香港中文大學（中大）醫學院腫瘤學系系主任莫樹錦教授早前與韓國首爾國立大學醫學院、成均館大學醫學院、亞洲大學醫學院及AI初創公司Lunit合作開發了一種用於非小細胞肺癌的人工智能（AI）分析工具。

該工具可為完整病理切片影像進行分析，以了解生物標誌物「腫瘤浸潤淋巴細胞」的分布，從而預測晚期非小細胞肺癌治療的有效性。研究結果顯示，AI輔助的腫瘤浸潤淋巴細胞分析與抗腫瘤反應及無惡化存活期密切相關，意味日後或可提供更精確的臨床治療方案。詳情已刊登於權威醫學期刊《Journal of Clinical Oncology》。

免疫檢查點抑制劑為帶有PD-L1表達的晚期非小細胞肺癌一線治療

肺癌是全球最多人罹患的癌症之一，每年約有180萬人死於此病。根據香港癌症資料統計中心2019年數據，肺癌不但為本港的頭號癌症殺手，更是香港最常見的癌症，每年新症逾5,000宗，當中超過八成為非小細胞肺癌個案。

現時針對帶有PD-L1表達的晚期非小細胞肺癌患者的一線治療是一種以antiPD-1為免疫檢查點抑制劑（immune checkpoint inhibitor）的免疫療法。人類免疫系統的T細胞表面有一種叫PD-1的蛋白，當它與癌細胞的PD-L1結合，可使腫瘤避過免疫系統的攻擊。抑制劑的作用就是令PD-1蛋白與PD-L1不能結合，讓免疫系統繼續發揮作用，殺滅癌細胞。

莫樹錦教授

中大醫學院腫瘤學系系主任兼李樹芬醫學基金腫瘤學教授莫樹錦教授表示：「antiPD-1 檢查點抑製劑的治療成效受限於患者的腫瘤微環境，現時還未有生物標誌物可用以評估療效。理論上，『腫瘤浸潤淋巴細胞』是腫瘤微環境中主要的抗腫瘤免疫激活分子，可作為生物標誌物，預測免疫檢查點抑製劑的治療效果。但目前透過病理影像點算腫瘤浸潤淋巴細胞仍需靠人手進行，加上圖像空間存在限制，影響其效用及客觀性。」

免疫表型與免疫檢查點抑製劑的抗腫瘤反應有關聯

由研究團隊合作開發的AI工具能夠分割和量化整個病理切片影像中的多個組織學成分，包括腫瘤上皮細胞、癌基質和腫瘤浸潤淋巴細胞。通過以深度學習技術為基礎的 AI模型訓練，產生出三種免疫表型：炎症型（inflamed）、免疫排除型（immune-excluded）和免疫沙漠型（immune-desert）。（三種免疫表型的定義可參閱表一）

由AI分析工具就三種表型所推算出的無惡化存活期（中位數）及整體存活期顯示，與其他兩種表型相比，炎症型的免疫溶細胞活性較高，患者有較好的抗腫瘤反應及較長的無惡化存活期。（詳細數據可參閱表二）

莫教授補充說：「這是首個針對晚期非小細胞肺癌，運用AI工具自動分析腫瘤浸潤淋巴細胞的研究。我們的研究證明利用AI分析腫瘤浸潤淋巴細胞分布，能夠預測免疫檢查點抑製劑在晚期非小細胞肺癌患者中的臨床成效，可以作為生物標誌物，成『腫瘤比例評分』以外的補充臨床治療指標。」

表一：三種免疫表型的定義：

表二：以AI分析工具就三種表型所得出的無惡化存活期（中位數）及整體存活期推算