这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：

作者及机构

本研究的主要作者包括Rami S. Vanguri、Jia Luo、Andrew T. Aukerman、Jacklynn V. Egger等，他们来自Memorial Sloan Kettering Cancer Center、Weill Cornell/Rockefeller/Sloan Kettering Tri-Institutional MD-PhD Program、Parker Institute for Cancer Immunotherapy等多个机构。研究于2022年10月发表在《Nature Cancer》期刊上。

学术背景

该研究属于计算肿瘤学（computational oncology）领域，主要关注非小细胞肺癌（NSCLC）患者对PD-(L)1免疫疗法的反应预测。PD-(L)1免疫疗法通过阻断程序性细胞死亡蛋白1（PD-1）及其配体（PD-L1）来激活和恢复细胞毒性抗肿瘤T细胞的功能，近年来在NSCLC治疗中取得了显著进展。然而，现有的预测生物标志物，如PD-L1表达和肿瘤突变负荷（TMB），预测效果有限。因此，研究团队旨在开发一种整合多模态数据的模型，以提高免疫疗法反应的预测精度。

研究流程

研究分为多个步骤，详细流程如下：

1. 患者队列构建
   研究纳入了247名在2014年至2019年间接受PD-(L)1治疗的晚期NSCLC患者，这些患者在诊断时接受了标准护理测试，包括PD-L1表达评估、CT扫描和基因组测序。研究还构建了两个验证队列：放射学队列（n=50）和病理学队列（n=52）。

2. 数据采集与处理

   • 放射学数据：通过胸部CT扫描对患者的肺实质、胸膜和淋巴结病变进行分割，提取放射组学特征。
     
   • 病理学数据：对PD-L1免疫组化（IHC）染色的肿瘤组织进行数字化扫描，提取图像纹理特征。
     
   • 基因组数据：使用MSK-IMPACT平台对肿瘤组织进行靶向测序，分析基因突变和TMB。

3. 特征提取与模型构建
   研究开发了一种动态深度注意力多实例学习模型（DYAM），用于整合放射学、病理学和基因组数据。模型通过注意力机制对不同模态的数据进行加权，生成患者特定的风险评分。

4. 模型验证与评估
   研究通过十折交叉验证评估模型的预测性能，并与单一模态的预测结果进行比较。结果显示，多模态模型的预测能力显著优于单一模态模型。

主要结果

1. 放射学特征
   从CT扫描中提取的放射组学特征对免疫疗法反应的预测能力有限，AUC为0.65。肺实质病变的特征预测效果最佳（AUC=0.64），而胸膜病变的预测效果较差（AUC=0.28）。

2. 病理学特征
   PD-L1 IHC纹理特征的预测能力与放射学特征相当（AUC=0.62），但低于病理学家评估的PD-L1 TPS评分（AUC=0.73）。

3. 基因组特征
   基因组突变和TMB的预测能力较低（AUC=0.61），但结合两者后预测能力有所提高（AUC=0.65）。

4. 多模态模型
   多模态DYAM模型的预测能力显著优于单一模态模型，AUC达到0.80。该模型能够更早地区分高风险和低风险患者，具有较高的临床应用潜力。

结论

研究证明，整合放射学、病理学和基因组数据可以提高NSCLC患者对PD-(L)1免疫疗法反应的预测精度。多模态DYAM模型在预测性能和早期分层方面表现出色，为精准肿瘤学提供了新的工具。

研究亮点

1. 多模态数据整合：研究首次将放射学、病理学和基因组数据整合到一个统一的预测模型中，显著提高了预测精度。
   
2. DYAM模型：开发的动态深度注意力多实例学习模型能够有效处理多模态数据，具有较高的创新性和实用性。
   
3. 临床应用潜力：研究结果为NSCLC患者的个性化治疗提供了重要依据，有望指导临床决策。

其他有价值的内容

研究团队公开了所有代码和数据，为其他研究者提供了验证和扩展研究的基础。此外，研究还探讨了不同数据模态的相对贡献，为未来的多模态研究提供了参考。