Artificial Intelligence-Powered Spatial Analysis of Tumor-Infiltrating Lymphocytes as Complementary Biomarker for Immune Checkpoint Inhibition in Non-Small-Cell Lung Cancer

authors

Park et al.

journal

Journal of Clinical Oncology

year

2022

doi

10.1200/JCO.21.02010

category

clinical-oncology

pdf

PDF

source

Source

요약

본 연구는 advanced NSCLC 환자에서 ICI 반응 예측을 위해 AI 기반 spatial analysis 도구인 Lunit SCOPE IO를 개발하고 검증하였다. Tumor microenvironment 내 TIL의 분포를 정량화하여 세 가지 immune phenotype(IP: inflamed, immune-excluded, immune-desert)을 정의하고, 이를 PD-L1 expression 및 clinical outcome과 연관시켰다. AI model은 tissue segmentation 및 TIL detection에서 높은 성능을 보였으며, 특히 inflamed IP가 더 높은 tumor response rate와 연장된 PFS 및 OS와 유의미하게 연관되었다. 이는 기존 pathologist 판독 TPS를 보완할 수 있는 complementary biomarker로서의 잠재력을 제시한다.

방법

연구는 AI-powered WSI analyzer Lunit SCOPE IO의 development 및 validation으로 구성되었다. Model training에는 25개 cancer types 3,166개의 H&E-stained WSI가 사용되었으며, board-certified pathologist annotation을 기준으로 CE, CS, TIL을 segmentation하고 detection하도록 훈련되었다. Clinical validation은 TCGA LUAD/LUSC dataset 및 SMC(NSCLC primary tumor, n=1,205), SNUBH(NSCLC, n=261)의 두 independent cohort에서 수행되었다. WSI는 1 mm² grid로 분할된 후, CE와 CS 내 TIL density threshold(CE > 106/mm² 또는 CS > 357/mm²)에 따라 inflamed, immune-excluded, immune-desert IP를 정의하였다. PD-L1 expression은 Dako PD-L1 IHC 22C3 pharmDx kit를 이용해 TPS로 측정되었으며, clinical outcome(best overall response, PFS, OS)은 RECIST v1.1 기준을 통해 retrospectively 평가되었다. TCGA genomic data(n=923) 및 multiplex IHC 분석을 통해 immune phenotype의 biological validity를 검증하였다.

주요 결과

AI model은 internal validation에서 CE(AUROC 0.9715), CS(AUROC 0.9503), TIL(AUROC 0.9252) segmentation 및 detection 성능을 보였으며, external validation(TCGA n=110)에서도 유사한 높은 성능(CE 0.9539, CS 0.9871, TIL 0.9591)을 유지하였다. 전체 cohort에서 inflamed IP는 44.0%, immune-excluded IP는 37.1%, immune-desert IP는 18.9%로 분포되었다. PD-L1 TPS <1%, 1%-49%, ≥50% 그룹에서 inflamed IP incidence는 각각 31.7%, 42.5%, 56.8%였으며, AI-derived TPS와 pathologist TPS 간 유의한 positive correlation(P < .001)이 확인되었다. Clinical survival analysis 결과, inflamed IP cohort의 median PFS 및 OS는 각각 4.1개월, 24.8개월로 immune-excluded IP(2.2개월, 14.0개월) 및 immune-desert IP(2.4개월, 10.6개월)보다 유의하게 길었다. 또한 inflamed IP는 local immune cytolytic activity(GZMA, PRF1 expression 증가) 및 interferon gamma response 관련 gene signature와 밀접한 연관성을 보였다.

강점

본 연구는 대규모 multi-center cohort와 independent external validation 집단을 활용하여 AI-powered spatial biomarker의 reproducibility 및 clinical validity를 입증하였다. 기존 manual TIL quantification의 interobserver heterogeneity와 labor-intensive 한계를 deep learning-based automated segmentation으로 극복하였으며, 명확한 density threshold를 통해 IP classification 기준을 표준화하였다. LLM Wiki의 digital pathology 및 immuno-oncology 문헌에서 AI model의 tissue microenvironment 분석 성능과 clinical outcome 연계성을 정량적으로 비교·검토하는 데 직접적인 근거 자료로 활용될 수 있다.

해석

이 연구는 PD-L1 TPS single biomarker의 한계를 보완할 수 있는 tumor microenvironment 기반 spatial biomarker 접근법을 제시한다. NSCLC에서 ICI 치료 response 예측을 위해 AI가 추출한 TIL distribution pattern(IP)이 실제 clinical survival(PFS, OS) 및 immune cytolytic activity와 일치함을 확인함으로써, quantitative digital pathology analysis가 immuno-oncology research 및 lung cancer clinical trial design에 통합될 수 있는 경로를 제시한다. LLM Wiki의 oncology, pulmonology, imaging, AI 섹션 간 연결고리로 작용하며, 향후 multi-omics data와 결합된 precision immunotherapy response prediction model development의 기초 문헌으로 자리 잡을 것이다.