前些日子，萝卜快跑不仅占据了武汉的各个角落，同样也占据了多个热搜，在引发巨大讨论的同时，也有不少网友提出应该让AI技术进一步应用在攻破高精尖领域的难题上。
那么咚咚就不得不为大家介绍一下医学AI的开发进程了。
提到医学AI，相信大部分不了解的患者第一个想到的是傻傻的导诊机器人，或者chatGPT看病。但实际上，医学AI比你想的要实用、可靠的多，例如辅助医生读片，AI可以快速准确筛查出所有病变，并对病变进行定性，极大地改善了基层医生诊断的准确度以及效率。甚至当下医学界已不满足于让AI停留在辅助阶段，而是让其向着人类未解决的难题进发。
近期，《Nature Cancer》上发布的一篇文章称研究者使用AI已经开发出一款名为LORIS的免疫检查点抑制剂（ICI）疗效预测模型，仅需患者的6个简单的基线特征，便可准确的预测患者接受ICI治疗的预后，效果完胜肿瘤突变负荷（TMB）。
并且美国国家癌症研究所（NCI）已经将其做成网站，十分简单易操作，大家有兴趣的可以收藏试一试：https://loris.ccr.cancer.gov/
在搭上免疫治疗的班车前，终点站并不明朗免疫治疗一直被认为是“治愈”癌症的希望。然而，并不是所有患者对免疫治疗都能产生应答。
为此，近年来，研究者们在寻找预后标志物上开展了诸多探索，但当前也仅有PD-L1表达、TMB、错配修复蛋白等被广泛使用，但预测效果不尽人意，尤其是TMB低表达的患者并不一定免疫治疗疗效差，这使得TMB在筛选受益群体方面被广为诟病。同时还面临着不同瘤种中的异质性等问题，例如在胃癌中，即使PD-L1高表达，但只要是错配修复熟练患者，那么几乎就无缘免疫治疗。
实际上，已经有一些尝试将多组学数据的特征整合到机器学习模型中，以提高ICB应答的预测能力，例如使用11种生物标志物、或者使用16个基因组和临床特征进行预测，不仅复杂，而且光是检测的价格就十分高昂。
因此，为了临床实用性，本研究的目标是通过机器学习寻找更为简单方便的标志物或特征，来提高预测效果。
兼顾简单及准确，多维度弥补TMB不足研究者从多个数据源汇编了18种实体瘤类型中2,881名接受ICB治疗的参与者的数据集。为了评估患者的治疗结果，测量了三个指标：客观缓解率（ORR）、无进展生存期（PFS）和总生存期（OS）。
在多个队列中，评估了20多个临床、病理和基因组特征。并使用20种不同的机器学习架构全面构建和评估了反应预测器，最终形成了两个模型，一是针对泛瘤种的预测模型，另一个是针对特定瘤种的预测模型。
在泛瘤种的预测中，构建LORIS模型的这六个特征按照重要顺序排序分别为：TMB、系统性治疗史（是或否）、血清白蛋白、血液中性粒细胞/淋巴细胞比值（NLR）、年龄和癌症类型。
分析发现其对预测ICB的客观缓解方面具有卓越而稳健的性能。并且预测效果优于单独使用TMB、本团队之前提出的RF16预测模型以及本研究中的其他机器学习模型。并且尽管TMB仍是其参考的主要特征，但LORIS模型能把TMB低表达但免疫治疗疗效好的患者筛选出来，这是一个重大的突破。
LORIS可预测全瘤种和个别瘤种免疫治疗后的患者临床结局
LORIS模型可以很好的预测纳入的18种瘤种患者接受免疫治疗后的生存情况，具有普适。并且LORIS高评分患者在包括半年、1年、2年、3年、4年和5年OS率显著高于LORIS低评分患者，PFS也显示出类似的结果。
除此之外，LORIS模型具有很好的分层效果，随着LORIS评分的增加，参与者的ORR持续上升，这种单调关系也避免了更多漏网之鱼产生的可能。具体而言，LORIS模型能够识别出最有可能对ICB疗法出现应答的前10%的患者（应答概率超过50%），同时帮助医生排除不太可能出现免疫应答的后10%的患者（应答概率低于10%）。并且LORIS评分与患者的OS和PFS也呈现出正相关，因此在预测过程中表现出规律性，可以更加精确地预测，目前，LORIS模型现在将患者生存率分为六个等级。
LORIS与免疫治疗后患者的客观缓解率和生存率之间存在单调关系
而针对特定瘤种的预测模型可能会更加精准，例如，该团队还开发了针对非小细胞肺癌（NSCLC）的LORIS模型。
我们知道PD-L1表达是肺癌中常用的预测免疫治疗疗效的方法，因此，研究团队将6个基线特征中的疾病类型改为了PD-L1表达（使用TPS评分），并进行训练和评估，同样取得了更优的预测效果，LORIS的AUC分别比PD-L1和TMB增加了4-17%和5-23%（AUC越高越接近1，预测效果越好）。
NSCLC LORIS模型预测效果卓越
总之，LORIS在免疫治疗预后方面跨出了重要的一步，不仅提高了预测的准确度，还简化了前期的流程，使其走向临床，真正造福患者打通了通路，并且这种与患者预后正相关的单调关系长久以来在免疫治疗预测中都十分罕见。
不过，文章的最后，还是要再次提醒一下大家，该模型仅纳入了实体瘤患者，此外，决定能否用药需要多种因素决定，具体用药方案请与医生沟通。
参考文献：
[1]. Chang TG, et al. LORIS robustly predicts patient outcomes with immune checkpoint blockade therapy using common clinical, pathologic and genomic features. Nat Cancer. 2024 Jun 3.
