本研究的主要作者包括盛晖（1）、何欣（2）、陈志强（3）、黄科伟（4）、杨静静（4）、魏晓丽（5）和毛敏杰（4），他们分别来自中山大学肿瘤防治中心（Sun Yat-sen University Cancer Center）的实验研究部（1）、药学部（2）、广州中医药大学（3）、检验科（4）以及肿瘤内科（5）。这项研究于2024年3月27日在线发表在学术期刊 *Translational Lung Cancer Research*（第13卷第3期）上，题目为“Development of a haematological indices-based nomogram for prognostic prediction and immunotherapy response assessment in primary pulmonary lymphoepithelioma-like carcinoma patients”。

本研究属于肿瘤学，特别是肺癌精准治疗领域。其学术背景聚焦于一种罕见且具有侵袭性的肺癌亚型——原发性肺淋巴上皮瘤样癌（Primary Pulmonary Lymphoepithelioma-like Carcinoma, PPLELC）。PPLELC在非小细胞肺癌（NSCLC）中占比很低，多见于东南亚地区年轻、不吸烟的女性患者，与EB病毒（Epstein-Barr Virus, EBV）感染高度相关。尽管大多数PPLELC患者的肿瘤细胞程序性死亡-配体1（PD-L1）表达上调，使得免疫检查点抑制剂（Immune Checkpoint Inhibitors, ICIs）成为一种有前景的治疗策略，但并非所有患者都能从中获益，且存在获得性耐药问题。由于PPLELC罕见，大样本临床研究数据有限，目前缺乏标准化的治疗方案和有效的预后预测工具。传统的基于组织学的分子标志物（如EGFR突变、ALK重排）在PPLELC中很少见，因此临床亟需一种无创、便捷且可靠的生物标志物来预测患者接受免疫治疗后的预后和疗效，以指导个体化临床决策。基于此背景，本研究旨在通过分析常规血液学指标，开发一种基于血液学指标的标签（Haematological Indices-Based Signature, HIBS），并进一步构建一个结合HIBS与临床特征的多变量预测模型（列线图，Nomogram），以实现对PPLELC患者接受免疫治疗后无进展生存期（Progression-Free Survival, PFS）和免疫治疗反应的准确预测。

本研究的详细工作流程主要包括以下几个步骤： 第一步，患者队列构建与数据收集。这是一项回顾性研究，纳入了2017年5月至2022年8月期间在中山大学肿瘤防治中心经组织学确诊为PPLELC、并至少接受过一个周期免疫治疗（ICI，无论是单药还是联合化疗）的连续患者，共计117例。排除了原发于鼻咽癌或其他部位的淋巴上皮瘤样癌肺转移患者、有既往或同期其他恶性肿瘤病史者以及临床随访资料不完整的患者。将这117例患者按7:3的比例随机分为训练队列（82例）和验证队列（35例）。研究人员从医院电子医疗数据库中提取了患者的基线临床特征，包括年龄、性别、吸烟史、ECOG体力状态评分、肿瘤位置、基于第8版TNM分期的肿瘤分期、是否存在肝、骨或脑转移、具体治疗方案（ICI单药或联合化疗）以及治疗线数等。同时，收集了所有患者在开始免疫治疗前进行的基线血液学检测结果，涵盖了41项血液学特征，包括血清生化参数和常规血细胞计数参数。

第二步，血液学指标标签（HIBS）的构建。研究团队采用了一种机器学习方法——最小绝对收缩与选择算子（Least Absolute Shortion and Selection Operator, Lasso）Cox回归分析，来处理这41项高维度的血液学数据。具体操作是，在训练队列（82例患者）的数据上，使用“glmnet” R包进行Lasso Cox回归，并采用10折交叉验证来选择最优的正则化参数（λ）。该算法能够将不相关或冗余特征的系数收缩至零，从而自动筛选出与预后最相关的特征。通过这一过程，从41项初始特征中筛选出了14项具有预后价值的血液学指标，共同构成了HIBS。HIBS的得分是这14项指标与其各自Lasso回归系数的线性组合。随后，根据训练队列中HIBS得分的中位数（0.64）设定了一个最佳截断值，并依据此值将训练队列和验证队列的患者分别划分为“高HIBS组”和“低HIBS组”。

第三步，基于HIBS的列线图（Nomogram）开发。首先，在训练队列中，对HIBS以及各项临床特征进行单因素Cox回归分析，以识别与PFS显著相关的因素。分析结果显示，HIBS、性别、TNM分期、肝转移、骨转移、治疗方案类型（单药 vs. 联合）以及治疗线数与PFS显著相关。接着，将这些显著因素纳入向后逐步多因素Cox回归分析中，以确定独立的预后预测因子。最终，多因素分析确定了五个独立的预后因素：HIBS（高风险 vs. 低风险）、TNM分期（II期 vs. III期 vs. IV期）、是否存在骨转移（是 vs. 否）以及免疫治疗方案类型（ICI单药 vs. ICI联合化疗）。利用这五个独立因素，研究团队使用“rms” R包构建了一个临床实用的列线图模型。该列线图以直观的图形方式，为每个因素赋予相应的分数，医生可以通过累加患者各项因素的得分，来预测该患者1年和2年的PFS概率。

第四步，列线图的性能验证与风险评估分层。为了评估列线图的预测效能，研究在训练队列和验证队列中分别进行了内部验证。首先，计算了列线图的C指数（Concordance Index），训练队列和验证队列的C指数分别为0.766和0.765，表明模型具有良好的区分度。其次，绘制了校准曲线（Calibration Curves），结果显示列线图预测的1年和2年PFS概率与实际观察到的概率在训练和验证队列中均高度吻合，说明模型校准度良好。然后，根据列线图计算出的患者总分，使用X-tile程序确定了最佳风险分层截断值（167分），将两个队列的患者进一步划分为“低风险组”（≤167分）和“高风险组”（>167分）。最后，使用Kaplan-Meier生存分析比较高低风险组的PFS差异，并绘制时间依赖的受试者工作特征曲线（Time-dependent ROC Curve）来计算模型在预测1年及2年PFS时的曲线下面积（Area Under the Curve, AUC），以量化其预测准确性。此外，还比较了高低风险组患者的最佳总体缓解率（Best Overall Response, BOR），以评估模型预测免疫治疗疗效的能力。

本研究的主要结果如下： 在HIBS构建方面，最终形成的HIBS包含了14项血液学特征，这些特征涉及肿瘤代谢、全身炎症反应和营养状态等多个方面。分析发现，在训练队列中，发生疾病进展的患者其HIBS得分显著高于未进展的患者。小提琴图也直观显示，疾病进展组的HIBS得分分布明显高于非进展组，差异具有高度统计学意义（P<0.001），这初步证明了HIBS与疾病进展风险密切相关。

在列线图构建与风险因素确定方面，多因素Cox回归分析确认了HIBS是PFS最强的独立预测因子之一（风险比HR=4.740，P<0.001）。其他独立因素包括：TNM IV期（相比II期，HR=2.146，P=0.025）、存在骨转移（HR=2.048，P=0.04）以及接受ICI单药治疗（相比联合治疗，HR=0.386，P=0.016）。值得注意的是，ICI联合化疗显示出比ICI单药更优的生存获益。基于这些因素构建的列线图，每个变量被赋予特定分数，例如“高HIBS”对应100分，“存在骨转移”对应45分，“ICI单药治疗”对应57分，“TNM IV期”对应72分等。

在模型性能与风险评估结果方面，列线图展现出优异的预测和分层能力。在训练队列中，高风险组患者的中位PFS仅为7.0个月，而低风险组则达到18.0个月，两者差异极其显著（P<0.0001）。验证队列的结果与此一致，高风险组中位PFS为11.0个月，低风险组为16.5个月（P=0.0002）。在预测准确性上，训练队列中列线图预测2年PFS的AUC值为0.837，预测1年PFS的AUC值为0.771；验证队列中相应的AUC值分别为0.855和0.828，均表现出色。更重要的是，该列线图还能有效预测免疫治疗反应。在训练队列中，低风险组患者的客观缓解率（ORR，指完全缓解和部分缓解之和）为52.7%，而高风险组仅为22.2%（P=0.014）。验证队列中，低风险组的ORR为59.1%，高风险组为23.1%（P=0.012）。这些数据强有力地表明，基于该列线图划分的低风险患者更有可能从免疫治疗中获得生存和疗效的双重获益。

本研究的结论是，成功开发并验证了一个基于常规血液学指标和临床特征的列线图模型。该模型能够准确预测PPLELC患者接受免疫检查点抑制剂治疗后的无进展生存期，并能有效区分哪些患者更有可能从免疫治疗中获益。这为临床医生管理这一罕见肺癌亚型提供了一个有价值的、无创的决策辅助工具，有助于实现更精准的个体化治疗。

本研究的亮点主要体现在以下几个方面：首先，研究对象特殊：针对的是极为罕见且缺乏标准治疗和预测工具的PPLELC，填补了该领域的空白。其次，方法学创新与应用：创新性地将机器学习算法（Lasso Cox回归）应用于常规、易得的血液学指标分析中，构建了HIBS标签，实现了从“大数据”到“精指标”的转化，方法具有成本低、可重复性高的优点。第三，模型集成与临床实用性：不仅构建了血液标签，更进一步将其与关键的临床病理特征（TNM分期、骨转移、治疗方案）相结合，开发出直观的列线图，使复杂的多变量预测模型变得易于临床医生理解和使用。第四，验证充分：研究严格设置了训练队列和独立的内部验证队列，并对模型的区分度、校准度、风险分层能力及疗效预测能力进行了多维度的全面验证，结果稳健可靠。第五，重要的临床发现：研究结果不仅验证了HIBS的预后价值，还再次证实了对于PPLELC，ICI联合化疗的疗效优于ICI单药，并且首次明确将“存在骨转移”确定为PPLELC免疫治疗预后不良的独立危险因素，这对临床治疗策略选择具有重要提示意义。

此外，研究在讨论部分还提出了有价值的观点。例如，作者探讨了骨转移可能导致免疫“冷”肿瘤微环境，从而削弱免疫治疗效果的潜在机制，并建议未来可探索ICI联合抗骨转移治疗（如双膦酸盐）的策略。同时，作者也客观指出了本研究的局限性，如单中心回顾性设计可能带来的选择偏倚、未纳入肿瘤分子标志物数据、随访时间相对较短等，并展望未来需要通过前瞻性、多中心研究来进一步验证和优化该模型，以提升其在更广泛患者群体中的临床效用。尽管存在这些局限，本研究无疑为PPLELC的精准免疫治疗迈出了坚实的一步。