摘要 A065：通过常规H&E切片表征肿瘤微环境，实现头颈癌治疗反应的快速且高性价比预测

摘要 背景：由于肿瘤微环境（TME）内的空间异质性，头颈部鳞状细胞癌（HNSCC）的治疗反应预测仍是临床上的重大挑战。虽空间转录组学（ST）技术为剖析TME结构提供了强有力的方法，但其高成本、组织需求量大和扩展性有限，限制了其在大型回顾性队列中的临床应用。为克服这些限制，我们开发了一种人工智能框架，能够直接从常规H&E切片推断空间基因表达谱。首先，我们训练了该模型并验证了其在预测2772个基因空间表达（预测值与测量的ST基因表达相关系数>0.4）中的可靠性。其次，我们应用该模型对包括445例HNSCC患者的大型TCGA-HNSC队列进行了空间基因表达推断。第三，通过对推断的ST表达进行空间聚类，识别出代表每位患者TME组成的11个共享空间簇。第四，我们利用这些空间定义的簇描述了辅助治疗（TCGA-HNSCC，n=226）和免疫治疗患者（外部队列，n=94）的TME全貌。第五，我们量化了每位患者各空间簇的比例并通过五折交叉验证训练了两个独立模型，用于预测辅助治疗和免疫治疗队列的治疗反应。空间簇组成能够预测辅助治疗反应，ROC曲线下面积（AUROC）为0.67±0.09。结合临床变量（年龄和HPV状态）后，性能进一步提升至AUROC 0.74±0.12。值得注意的是，非应答者主要富集一种表现出KRAS驱动、炎症但免疫抑制转录特征的空间簇，该特征与治疗耐受相关。类似地，在免疫治疗队列中，模型实现了AUROC 0.71±0.14。与免疫治疗反应最相关的空间簇表现出免疫反应型免疫表型（T细胞炎症、高IFN-γ肿瘤状态），与免疫治疗良好预后一致。这些结果表明，模型推导的空间特征能够可靠预测HNSCC中多种治疗方式的治疗反应，不同空间签名区分了应答者。结论：我们首次提出了一个从常规H&E切片中提取空间TME特征的AI框架。 2026年2月18-21日；洛杉矶，加州。费城（宾夕法尼亚州）：AACR；Cancer Immunol Res 2026；14(2 Suppl):摘要编号A065。