MedComm（IF=10.7）中大孙逸仙纪念医院姚和瑞等团队：多模态数据融合AI模型揭示乳腺癌肿瘤微环境免疫分型异质性与增强的风险分层

01文献学习今天分享的文献是由中大孙逸仙纪念医院姚和瑞等团队于2024年12月在《MedComm》中科院1区topIF10.7上发表的研究“Multimodal data fusion AI model uncovers tumor microenvironment immunotyping heterogeneity and enhanced risk stratification of breast cancer”即多模态数据融合AI模型揭示乳腺癌肿瘤微环境免疫分型异质性与增强的风险分层该研究通过整合RNA测序、病理图像、免疫细胞评分和临床信息构建了一个多模态AI模型揭示了乳腺癌肿瘤微环境中基于lncRNA和免疫细胞的四种免疫代谢亚型并开发了基于病理图像的AI模型DeepClinMed-IM和多模态预后预测模型DeepClinMed-PGM显著提升了对乳腺癌患者免疫治疗反应和预后的预测能力。创新点①首创免疫-代谢分型系统整合lncRNA与免疫细胞首次提出四种免疫-代谢亚型揭示乳腺癌异质性新维度。②AI病理模型精准预测亚型基于CNN的DeepClinMed-IM模型仅用病理切片即可高精度识别免疫代谢亚型AUC达0.93。③多模态融合提升预后效能构建DeepClinMed-PGM模型整合病理、转录组、临床数据预后预测性能显著优于单模态C-index最高0.90。临床价值①精准筛选免疫治疗获益人群免疫-脂肪酸iFA亚型患者免疫治疗生存获益最显著助力个性化治疗决策。②无创亚型识别替代复杂检测AI病理模型无需基因测序即可预测亚型降低临床门槛与成本。③强化风险分层与预后评估多模态模型实现高精度复发风险分层HR最高18.51指导术后干预策略优化。图 1乳腺癌免疫-代谢亚型鉴定及AI病理驱动的亚型分类模型构建A免疫-代谢亚型发现的流程示意图研究样本来源中山大学孙逸仙纪念医院SYSMH7例化疗联合免疫治疗的乳腺癌患者4例无响应、3例响应者TCGA队列925例乳腺癌患者研究步骤对SYSMH患者做转录组测序筛选免疫治疗相关lncRNA→分析TCGA患者lncRNA表达谱和免疫细胞特征→通过无监督聚类鉴定出具有显著生存差异的4种免疫-代谢亚型iFA、iAA、iGlu、iFolate关键标注TCGA队列含2557张病理全切片图像WSI亚型生存差异经统计检验p0.001。BAI病理模型DeepClinMed-IM预测免疫-代谢亚型的构建流程图核心步骤数字化高分辨率病理切片→自动分割分块提取将WSI转为256×256的图像块→基于ResNet50进行特征提取→通过门控注意力机制对特征打分→模型对患者进行免疫-代谢亚型分类→最终验证模型效能技术核心结合迁移学习ResNet50预训练模型和注意力机制实现病理图像特征与分子亚型的关联。C-F小提琴图附散点展示4种免疫-代谢亚型的核心代谢通路评分分布02研究背景和目的研究背景乳腺癌是全球女性中发病率最高的恶性肿瘤尽管早期诊断和综合治疗不断进步但仍有30%-40%的早期患者出现复发和转移导致晚期患者的5年生存率低于23%。免疫治疗虽为乳腺癌治疗带来新希望但其临床获益仅限于特定患者群体这凸显了乳腺癌的高度异质性及精准筛选获益人群的迫切性。近年来长链非编码RNAlncRNA在调控肿瘤增殖、代谢、免疫逃逸及维持干细胞特性中的多功能作用备受关注特别是其在抗肿瘤T细胞免疫和免疫治疗反应中的关键调控功能使其成为潜在的生物标志物。然而肿瘤微环境TME中lncRNA、免疫细胞与代谢动态之间的复杂相互作用尚未被充分阐明。尽管代谢重编程已被公认为癌症 hallmark且深刻影响抗肿瘤免疫但现有研究多聚焦于机制探索缺乏将TME免疫代谢特征转化为临床可用的分型工具。此外传统病理评估依赖人工阅片难以全面量化TME异质性。因此整合多模态数据如病理图像、转录组和临床信息揭示TME免疫代谢异质性对于优化乳腺癌风险分层和免疫治疗策略具有重要的临床意义。研究目的本研究旨在通过整合多模态数据系统解析乳腺癌肿瘤微环境TME中lncRNA表达、免疫细胞浸润与代谢状态的相互关系并基于此构建新型免疫-代谢分型体系。研究首先利用无监督聚类方法基于lncRNA表达谱和免疫细胞组成识别出具有不同代谢特征的乳腺癌亚型免疫-脂肪酸型、免疫-氨基酸型、免疫-葡萄糖型和免疫-叶酸型并探讨其与患者预后及基因突变景观的关联。其次研究致力于开发基于病理切片的人工智能模型DeepClinMed-IM利用卷积神经网络从组织学图像中精准预测上述免疫-代谢亚型实现无需测序即可快速评估TME状态。更进一步研究构建了一个融合病理图像、lncRNA数据、免疫细胞评分及临床信息的多模态AI模型DeepClinMed-PGM旨在提升乳腺癌患者预后预测的准确性为个体化治疗决策提供支持。最终该研究期望通过AI驱动的多模态融合方法揭示乳腺癌免疫代谢异质性筛选免疫治疗潜在获益人群推动精准医学在乳腺癌临床实践中的应用。03数据和方法研究数据SYSMH队列1027例乳腺癌患者其中7例接受免疫治疗95例用于外部验证TCGA队列925例乳腺癌患者包含RNA-seq和病理图像数据数据包括RNA-seq、HE染色全切片图像、临床信息、免疫细胞ssGSEA评分技术方法使用无监督聚类识别lncRNA和免疫细胞亚型结合lncRNA和免疫细胞构建四类免疫代谢亚型使用ResNet50构建基于病理图像的AI分类模型DeepClinMed-IM构建多模态融合模型DeepClinMed-PGM整合图像、lncRNA、免疫评分和临床数据使用Gumbel-Softmax、注意力机制、MLP等进行特征融合与路由评估指标包括AUC、C-index、Kaplan-Meier生存曲线等。04实验结果识别出四种免疫代谢亚型免疫-脂肪酸型iFA、免疫-氨基酸型iAA、免疫-葡萄糖型iGlu、免疫-叶酸型iFolateiFA型患者预后最好iGlu型预后最差DeepClinMed-IM模型在验证集中AUC达0.78–0.87DeepClinMed-PGM模型在TCGA训练集、验证集和SYSMH外部测试集中的C-index分别为0.82、0.83和0.90多模态模型显著优于单模态模型免疫细胞如Th1、CD4 T细胞和临床特征如分期对模型贡献显著。图 2乳腺癌四种免疫-代谢亚型的构建及临床、分子特征关联图 3乳腺癌免疫-代谢亚型的代谢谱、免疫景观及功能特征图 4基于AI的病理驱动模型预测乳腺癌免疫-代谢亚型的开发及效能验证图 5基于AI的多模态模型预测乳腺癌无病生存期DFS的构建流程图 6基于AI的多模态模型预测乳腺癌无病生存期DFS的效能验证05研究结论该研究通过整合lncRNA表达谱、免疫细胞浸润及代谢特征首次在乳腺癌中鉴定出四种具有显著预后差异的免疫-代谢亚型免疫-脂肪酸型iFA、免疫-氨基酸型iAA、免疫-葡萄糖型iGlu和免疫-叶酸型iFolate。其中iFA亚型表现出最强的免疫活性及最佳的免疫治疗生存获益而iGlu和iFolate亚型则与免疫功能障碍及不良预后密切相关。基于这一分型研究团队进一步开发了基于病理图像的AI模型——DeepClinMed-IM可高精度预测上述亚型AUC达0.78–0.93。更关键的是团队构建了多模态融合AI模型——DeepClinMed-PGM整合病理图像、lncRNA数据、免疫细胞评分及临床信息在多个队列中实现了卓越的预后预测性能C-index最高达0.90HR达18.51显著优于单一数据模型。该研究不仅揭示了乳腺癌肿瘤微环境的免疫代谢异质性也为精准免疫治疗候选者的筛选及预后风险评估提供了可解释、高效能的智能工具推动了个体化治疗策略的发展。参考文献Yu Y, Cai G, Lin R, Wang Z, Chen Y, Tan Y, He Z, Sun Z, Ouyang W, Yao H, Zhang K. Multimodal data fusion AI model uncovers tumor microenvironment immunotyping heterogeneity and enhanced risk stratification of breast cancer. MedComm (2020). 2024 Dec 11;5(12):e70023. doi: 10.1002/mco2.70023.