(图1 c称为ColoClass)。来验证我们的分类模型,随机选择54附加幻灯片,分类的两个病理学家。带注释的瓷砖在ColoClass然后出口和加工。总共26 659瓷砖加工和~ 85%的一致性(652瓦)22日被发现之间的病理学家和ColoClass分类(图1 d)。类似的数据集,两个病理学家之间的一致性为87%。类似的结果观察组织学分化类型(独立的在线辅助表S1)。阳性t细胞(CD3或CD8)检测QuPath和自动执行归因于分类区域。共享这些信息,软件能够自动确定对应于一个特定的区域组织在每个幻灯片,以及CD3和CD8细胞渗透在每一个组织(图1 e)。
组织分类方法和免疫细胞量化。(一)使用QuPath幻灯片是分段在成千上万的瓷砖。然后每个瓷砖分类与ColoClass R软件。CD3和CD8染色与QuPath同时评估。收集所有的信息来预测结肠癌复发。(B)代表的图片平铺的幻灯片低倍镜下(左面板,比例尺1毫米)和高倍镜(右面板,规模酒吧250µm)。(C)代表组织分类从本地的照片幻灯片(左面板)ColoClass(右面板)。健康的粘膜显示在黄色,肿瘤为红色,基质在紫蓝色和免疫细胞。虚线代表ColoClass IM估计(比例尺1毫米)。(D)的验证ColoClass和病理学家。 (E) Detection of positive cells on native slide (left panel) and using QuPath (right panel). Positive cells are displayed in green and negative cells in red (scale bar 100 µm). Hthy, healthy mucosa; IC, immune cells; IM, invasivemargin; Other, gathers white spaces and necrosis; Stro, stroma; WS, whole slide.
组织分析的预测作用
我们测试了每个变量的预测作用在RFS PETACC8群,包括1220个病人(流程图,在线补充图1)。有些病人(n = 202;16.5%)被排除在外后质量控制,主要是由于缺乏肿瘤检测在幻灯片上。病人特点提出了在线辅助表S2。我们测试了每个区域之间的关系由软件决定,作为连续变量和RFS (图2一个)。高基质和免疫领域,分别与贫穷和好的结果。数据也使用kaplan meier曲线来表示和组织分离使用中位数作为截止(在线辅助图2)。健康和肿瘤领域不相关RFS。间质面积与免疫区域或弱anticorrelated CD3-TC (r = 0.4015或0.3676,分别;p < 0.001)。基质IM和TC地区有紧密的关联(在线辅助图3)。进行进一步分析,我们决定只关注在IM基质区域,由于更高的整体人力资源和更重要的假定值的差异。同样,免疫领域有紧密的关联与CD3渗透(在线辅助图3)。基质与T台面积增加,但仍受N影响阶段,本位主义,缺乏错配修复(dMMR)状态和RAS状态(在线辅助表S3)。软件分析每瓦127参数,和我们使用套索算法选择与结果相关的变量,从而推导DGMate得分。训练集的713名患者,我们选择了八个变量(在线辅助表S4),使用套索过程与结果有关(HR = 2.718;95%可信区间1.853到3.988;p = 3.1 e-07连续变量)。我们确认这个肿瘤的预后作用签名的验证数据集n = 305 (HR = 2.128;95%可信区间1.162到3.898);为连续变量)(p = 0.01图2 b, C)。DGMate分数增加,T和N阶段,本位主义、拉状态和dMMR状态(在线辅助表S5)。
预测价值感兴趣的领域和数字特性。(A)森林情节代表基质区域的预测价值(IM, TC, WSI),免疫区(IM, TC, WSI),肿瘤总面积和健康总面积RFS。(B) kaplan meier存活曲线上发现数据集(n = 713)使用DGMate分裂值。(C) kaplan meier生存曲线验证数据集(n = 305)使用DGMate分裂值。IM,入侵保证金;RFS复发存活率;TC,肿瘤的核心;WSI公司,整个幻灯片成像。
预后免疫t细胞浸润的作用分析
基于Immunoscore原理,我们评估CD3 +、CD8 +细胞在IM和TC,研究CD3和CD8渗透作为古典预后变量的函数(在线辅助表S6)。更高的T台与CD3渗透,IM和TC。同样,CD3低渗透在IM N2期患者。高渗透的CD3和CD8 IM和TC在右侧肿瘤。高渗透的CD3和CD8 TC,但不是在IM,观察dMMR肿瘤;相比之下,RAS / BRAF突变状态没有影响免疫浸润。我们测试了四个免疫变量之间的相关性(CD3 + IM, CD3 + TC, CD8 + IM, CD8 + TC)和观察到的一个强大的每个变量之间的相关性(p < 0.0001与R从0.42到0.81)(在线辅助图S3)。使用四个免疫变量为连续变量,我们测试他们在RFS预后的作用(图3一)。使用中值作为截止,高CD3 + IM, CD3 + TC和CD8 + TC显著关联到一个更好的结果,而CD8 + IM接近意义(图3 b, C和在线辅助图S4)。通过结合这四个变量在一个“Immunoscore像”(ISlike)的方式描述页面等艾尔,8我们观察到一个更好的预后ISlike患者(高图3 d)。ISlike的能力来预测RFS与CD3 + IM, CD3 + TC, CD8 + CD8 + TC消息或单独使用通过测试RFS的预测精度,基于时间依赖接受者操作特征曲线下面积(AUC) 1000×引导。ISlike没有显著优于TC-CD3独特的变量(似然比p = 0.15) (图3 e)。因此,为进一步分析,我们决定使用只在TC CD3评估免疫变量,这个变量是更重要的是与RFS。
预后价值的免疫t细胞分析。(一)森林情节代表CD3的预测价值和CD8 IM和TC RFS。(B) kaplan meier RFS弯曲使用CD3 + IM分裂值。(C) kaplan meier RFS弯曲使用TC CD3分裂值。(D) kaplan meier RFS曲线使用Immunoscore分裂风险三组(低20%,中间高60%和20%)。(E) Immunoscore预测精度与CD3 + IM相比,CD3 + TC, CD8 + IM, CD8 + TC仅使用1000×引导策略。AUC,接受者操作特征曲线下面积;IM,入侵保证金;ISlike Immunoscore像;RFS复发存活率; TC, tumour core; TC CD3, CD3 tumour-infiltrating lymphocytes present in the TC.
复合变量,包括免疫渗透基质面积和DGMate,改善患者预后的评估
CD3 + TC,基质面积IM和DGMate弱相关(在线辅助图S5)。通过结合CD3 + TC, IM和DGMate基质区域,基于发现,我们生成一个DGMuneS得分,在发现数据集与RFS密切相关,也观察到类似的结果验证数据集(图4 a, B)。RFS多变量Cox分析,包括所有可用的临床参数和DGMuneS综合得分,表明总分仍然独立与结果相关的培训和验证组(表1,S2和S7在线补充表)。类似的预后结果观察FOLFOX和FOLFOX-cetuximab组(在线辅助图S6)。亚组分析显示,DGMuneS变量与预后显著相关T3N1或T3N2肿瘤阶段组(在线辅助表S8),可以明显发现一群很好或糟糕的结果在临床患者低风险(T1-3, N1)或高风险(T4或N2)组,分别为(图4 c)。与之相反,ISlike二分变量无法明显歧视预后组临床阶段(T4或N2)在高危患者(图4 d)。没有发现显著的交互数字和古典的临床预后变量之间交互的除了DGMate和组织学分级之间(p = 0.01)。使用逻辑回归,我们测试的数字变量的能力来预测古典预后变量,如T台,N阶段、分化状态和RAS / BRAF突变。没有能够预测分化状态变量。只有DGMate能显著预测N阶段和RAS / BRAF突变状态。所有变量、TC-CD3 DGMate和基质区域,可以用来预测T阶段(在线辅助表S9)。DGMuneS分数的预测精度是评价通过确定时间AUC;被发现优于肿瘤年级,RAS地位,MSI地位,本位主义或Immunoscore;也有类似的时间AUC值T阶段和N阶段。此外,添加DGMuneS评分模型,结合所有临床变量(性别、侧、MMR状态、分化、T台,N阶段)显著提高RFS预测(似然比p = 0.0007;图4 e)。肿瘤相关(基质面积和DGMate)和CD3免疫变量TC需要优化的决心病人预后(似然比p = 0.04;图4 e)。
复合变量改善预后的预测。(A) kaplan meier复发存活率曲线发现数据集(n = 713)使用DGMuneS分裂第三四分位数。(B) kaplan meier复发存活率曲线验证数据集(n = 305)使用DGMuneS分裂第三四分位数。(C) kaplan meier复发存活率曲线在低风险的临床阶段(T1-3, (N1) (n = 549)和高危临床阶段(T4或N2)患者(n = 469),同时分割值,使用DGMuneS。(D) kaplan meier复发存活率曲线在低风险的临床阶段(T1-3, (N1) (n = 549)和高危临床阶段(T4或N2) (n = 469),使用叉状分枝的ISlike得分。(E)预测精度在病人的复发临床参数(蓝色阴影),根据染色参数(绿色阴影)或组合参数(红色阴影)基于PETACC08研究的1018名患者使用1000×引导策略。* * * p < 0.05, p < 0.01, * * * * * * p < 0.001, p < 0.0001。AUC,接受者操作特征曲线下面积;IM,入侵保证金;ISlike Immunoscore像; MMR, mismatch repair; N stage, node stage; T stage, tumour stage; TC, tumour core; TC CD3, CD3 tumour-infiltrating lymphocytes present in the TC.
为了解决病人的预后,我们生成的计算图表工具基于变量保留在多变量模型中(即DGMuneS T阶段,N阶段,肿瘤分化和RAS状态)。的预后评分系统是基于点的总数获得诺模图(图5一个)。风险患者分为三组,中间代表低20%,60%,20%更高的分数。这种分离是任意选择的,这样中间组有类似的RFS模式整个队列。5年复发的风险降低了12%组(高与低;人力资源0.167;95%可信区间0.099到0.284;p = 5 e-13),中间的28%组(高vs中间;人力资源0.428;95%可信区间0.319到0.573;p = 5.6 e-09)和52%的高集团(图5 b)。使用相同的截止限制比训练集,我们发现同样的风险组织验证数据集,与RFS用kaplan meier曲线(p < 0.001) (图5 c)。
诺模图工具基于多元模型中的变量保留根据总分和复发存活率。(一)多元的诺模图表示模型。每个参数给出了上的点表示数上。之和总指示线,提供了一个5年生存概率。(B) kaplan meier存活曲线在发现数据集(n = 713)列线图分数划分根据复发风险(低,光红线;或中间高,深红色的线,红线),灰色虚线显示整个发现数据集的生存。(C) kaplan meier存活曲线验证数据集(n = 305)当列线图分数划分根据复发风险(低,光红线;或中间高,深红色的线,红线),灰色虚线显示整个验证数据集的生存。N阶段,节点阶段;T阶段,肿瘤的阶段。
讨论
优化的辅助策略局部CC仍然是一个重要的问题。在最近的国际准则基于研究中,39建议低风险患者临床分期CC只需要3个月的FOLFOX或XELOX方案,而6个月oxaliplatin-based化疗建议高危患者临床阶段。这样的治疗,3年RFS达到82%和62%的低风险和高风险患者临床阶段,分别。额外的预后标记是必要的,以便更好地确定病人的预后。III期CC病人最近的数据表明,BRAF或RAS突变与更短的时间内独立相关复发和患者的总体生存海量存储系统(MSS)中,而不是与MSI的地位。24此外,免疫渗透也与肿瘤预后和Immunoscore是预测结果显示患者群体的阶段我II和III CC。8
我们假定的分析组织结构,肿瘤细胞特点和免疫渗透可能是预测CC的结果和可能胜过Immunoscore。使用随机森林分类器,我们生成了一个软件,可以描述肿瘤细胞,正常和基质的区域。软件检测到IM和枚举免疫浸润在每个区域。我们观察到这样的组织分析从预后的观点很有趣,因为大量基质面积与预后较差。这样的数据让人联想到先前获得的数据在第二和第三阶段CC,这突显出高intratumorous基质组织患者预后较差。40使用套索的算法,我们也孤立八肿瘤细胞参数与病人相关的结果,称为DGMate得分。令人惊讶的是,这个参数不是与RAS, MSI状态或肿瘤分化状态,表明数字病理结合机器学习孤立的独立预后表型特性不能被人类分析。
我们分析CD3和CD8变量生成一个ISlike分数歧视性质随时间变化(0.56)的AUC类似于最近出版在国际验证Immunoscore (AUC的0.57)。8重要的是,CD3和CD8变量有紧密的关联,ISlike分数和CD3 tumour-infiltrating淋巴细胞(尖)出现在TC (TC CD3)产生了类似的auc。在第三阶段CC,我们不相信Immunoscore提供任何额外的价值一个简单的TC CD3积累分析。大多数TC-CD3位于间质组织肿瘤细胞周围小岛入侵在大多数情况下这是不佳。预后的作用的分析CD3尖位于基质地区出现在TC或尖出现在肿瘤小岛没有超越全球TC CD3分析,所以我们有守恒这个变量进行进一步的分析(没有显示)。CD8染色没有提供额外的价值在我们的研究中,虽然一个限制是CD8标签进行老幻灯片比用于CD3标签,提高染色的可能性是低效率的。我们的研究表明,一个综合变量,包括基质,CD3和DGMate高度预测的结果和优越的歧视性的属性与ISlike相比得分或临床变量。这个观察可以限制我们使用基于Immunoscore适应算法的方法。事实上,这个模型提供的结果类似于Immunoscore当我们时间相比AUC的ISlike系列和Immunoscore时间AUC在最近的国际Immunoscore验证。8额外的研究直接比较Immunoscore和DGMuneS应该执行。确认我们的分数,交叉验证将是必要的,使用不同的幻灯片扫描仪应该解决。Immunoscore集团提出,T和N阶段并不重要的预后标志物,取而代之的可能是一种免疫变量。我们的研究表明相反的并明确强调免疫或数字变量是一个额外的值,但不能替代临床分期。我们的数据证实了以前的观测Laghi等显示N之间的依赖阶段和CD3浸润。17虽然Immunoscore-like变量不能预测高风险III期患者的预后,DGMuneS仍然预后,表明添加数字变量来评估免疫浸润改善肿瘤预后的预测。我们已经设计了一个计算图表来实现评分系统。目前,没有患者的预后模型用于估算RFS阶段III CC。使用这种策略,我们已经识别出患者减少5年RFS (50%)。这些病人可能需要密集的后续,应该包括在临床试验测试的辅助治疗,如IROCAS研究(NCT02967289)。我们也发现患者预后很好(5年RFS 90%)。在这种情况下,辅助治疗的相对风险/效益应该讨论和解决临床试验辅助治疗最小化应发起这样的病人。我们这里提供列线图和所需的软件,连同一个教程。使用这个开放的软件,CD3分析可能是由每一个病理学家。
虽然该研究涉及一个大型和齐次三世CC的阶段,我们的工作也有一定的局限性。事后的设计分析和有限数量的患者在某些子组可能限制我们的结论。培训和验证军团这项工作是由抽样人口全球试验。尽管内部验证、前瞻性试验的外部验证是否合理来验证我们的软件使用不同的数据集的再现性。相似的研究也应进行第二阶段肿瘤,为了测试我们的数据可以验证的环境中经常不接受化疗的患者。
确认
作者感谢爱思唯尔编辑服务的英语编辑。作者还感谢卡罗琳Truntzer执行复现性测试。
引用
脚注
贡献者FG设计研究,解释数据和写的手稿。CR进行大部分的实验。QK生成R软件和执行统计分析。groovy VD生成软件。VD和CR进行组织学分析。JT和CL临床研究人员协调PETACC08研究。JFE收集并存储所有组织样本,提供无污点的幻灯片CD8标签和执行CD3标签。P-LP让所有分子分析(RAS, BRAF MMR决心),荷航PETACC08进行统计分析,提供临床数据库。MCK J-MG, HB, FF, OC,喷气推进实验室,DL, SN, P-LE, MG, AV,惠普、JT, CL和FG是这项研究的主要临床调查。
资金联赛这项工作得到了国家靠le癌症(Labelisation f . Ghiringhellli)。
相互竞争的利益喷气推进实验室在外部咨询委员会或法国赛诺菲两代情;收到从日常费用,诺华,安进,罗氏公司;收到了来自诺华通信费用和资金研究是由默克公司Serono,罗氏,默沙东公司。DL收到费用从默克公司Serono和安进公司。CL接收喇叭局从安进谢礼,诺华和拜耳,诺华和Halio-DX顾问/顾问委员会成员。P-LP顾问/顾问委员会成员,默克公司Serono安进,Boerhinger殷格翰集团,Biocartis,罗氏,百时美施贵宝和MSD。JT已经收到酬金从赛诺菲议长或顾问角色,罗氏公司,默克,安进,Sirtex Servier,莉莉,Celgene公司和默沙东公司。成品在外部顾问委员会任职罗氏。研究经费来自罗氏公司基因泰克,安进Enterome Servier。收到资金从阿斯特拉捷利康临床试验; received fee for communication from Amgen, Astra Zeneca, BMS, Sanofi, Merck-Serono and Servier and received fee for travel from Roche and Servier.
病人同意出版不是必需的。
出处和同行评议不是委托;外部同行评议。
数据可用性声明合理的请求数据。