Künstliche Intelligenz-basierte Analyse der räumlichen Verteilung tumorinfiltrierender Lymphozyten für die Prognose bei kolorektalem Karzinom
Das kolorektale Karzinom (KRK) ist weltweit eine der führenden Ursachen für krebsbedingte Morbidität und Mortalität, mit steigender Inzidenz in China. Die Tumormikroumgebung (TME), insbesondere die räumliche Verteilung tumorinfiltrierender Lymphozyten (TILs), spielt eine entscheidende Rolle bei der Prognosevorhersage. Fortschritte in der künstlichen Intelligenz (KI) und digitalen Pathologie ermöglichen eine präzise Quantifizierung der Immunzelldichten in spezifischen Tumorregionen wie dem Tumorkern (CT) und dem invasiven Rand (IM). Diese Studie nutzt Deep Learning zur automatisierten Analyse der CD3+- und CD8+-T-Zell-Dichten in Ganzschnittbildern (WSIs) und identifiziert CD3CT – die Dichte der CD3+-T-Zellen im CT – als robusten, unabhängigen prognostischen Marker für KRK.
Methodik
Patientenkohorten und Datenaufbereitung
Die Studie umfasste 492 KRK-Patienten aus zwei medizinischen Zentren: 358 vom Volkskrankenhaus der Provinz Guangdong (Trainingskohorte) und 134 vom Sechsten Affiliierten Krankenhaus der Sun Yat-sen-Universität (Validierungskohorte). Einschlusskriterien waren chirurgisch resezierte KRK-Patienten der Stadien I–III ohne präoperative Therapie. Klinisch-pathologische Daten (Alter, Geschlecht, TNM-Stadium, Tumorgrad, Lokalisation, CEA-Werte) sowie H&E- und immunhistochemisch (IHC) gefärbte Präparate (CD3/CD8) wurden digitalisiert (Leica-Scanner).
KI-gesteuerte Gewebesegmentierung und Zellquantifizierung
Ein auf der VGG-19-Architektur basierendes CNN segmentierte WSIs automatisch in neun histologische Kategorien: Tumorstroma, Tumorepithel, Lymphozyten, Mukus, normale Mukosa, Fettgewebe, Debris, glatte Muskulatur und Hintergrund. Diese wurden zu vier Hauptregionen zusammengefasst: Tumorkern (CT), normales Gewebe, IM (500 µm um den Tumor) und Drüsen. Der IM wurde durch morphologische Operationen und Überlappungsanalysen definiert.
CD3+- und CD8+-T-Zellen wurden mittels validiertem Segmentierungsalgorithmus quantifiziert. Die Dichten wurden prozentilskaliert (0–100%) basierend auf Kohortenverteilungen. Neun Immunscores wurden evaluiert, darunter Einzeldichten im CT (CD3CT, CD8CT) und IM (CD3IM, CD8IM), deren Mittelwerte (CD3, CD8) und kombinierte Scores (CD3-CD8CT, CD3-CD8IM, CD3-CD8).
Statistische Analyse
Das Gesamtüberleben (OS) war primärer Endpunkt. Kaplan-Meier-Kurven und Log-Rank-Tests verglichen Überlebensraten zwischen Hoch- und Niedrigdichtegruppen. Cox-Proportional-Hazards-Modelle prüften die prognostische Unabhängigkeit; Harrells Konkordanzindex (C-Index) und integrierte AUC (iAUC) bewerteten die Diskriminierungsfähigkeit. Bootstrapping (1000 Iterationen) validierte die iAUC-Stabilität. Pearson-Korrelationen quantifizierten Assoziationen zwischen Immunscores.
Hauptergebnisse
Korrelationen zwischen Immunvariablen
CD3CT korrelierte stark mit CD3IM (r = 0,60) und der Gesamt-CD3-Dichte (r = 0,87). Analog zeigte CD8CT Korrelationen mit CD8IM (r = 0,64) und CD8-Dichte (r = 0,92). Schwache Korrelationen bestanden zwischen CD3- und CD8-Markern (z. B. r = 0,39 für CD3 vs. CD8), was auf distinkte biologische Rollen hinweist. CD3CT korrelierte minimal mit CD8CT (r = 0,43), was seinen einzigartigen prognostischen Wert unterstreicht.
Prognostische Leistung von CD3CT
CD3CT zeigte überlegene Diskrimination (C-Index: 0,65 in der Trainings-, 0,69 in der Validierungskohorte) verglichen mit anderen Scores, einschließlich CD3-CD8 (C-Index: 0,64 bzw. 0,69). In der Trainingskohorte war eine hohe CD3CT-Dichte (>67. Perzentil, 941 Zellen/mm²) mit signifikant längerem OS assoziiert (5-Jahres-Überleben: 81,3 % vs. 62,5 % bei niedriger Dichte; P < 0,001). Dies bestätigte sich in der Validierungskohorte (92,5 % vs. 75,0 %; P = 0,005). Multivariatenanalysen bestätigten CD3CT als unabhängigen prognostischen Faktor nach Adjustierung für Alter, TNM-Stadium und CEA (Trainingskohorte: HR = 0,35; 95 %-KI: 0,18–0,65; Validierungskohorte: HR = 0,21; 95 %-KI: 0,05–0,94).
Vergleichende Analyse der Immunscores
CD3CT übertraf oder erreichte die prognostische Leistung des kombinierten CD3-CD8-Scores. Beispielsweise übertraf die iAUC für CD3CT (0,65) leicht die von CD3-CD8 (0,63) in der Trainingskohorte. In klinischen Modellen trug CD3CT stärker zum Risikostratifizierung bei (18,97 % relative Bedeutung) als CD3-CD8 (11,89 %), was seine klinische Relevanz unterstreicht.
Subgruppenanalysen
CD3CT blieb prognostisch relevant über Tumorstadien und -lokalisationen hinweg. Bei Stadium-III-Patienten korrelierte hohe CD3CT-Dichte mit verbessertem OS (HR = 0,28; P = 0,002). Bei linksseitigem KRK (73,5 % der Fälle) sagte hohe CD3CT-Dichte besseres Überleben voraus (HR = 0,26; P < 0,001). Zudem zeigten sich Trends zu höheren CD3CT-Dichten bei Mikrosatelliteninstabilität (MSI; P = 0,076).
Technische Fortschritte
Die KI-Pipeline adressierte zentrale Herausforderungen der digitalen Pathologie:
- Automatisierte Regionsidentifikation: Das CNN-Modell segmentierte CT und IM präzise ohne manuelle Annotation, was Interobserver-Variabilität reduziert.
- Hochdurchsatz-Quantifizierung: Die Analyse ganzer WSIs ermöglichte skalierbare Auswertungen großer Kohorten.
- Integration in klinische Workflows: CD3CT vereinfacht die Prognosebeurteilung durch Verzicht auf Multimarker-Analysen, was Kosten und Bearbeitungszeit senkt.
Klinische Implikationen
CD3CT bietet Vorteile gegenüber bestehenden Systemen wie dem Immunoscore:
- Einfachheit: Einzelmarkerfokus verringert Färbekosten und Rechenkomplexität.
- Robustheit: CD3+-T-Zellen erfassen diverse Subpopulationen und liefern ein umfassendes Immunprofil.
- Stadiumsunabhängigkeit: Die prognostische Aussagekraft bleibt über TNM-Stadien hinweg erhalten, was die Risikostratifizierung in frühen und späten Erkrankungsphasen unterstützt.
Limitationen und zukünftige Richtungen
Trotz multizentrischer Validierung ist eine breitere internationale Bestätigung erforderlich. Zukünftige Studien sollten CD3CT als Prädiktor für Immuntherapien oder in Kombination mit molekularen Subtypen (z. B. CMS-Klassifikationen) untersuchen. Prospektive Trials müssen die klinische Implementierung prüfen.
Schlussfolgerung
Diese Studie etabliert CD3CT – die CD3+-T-Zell-Dichte im Tumorkern – als zuverlässigen, KI-quantifizierten prognostischen Marker für KRK. Durch Automatisierung von Gewebesegmentierung und Zellquantifizierung überwindet der Ansatz Limitierungen manueller Scores. Die gleichwertige Leistung zu Multimarker-Scores unterstützt CD3CT als einfaches, kosteneffektives Werkzeug für die personalisierte KRK-Therapie.
doi.org/10.1097/CM9.0000000000002964