11.17-11.23 临床预测模型研究顶刊快报

1.利用人工智能技术从组织病理切片中进行免疫分析，预测直肠癌化疗放疗疗效：一项基于临床试验和真实世界队列的研究

AI-powered immune profiling from histopathology slides for chemo-radiotherapy outcome prediction in rectal cancer: a study using clinical trial and real-world cohorts

（1）背景：结直肠癌是全球第二大癌症相关死亡原因，其中局部晚期直肠癌（LARC）患者通常面临较高的复发风险，临床标准治疗多采用新辅助放化疗（nCRT）联合手术的策略 。然而，目前的治疗管理更多关注治疗顺序的调整，而非基于个体生物学特征的精准治疗选择，且缺乏有效的生物标志物来预测疗效和避免过度治疗 。肿瘤免疫微环境（TIME）对肿瘤进展和治疗反应至关重要，虽然肿瘤浸润淋巴细胞（TILs）已被广泛证实与良好预后相关，但肿瘤相关巨噬细胞（TAMs）在直肠癌尤其是放化疗后的作用尚存争议，且缺乏大规模研究数据 。同时，作为评估肿瘤增殖活性的有丝分裂指数（MI）虽是常规病理分级指标，但鲜有研究量化其在直肠癌生存预测中的价值 。鉴于人工计数耗时且主观性强，本研究旨在开发一种人工智能（AI）框架，通过分析数字化H&E染色病理切片，自动量化临床试验（ARISTOTLE）和真实世界队列中LARC患者的TILs、TAMs及MI，并结合KRAS和TP53等基因突变状态，系统评估这些指标对患者无病生存期（DFS）和总生存期（OS）的预测价值。

（2）解释：研究结果证实了AI驱动的免疫分析在直肠癌风险分层中的临床潜力。研究发现，高TIL密度显著关联更好的生存预后，而高TAM密度和高有丝分裂指数（MI）则与不良预后相关，且高有丝分裂活性可能在nCRT后由免疫抑制机制介导 。研究进一步揭示了免疫特征与基因突变的协同预后效应：KRAS突变且TIL低下的患者、以及TP53突变且TAM升高的患者预后最差，这表明特定的基因突变可能重塑免疫微环境。此外，免疫状态随治疗的动态变化具有关键预测意义，治疗后由“冷”转“热”（TIL密度增加）的患者预后显著改善 。该研究表明，利用AI从常规病理切片中提取的量化指标是独立且强有力的预后因子，能够以低成本、高可重复性的方式整合入现有临床工作流。为此，研究团队还开发了在线平台（Octopath.ai），旨在辅助临床医生进行更精准的患者筛选和个性化治疗规划，特别是识别那些可能从免疫治疗或强化治疗中获益的高危患者 。

1.利用医院和社区病毒学检测数据预测疫情趋势

Nowcasting epidemic trends using hospital- and community-based virologic test data

（1）介绍：该研究旨在解决传统流行病监测存在的报告滞后、偏差及依赖检测能力等问题，提出利用PCR检测中的循环阈值（Ct值）分布作为替代数据源来“临近预报”（nowcast）疫情趋势 。其理论基础在于群体层面的Ct值分布反映了感染时间的分布：低Ct值通常对应新近感染，预示疫情增长；高Ct值则对应感染后期，预示疫情衰退 。文章通过结合理论推导、合成数据模拟以及来自美国马萨诸塞州医院和洛杉矶县社区的真实数据，深入探究了病毒动力学、采样策略以及检测延迟等生物学和逻辑因素，如何影响Ct值分布与疫情增长率之间的非线性关系，旨在评估该方法在实时疫情监测中的准确性与适用性。

（2）结果：理论与模拟分析证实，Ct值均值与疫情增长率之间存在单调关系，但该关系的强度受病毒动力学特征及采样偏差的显著影响 。在真实数据应用中，广义加性模型（GAM）能够有效利用Ct值的均值和偏度来预测疫情发展方向（AUC > 0.7）和增长率（RMSE 约为 0.04-0.05），尽管精度略低于理想模拟环境，但在捕捉疫情趋势方面仍具实用价值 。研究发现，剔除极端值（outliers）能显著提升预测性能，且在某些样本具有代表性的情境下，基于Ct值的预测准确度甚至优于仅依赖确诊病例数的模型 。总体而言，Ct值监测虽然受样本量和采样方式限制，但作为一种独立的数据流，能有效补充传统的发病率监测 。