近期，美国劳伦斯伯克利国家实验室生物系统与工程部的Xiao-Ping Liu等应用机器学习整合验证临床数据、数据库数据，进行临床生物学评价，构建细胞形态学背景表征，以及应用免疫组化开发并验证细胞形态测量亚型的机器学习框架，用于发现与特定分子改变、免疫微环境、预后和治疗反应相关的LGG的细胞形态亚型。研究结果发表于2022年6月的《Neuro-Oncology》在线。

——摘自文章章节

作者用人工智能技术从TCGA-LGG队列中确定细胞形态测量生物标志物（CMBs）。利用共识聚类定义细胞形态亚型。通过生存分析以评估细胞形态测量生物标志物和细胞形态亚型的临床影响。利用列线图预测LGG患者的3年或5年的总生存率（OS）。使用Mann-Whitney检验分析肿瘤突变负担（TMB）和亚型之间的免疫细胞浸润，并使用免疫组织化学（IHC）对重要的免疫治疗相关生物标志物进行双盲验证。通过以上方法，对该机器学习框架的相关特性及效能进行研究和验证。

研究结果显示，研究者采用组织学病理切片图像提取细胞形态测量生物标志物的信息，在多中心队列中针对低级别胶质瘤的细胞形态学亚型完成识别并进行外部验证。CMSs的重要性在于调整临床和分子因素的独立预后意义，调整与免疫抑制性肿瘤微环境的关系，与治疗反应的关系，以及与潜在分子和表型改变的关系。

与经典的生物标志物不同，CMBs作为成像生物标志物捕捉到细胞特性及其微环境的异质性。而CMS在所有各个独立数据集内都有独立的OS预测。在TCGA-LGG数据中，预后不良亚型的患者对初级和后续治疗的反应很差。预后不良亚型的LGG的特点是突变负荷高、拷贝数改变频率高、肿瘤浸润淋巴细胞和免疫检查点基因水平高。作者通过免疫组化进一步验证了PD-1/PD-L1/CTLA-4表达水平，这些免疫抑制分子的表达水平在预后不良的亚型中明显或趋于明显升高。此外，研究证实机器学习从LGG获取的细胞形态学亚型对胶质母细胞瘤（GBM）的转化同样存在影响。

综上所述，该研究团队开发机器学习管道-细胞形态测量亚型，并对其进行验证，用于发现与特定分子改变、免疫微环境、预后和治疗反应相关的低级别胶质瘤的细胞形态亚型。了解LGG亚型和对GBM的转化影响在促进LGG患者精确诊断和个体化治疗方面具有潜在意义。