《Brain Pathology》 2024 年8月25日在线发表印度National Institute of Mental Health and Neurosciences (NIMHANS),的Abhijit Goyal-Honavar和Geeta Chacko 撰写的综述《基于细胞谱系诊断PitNETs/腺瘤的实用方法。Practical approaches to diagnosing PitNETs/adenomas based on cell lineage》（doi: 10.1111/bpa.13298.）。

在使用转录因子(TF)免疫组织化学(IHC)下，垂体腺瘤(现在称为PitNETs)分类系统的发展达到高潮，形成了一个基于细胞谱系的系统。然而，仍有几个问题有待解决，包括承担全部垂体前叶激素和TF-IHC的额外财政和后勤负荷。为此，几个研究小组提出了一些算法，以尽量减少进行的测试次数，并具有不同程度的诊断准确性。尽管使用TF后，零细胞肿瘤的比例有所下降，但“多谱系”肿瘤已被报道并使用转录组学特征进行表征，最突出的是PIT1-SF1共表达的PitNETs，它在目前的分类系统中没有地位。

在这篇综述中，我们研究了诊断PitNETs的实用方法。我们回顾了对现有分类系统提出挑战的PitNET类型报道的文献，例如那些表达多个TF的文献，以及它们潜在的临床意义。最后，我们评估了当前系统的局限性，例如缺乏IHC解释的标准化系统，这些需要在未来解决。

1引言

多年来，垂体腺瘤的分类已经从基于染色特性发展到基于形态学，包括超微结构、激素谱，以及最近的细胞系定义。另一个显著的变化是在命名上与来自其他器官的神经内分泌肿瘤(NETs)一致。尽管如此，仍有一些未解决的问题。考虑到这些肿瘤的不可预测的行为，大多数是惰性的，将它们归入ICD-O编码中的恶性类别似乎是一种极端的措施。这篇综述的目的是提供一种实用的方法来对这些肿瘤进行分类，这些争议无疑会随着寻找最能预测生物行为的特征的工作的继续而得到解决。

2.“理想”的PitNET分类方法

PitNETs的三个家族以几种转录因子(TF)和辅助因子的表达为代表，其中PIT1、TPIT和SF1已被广泛接受为三种细胞系的原型。PIT1谱系是最具流动性的，包括四种终末分化的PitNET类型(表1)。除了在极少数情况下局灶性α-亚基表达外，零细胞肿瘤不表达任何TF或激素。同时，多个同步PitNETs在同一腺体中产生不同谱系的肿瘤。这些同步肿瘤必须与未分类的多激素肿瘤区分开来，多激素肿瘤在单型肿瘤群体中跨谱系表达激素和/或TF的组合。WHO Endo 5建议对PitNETs进行完整的评估，包括免疫组化(IHC)对5种TFs、PIT1、TPIT、SF1、ERα和GATA3, 7种激素，ACTH、生长激素(GH)、泌乳素(PRL)、β-FSH、β-LH、β促甲状腺激素(β-TSH)和α-亚基的评估，以及低分子量细胞角蛋白的评估，最常见的是CAM5.2、AE1/AE3或CK8/18(表1)。从以激素IHC为基础的分类到以TF为基础的分类方法的转变显著降低了零细胞肿瘤的患病率，现在最常被重新分类为促性腺激素肿瘤。WHO 2022分类中引入的新PitNET类型包括未成熟PIT1谱系肿瘤(以前称为静默亚型3腺瘤和多激素PIT1阳性肿瘤)和成熟多激素PIT1谱系肿瘤。

表1。WHO2022年PitNET分类指南摘要。

2.1具有成本效益的PitNETs分类算法

使用TF的代价是增加财政负担和实验室工作，这可能进一步加剧资源有限环境中普遍存在的经济制约。为此，一些研究小组提出了缓解这些担忧的算法，大致分为以下三类:

i.TFs和垂体腺激素的综合检查。

ii.基于临床特征和生化激素过量的选择性激素IHC，保留TFs针对不明确的病例。

iii.一个由TF组成的筛查小组，进行谱系特异性激素免疫组化测试。

有一个普遍接受的事实，垂体病理学家不能在孤岛中工作，而是作为多学科团队的一部分，提供最佳的分类和治疗PitNETs。考虑到这一点，欧洲垂体病理组(EPPG)在WHO 2017年分类发布后提出了一种实用的多步骤诊断算法，从患者的临床细节(内分泌状况、术前药物治疗、复发、家族史和遗传综合征)和肿瘤(周围结构的大小和侵袭)的同化（ the assimilation）开始评估(图1)。第二步包括用血红素-伊红染色确定PitNET型和亚型，值得注意的是，对垂体激素进行整个免疫组化，然后对低分子量细胞角蛋白进行免疫组化。他们的算法仅依靠激素来检测生长激素细胞、混合性GH/PRL细胞、泌乳素细胞、促甲状腺素细胞、促肾上腺皮质激素细胞和促性腺激素细胞类型。步骤3包括评估有丝分裂活性和MIB/Ki67 IHC，而步骤4评估垂体激素阴性的肿瘤。对所有激素阴性或异常阳性细胞的无功能性PitNETs进行了嗜铬粒蛋白A的免疫组化以确认神经内分泌来源。然后分别用SF1、TPIT和PIT1来确定促性腺激素细胞、静默性促肾上腺皮质激素细胞和静默性PIT1阳性类型。三种TF呈阴性的患者被分类到零细胞肿瘤。EPPG提出的方案也在垂体激素阳性、多激素或垂体激素异常组合的病例中使用TF- IHC。例如，推荐将TPIT IHC用于没有ACTH染色的无功能PitNETs，以确定静默性促肾上腺皮质激素细胞瘤。“多激素PIT1阳性PITNETs”既包括TSH、GH和/或PRL染色的临床功能性PITNETs，根据临床表现进一步分类为促甲状腺素细胞/生长激素细胞多激素PIT1阳性肿瘤，也包括PIT1和/或TSH、GH和/或PRL阳性的无功能性肿瘤“静默性PIT1阳性肿瘤”。在WHO的CNS5和内分泌系统中，这些类型现在分别被成熟和未成熟的PIT1谱系类型所取代。EPPG指出，15%-20%的病例由于激素表达有限或异常组合表达而出现诊断困难。最后，他们根据临床病理系统定义了进袭性PitNETs，并建议IHC作为可能指导治疗的标志物，如生长抑素受体。EPPG算法受到WHO 2022分类中定义PitNET谱系时对TF评估的重新关注，以及可能表达TF但仅对一种激素染色的“无明显细胞谱系”的罕见肿瘤的错失风险的限制（ The EPPG algorithms were limited by the renewed focus on TF assessment in defining PitNET lineage in the WHO 2022 classification and the risk of missing rarer tumours with “no distinct cell lineage” that may express TFs but stain only for one hormone.）。

图1。欧洲垂体病理组提出的PitNETs分类算法综述。GH，生长激素;包含IHC,免疫组织化学;LMWCK，低分子量细胞角蛋白;PRL,泌乳素;TF，转录因子;TSH，促甲状腺素。

McDonald等在2017年提出了一个两步过程，首先对SF1、PIT1和ACTH进行IHC筛查，然后在IHC筛查未发现促性腺激素细胞、促肾上腺皮质激素细胞或零细胞类型的情况下，对PRL、GH、TSH进行IHC筛查(图2)。与传统的六项激素IHC相比，他们的算法使用的IHC染色减少了30%，由于SF1 IHC，他们的算法更频繁地检测到促性腺激素细胞腺瘤。在引入TPIT商业抗体之后，他们在2021年扩大了这种方法，用TPIT IHC取代ACTH和细胞角蛋白CAM 5.2，并注意到在先前诊断为零细胞肿瘤的患者中检测到更大比例的静默性促肾上腺皮质激素细胞瘤。

图2。 McDonald等提出的PitNETs分类算法的总结。GH，生长激素;IHC,免疫组织化学;PRL,泌乳素;TF，转录因子;TSH，促甲状腺素。

Lender等测试了三种算法，比较了每种算法与113个PitNETs中9种免疫染色(PIT1、SF1、TPIT、LH、FSH、GH、ACTH、TSH和PRL)金标准的成本和一致性。每种算法首先包括一个完整的TF面板(PIT1, SF1和TPIT)，然后在≥1个TF阳性或没有TF阳性的情况下进行完整的激素IHC面板(图3)。算法1继续在TPIT阳性的情况下检测ACTH，在SF1阳性的情况下检测LH和FSH，在PIT1阳性的情况下进行所有6种激素。算法2仅依靠TPIT和SF1来确定促肾上腺皮质激素细胞和促性腺激素细胞类型，同时在Pit1阳性病例中使用所有6种激素，算法3进一步将Pit1阳性病例限制为仅用于GH, PRL和TSH的IHC。这种做法是基于McDonald等的观察，虽然SF1和TPIT谱系与各自的激素IHCs表现出足够的一致性，但可以忽略，PIT1谱系肿瘤更具异质性。每个算法都100%符合金标准，将成本从常规临床实践的450澳元降低到算法3的240澳元。在他们的队列中，113个PitNET 中有11个出现了不寻常的组合，其中6个功能性肿瘤共表达PIT1和SF1。在无功能性肿瘤中，4 / 5共表达PIT1/SF1或SF1/TPIT。这4例患者FSH和PRL均为阴性或表达不足。第六例无功能性肿瘤，虽然TFs呈阴性，但表达了所有三种PIT-1谱系激素。因此，作者承认，与算法2不同，在极少数情况下，算法3无法检测到PitNET的多激素性质。他们观察到所有三种算法与“黄金标准”诊断100%一致，从财务和劳动力的角度来看，算法3是最经济的。

图3.对PitNETs进行分类测试的三种算法的总结。GH，生长激素;IHC,免疫组织化学;PRL,泌乳素;TF，转录因子;TSH，促甲状腺素。

Silva-Ortega等提出了一种主要依赖TF的算法，用于诊断无激素ICH下的促性腺激素细胞、零细胞和多激素肿瘤(图4)。与Lenders等的相比，该方案不涉及对SF1阳性、有多个TF或没有TF的。Pit1阳性肿瘤，要对GH、PRL和TSH进行IHC检测，而Tpit阳性肿瘤要对ACTH进行IHC检测（this protocol did not involve a hormone panel in cases that were positive for SF1, more than one TF or none of the TFs. PIT1-positive tumours were subjected to IHC for GH, PRL and TSH, whereas TPIT-positive tumours underwent IHC for ACTH.）。

图4，PitNET 分类算法的总结。GH，生长激素;IHC,免疫组织化学;PRL,泌乳素;TF，转录因子;TSH，促甲状腺素。

虽然不能宣布任何一种方法优于另一种方法，但很明显，在资源有限的情况下，需要一种减少所进行的IHC检测次数的算法。回顾PitNET病理的诊断方法，Manojlovic-Gacic等建议每个实验室必须根据其期望的准确性水平和当地的经济条件和工作量来处理该过程。

3.多谱系肿瘤——一个盲点

据估计，15%-20%的PitNETs由于其不寻常的TF和激素组合而出现诊断困境。成本效益高的算法，如EPPG算法，无疑会低估这些不寻常的肿瘤，这些肿瘤需要更全面的检查;考虑到基于TF数据和基因组研究的PitNETs亚型的出现，这一点尤其令人担忧。

一个典型的例子是共同表达PIT1和SF1的PitNETs。这些肿瘤通常表现为生长激素超量的大肿瘤，有时与Tpit谱系的促肾上腺皮质激素细胞瘤共存。据报道，SF1表达的生长激素细胞PitNETs具有不同的转录组学特征和甲基化谱系。尽管按照目前的WHO分类，这些肿瘤将被归类为“多激素类”肿瘤，但Asa等认为，这些肿瘤应被视为“多谱系”肿瘤，而不是多激素类肿瘤，因为它们的激素表达很少或不存在。Silva-Ortega等也认为起源于具有多谱系分化能力的干细胞。然而，Dottermusch等在对生长激素PitNETs的综合荟萃分析中发现，近75%的致密颗粒性生长激素细胞PitNETs共表达SF1。像Asa等一样，他们也观察到在这个亚组中很少表达FSH或LH。Dottermusch等并没有将其视为多谱系PitNET，而是基于将这些肿瘤与生长激素细胞谱系聚集在一起的甲基化数据，认为这些肿瘤是生长激素细胞PitNET的一个独特亚型，并提出了“生长激素细胞PitNET”这一术语。Manojlovic-Gacic等也描述了一组共表达SF-1的生长激素转录组学，他们称之为“双阳性生长激素细胞PitNETs”。事实上，来自全转录组学分析的证据也表明，这些肿瘤代表了生长激素细胞瘤的一种亚型，既不是多激素的，也不是多谱系的。根据Dottermusch等的观察，对这一实体的认识变得更加重要。根据肿瘤尺寸评估，与SF1阴性的DGSTs相比，共表达PIT1和SF1的DGSTs，对生长抑素类似物的临床反应明显不那么有利。Neou等人注意到相比非GNAS突变的生长激素细胞PitNETs(一个显著表达SF1的亚群)，GNAS突变的生长激素细胞PitNETs具有更高的多巴胺受体2表达，这可能为Dottermusch等缩证明的PIT1/SF1阳性DGSTs对生长抑素类似物的反应较差提供了机制基础。

据报道，促肾上腺皮质激素细胞PitNETs也表达SF1。Suzuki等在共表达α-亚基的促肾上腺皮质激素细胞腺瘤中，观察到TPIT、NeuroD1、SF1、DAX-1和GATA2的表达。尽管有促性腺激素谱系TF的表达，但这些肿瘤缺乏βLH和βFSH的表达，可能是由于与解释过去垂体激素阴性但表达谱系特异性TF的零细胞肿瘤相同的机制。作者假设这种肿瘤起源于ACTH的祖细胞，这些祖细胞具有促肾上腺皮质激素细胞和促性腺激素细胞谱系的TF，或者是经过突变产生α -亚基的促肾上腺皮质激素细胞瘤。随后，Neou等也证实SF1在生长激素细胞和促肾上腺皮质激素细胞分子组中都有意外表达。

ICH分类的局限性

事实上，免疫组化确实存在一些局限性，特别是解释的半定量性质引入了观察者间可变性的因素。固定、抗原提取和检测等步骤缺乏标准化，会影响敏感性，某些肿瘤中激素或TF的局部或局部表达也会影响敏感性。对于肿瘤中表达TF的细胞百分比被认为是“阳性”，目前还没有明确的指南。这反映在各种TFs报告中使用的不同截断值:Nishioka等将肿瘤中至少80%的肿瘤细胞表达免疫反应阳性定义为TF阳性，Silva-Ortega等和Torregros-Quesada等将TF阳性定义为至少5%的肿瘤细胞中表达，而Lenders等仔细检查到点缀分布在非肿瘤细胞中的10-30%阳性，使用10%的截断值（ used a cut-off of 10%, closely examining those with 10–30% positivity for interspersed non-tumourous cells），McDonald等使用了半定量强度和比例评分的总和（used the sum of a semi-quantitative intensity and proportion score）。这种截断值的变化可能导致对零细胞PitNETs或“多激素”PitNETs的过度诊断。据Sanchez-Tejada等和García-Martinez等的研究显示，在应用垂体激素特异性基因的实时定量聚合酶链反应后，多激素肿瘤的患病率分别从23.2%和17%下降到3.5%和9.8%。Torregrosa-Quesada等也指出，TFs和垂体激素的定量实时聚合酶链反应将未分类多激素肿瘤的患病率从12.5%降至3.6%。这些数据可能反映了IHC未能可靠地对多激素PitNETs进行分类。

WHO不建议在PitNETs分类中采用IHC以外的替代方法。例如，WHO目前规定，只有完全GH阳性的肿瘤才是生长激素细胞肿瘤。然而，生长激素细胞PitNETs常见瘤内表达PRL。Dottermusch等发现，高达5%的PRL在生长激素细胞中的表达与表观基因组特异性无关，因此，PRL免疫染色<5%并不排除生长激素细胞PitNET的诊断。

似乎存在仅表达GATA3的PitNETs，可能代表促性腺激素细胞PitNETs。虽然罕见，但它们的存在构成了目前分类系统尚未解决的挑战。事实上，通过之前阐述的所有诊断算法，这些将被归类为零细胞肿瘤(图1-4)。Torregrosa-Quesada等在对PitNET 的TF的分子检查中指出，SF1在促性腺激素细胞瘤中的表达水平与其他类型的相似，因此不是促性腺功能谱系的特异性标记物。这些观察结果也挑战了SF1在单独定义促性腺激素细胞谱系中的作用。

5.未来前景和新兴亚型

Neou等观察到，整合miRNome、甲基化组学和转录组学的PitNETs全基因组分析比基于TF的分类更适合PitNETs的分子群。他们确定了6个转录组学:t1(显性库欣促肾上腺皮质激素细胞瘤)、t2(泌乳素细胞瘤)、t3(静默性促肾上腺皮质激素细胞瘤)、t4(促性腺激素细胞瘤)、t5(促甲状腺素细胞瘤)和t6(生长激素细胞瘤)。这些组与WHO 2017年分类中提出的PitNET类型密切相关，除了没有与促性腺激素细胞瘤分开聚类的零细胞肿瘤，以及与促性腺激素细胞瘤聚类的生长激素细胞-泌乳素细胞混合肿瘤。在生长激素PitNETs的一个子集中，有促性腺激素标志物NR5A1 (SF1)的表达，可能反映了在几篇报道中发现的SF1/PIT1共表达的肿瘤。

Rymuza等也提出了类似的数据[16]，他们发现在GNAS突变阴性、共表达胃抑制肽受体(GIPR)的“转录组学1”型生长激素PitNETs中，NR5A1 (SF1)的表达水平与促性腺激素细胞瘤的相当。这一组与口服葡萄糖负荷后生长激素水平的矛盾增加有关，并且GIPR在类固醇生成中的作用被认为与它们的SF1表达在功能上相关。Neou等也描述了三种类型的TPIT谱系促肾上腺皮质激素:突变型USP8伴有ACTH过度分泌，USP8野生型进袭性增加，上皮-间质转化增加，以及大而静默性肿瘤。他们的观察结果具有临床相关性，在t1转录组中，USP8野生型PitNETs表现得更有进袭性，更频繁地侵袭蝶窦，并且与促性腺激素细胞转分化的USP8突变肿瘤相比，生长抑素受体的表达程度更低。此外，通过PitNETs分子分析将零细胞肿瘤与促性腺激素细胞瘤聚类，可能导致零细胞类型最终消解。

总之，尽管对TF和激素的综合IHC将为绝大多数PitNETs提供明确的分类，但使用转录组学和甲基组学数据的研究正在识别临床相关亚型，这些亚型可能会影响该肿瘤的未来分类，并为更综合的方法铺平道路，该方法不仅考虑临床特征、成像和病理，而且还考虑PitNETs的全基因组学特征。然而，目前各个实验室将需要选择他们的诊断方法来对PitNET 进行分类，这无疑是他们目前的经济状况所决定的。