1. 领域背景与文献
文献英文标题：Discordance between transcriptome- and pathology-based immune classification in ovarian clear cell carcinoma；发表期刊：Cancer Immunology, Immunotherapy；影响因子：6.8（2024年）；研究领域：卵巢透明细胞癌免疫微环境与预后分层
卵巢透明细胞癌是上皮性卵巢癌的重要亚型，在亚洲人群中发病率更高，常与子宫内膜异位症相关，特征性携带AT丰富交互域1A基因、磷脂酰肌醇-3-激酶催化亚基α基因突变，代谢层面表现为线粒体功能障碍及氧化应激抵抗。早期卵巢透明细胞癌患者预后较好，但晚期或复发患者因对铂类化疗耐药，预后极差。领域共识：近年来免疫检查点抑制剂在卵巢透明细胞癌治疗中展现出潜力，因此亟需精准的预后分层工具以筛选获益人群。肿瘤浸润淋巴细胞（TILs）作为抗肿瘤免疫的核心因素，在多种癌症中被证实为预后生物标志物，但卵巢透明细胞癌中肿瘤浸润淋巴细胞的预后意义存在争议，部分研究认为高肿瘤浸润淋巴细胞浸润与更好预后相关，部分研究则未发现显著关联，这一争议源于既往研究多采用组织芯片或人工半定量评估，存在样本量小、评估方法不标准化的局限。同时，转录组学免疫分型的研究结果存在矛盾，部分研究将卵巢透明细胞癌分为免疫型与非免疫型，报道免疫型患者预后更差，但此类研究中免疫型队列晚期病例占比更高，存在疾病分期混杂的问题，且不同研究的分类结果受队列、检测平台差异影响，一致性较差。针对上述领域空白，本研究旨在利用大样本卵巢透明细胞癌队列结合人工智能辅助病理学全切片定量技术，系统对比转录组与病理学免疫分类的预后价值，明确更可靠的卵巢透明细胞癌预后分层方法，为临床决策提供依据。
2. 文献综述解析
作者对领域内现有研究的分类维度包括卵巢透明细胞癌免疫分型的两种技术路径（转录组学分析、病理学肿瘤浸润淋巴细胞评估）、肿瘤浸润淋巴细胞在卵巢透明细胞癌中的预后争议、转录组免疫分型的矛盾结果及潜在混杂因素。
现有卵巢透明细胞癌免疫微环境研究可分为两类，一类聚焦于肿瘤浸润淋巴细胞的预后意义，多数研究认为卵巢透明细胞癌属于“免疫冷”肿瘤，肿瘤浸润淋巴细胞浸润程度较低，但肿瘤浸润淋巴细胞的预后价值存在分歧：部分小样本研究显示高肿瘤浸润淋巴细胞浸润与卵巢透明细胞癌患者更好的总生存期相关，而另一些研究未发现显著关联，这些研究的局限性在于多依赖组织芯片或人工半定量评估，缺乏全切片层面的标准化定量，且样本量较小，难以排除混杂因素的影响。另一类研究采用转录组学方法进行免疫分型，部分研究将卵巢透明细胞癌分为免疫型与非免疫型，报道免疫型患者预后更差，但此类研究的免疫型队列中晚期病例占比显著更高，提示疾病分期可能是影响预后的核心因素，而非免疫分型本身，同时不同研究的转录组分类方法存在差异，导致结果一致性不足，无法形成统一的临床应用标准。
通过对比现有研究的未解决问题，本研究的创新价值凸显：领域内缺乏大样本、标准化的肿瘤浸润淋巴细胞定量研究，且未系统对比转录组与病理学免疫分类的预后价值及两者的一致性，本研究首次在两个大样本卵巢透明细胞癌队列中，采用人工智能辅助全切片肿瘤浸润淋巴细胞定量技术，明确了病理学肿瘤浸润淋巴细胞分类是独立的预后因素，而转录组免疫分类受疾病分期混杂影响，无独立预后价值，解决了领域内关于卵巢透明细胞癌免疫分型预后意义的争议，为临床预后分层提供了更可靠的方法。
3. 研究思路总结与详细解析
本研究的研究目标是明确卵巢透明细胞癌中转录组与病理学免疫分类的预后价值及两者的不一致性，核心科学问题是哪种免疫分型方法能更准确地预测卵巢透明细胞癌患者的预后，技术路线为：构建多中心大样本卵巢透明细胞癌队列→分别进行转录组免疫分型与人工智能辅助病理学肿瘤浸润淋巴细胞定量→对比两种分型的预后价值及一致性→解析不一致性的免疫微环境机制→验证关键分子与肿瘤浸润淋巴细胞的关联，形成完整的研究闭环。
3.1 研究队列构建与多组学样本制备
实验目的：构建包含多组学数据及病理学切片的大样本卵巢透明细胞癌队列，为后续免疫分型及预后分析提供基础。
方法细节：纳入三个队列，其中JGOG3025-TR1队列来自日本妇科肿瘤组的前瞻性研究，包含189例卵巢透明细胞癌患者的临床数据、靶向DNA测序数据、RNA测序数据及苏木精-伊红染色切片；京都队列包含38例卵巢透明细胞癌患者的RNA测序数据及苏木精-伊红染色切片；华盛顿队列作为外部验证队列，包含198例卵巢透明细胞癌患者的临床及RNA测序数据。苏木精-伊红染色切片采用NanoZoomer数字病理系统以20倍放大倍数扫描，RNA测序分别采用Illumina NovaSeq 6000和HiSeq 2500平台进行，原始数据经Trim-Galore预处理后，通过STAR比对至人类参考基因组GRCh38，采用RSEM进行基因表达定量。
结果解读：成功构建了目前样本量较大的卵巢透明细胞癌多组学队列，其中JGOG3025-TR1和京都队列包含完整的转录组数据及可用于人工智能分析的数字化苏木精-伊红染色切片，华盛顿队列可用于外部验证，为后续研究提供了充足的样本支撑。
产品关联：实验所用关键产品：NanoZoomer数字病理系统（滨松光子学）、Illumina NovaSeq 6000测序平台、Illumina HiSeq 2500测序平台；文献未提及具体RNA提取及文库制备试剂，领域常规使用TRIzol试剂提取总RNA、Illumina TruSeq文库制备试剂盒构建测序文库。
3.2 转录组免疫分型与预后价值验证
实验目的：验证现有转录组免疫分型在卵巢透明细胞癌队列中的预后价值，明确其是否受临床因素混杂。
方法细节：基于单样本基因集富集分析计算免疫相关通路的富集得分，采用Ward层次聚类将患者分为免疫型和非免疫型；采用Kaplan-Meier法绘制生存曲线，通过单因素及多因素Cox比例风险回归分析评估免疫分型与总生存期、无进展生存期的关联，调整的临床协变量包括疾病分期、残留肿瘤状态、体能状态等。
结果解读：在JGOG3025-TR1和京都合并队列（n=227）中，成功将患者分为免疫型和非免疫型，单因素分析显示免疫型患者总生存期显著更差（风险比=2.54，95%置信区间1.42-4.55，p=0.002），但进一步分析患者临床特征发现，免疫型队列中晚期病例占比显著更高（p=0.003），且残留肿瘤比例更高（p=0.041）；多因素分析调整上述临床协变量后，转录组免疫分型不再是总生存期或无进展生存期的独立预后因素（总生存期的风险比=1.37，95%置信区间0.70-2.68，p=0.35；无进展生存期的风险比=0.94，95%置信区间0.56-1.56，p=0.81）。在华盛顿外部验证队列中，同样观察到免疫型患者预后更差的趋势，但多因素分析后无独立预后价值，验证了上述结果的可靠性。
产品关联：文献未提及具体生物信息学分析工具，领域常规使用Python的scikit-learn、survival包进行聚类及生存分析，使用GSEA软件进行单样本基因集富集分析。
3.3 人工智能辅助病理学肿瘤浸润淋巴细胞定量与预后价值验证
实验目的：利用人工智能模型实现全切片层面的标准化肿瘤浸润淋巴细胞定量，评估病理学肿瘤浸润淋巴细胞分类的预后价值，并与转录组免疫分型进行对比。
方法细节：采用CellViT和HoVer-NeXt两种人工智能模型对数字化苏木精-伊红染色切片进行细胞核分割及细胞类型分类，CellViT将细胞分为肿瘤性、炎症性、结缔组织等5类，HoVer-NeXt分为上皮、结缔组织、淋巴细胞等7类；为提高肿瘤区域界定的准确性，仅将同时被CellViT判定为“肿瘤性”且HoVer-NeXt判定为“上皮”的细胞定义为肿瘤细胞，以此划定肿瘤区域；将位于肿瘤区域内的淋巴细胞定义为瘤内肿瘤浸润淋巴细胞，肿瘤边界1000μm内的淋巴细胞定义为基质肿瘤浸润淋巴细胞，计算瘤内肿瘤浸润淋巴细胞得分；以上三分位数瘤内肿瘤浸润淋巴细胞得分为阈值，将患者分为病理学炎症型和非炎症型，采用Kaplan-Meier生存分析及多因素Cox回归分析评估其预后价值。
结果解读：人工智能模型整合后有效纠正了CellViT对基质成纤维细胞的误分类，肿瘤区域界定的准确性显著提升，平均排除了15.3%的误判肿瘤区域。在总队列（n=136）中，单因素分析显示病理学炎症型患者有更好的总生存期和无进展生存期趋势，但未达到统计学显著性（总生存期的风险比=0.86，95%置信区间0.41-1.83，p=0.70；无进展生存期的风险比=0.73，95%置信区间0.39-1.36，p=0.32）；亚组分析显示，在晚期患者中，炎症型总生存期显著更好（风险比=0.41，95%置信区间0.17-0.99，p=0.05），在有残留肿瘤的患者中，炎症型无进展生存期显著更好（风险比=0.21，95%置信区间0.07-0.59，p=0.003），提示瘤内肿瘤浸润淋巴细胞得分在高危人群中具有更强的预后分层能力。多因素分析调整临床协变量后，病理学炎症型成为总生存期和无进展生存期的独立有利预后因素（总生存期的风险比=0.31，95%置信区间0.13-0.76，p=0.012；无进展生存期的风险比=0.31，95%置信区间0.15-0.65，p=0.002）。
产品关联：实验所用关键产品：CellViT和HoVer-NeXt预训练人工智能模型、NanoZoomer数字病理系统（滨松光子学）；文献未提及具体统计分析工具，领域常规使用Python的OpenSlide库处理数字化病理切片，使用scikit-survival包进行生存分析。
3.4 两种免疫分型的不一致性解析及分子机制探索
实验目的：解析转录组与病理学免疫分型不一致的原因，探索其背后的免疫微环境差异。
方法细节：对比两种分型的一致性，将转录组免疫型患者进一步按病理学分型分为炎症型和非炎症型，采用单样本基因集富集分析分析两组的免疫通路富集差异，采用基于支持向量机的免疫细胞比例估计算法、免疫细胞类型富集分析工具进行免疫细胞组成去卷积分析，对比两组的免疫细胞比例、基质评分、肿瘤免疫功能障碍与排除评分等指标；同时分析肿瘤突变负荷、AT丰富交互域1A基因突变与肿瘤浸润淋巴细胞的关联。
结果解读：转录组免疫型患者中仅49.2%为病理学炎症型，其余50.8%为非炎症型，此类非炎症型患者肿瘤浸润淋巴细胞浸润程度低，免疫微环境表现为M2巨噬细胞富集、M1/M2比值降低、中性粒细胞比例升高、基质评分高，且肿瘤免疫功能障碍与排除评分高，提示其免疫微环境处于功能抑制状态；而转录组免疫型中的病理学炎症型患者则表现为CD8+T细胞富集、M1/M2比值高，免疫功能更活跃。肿瘤突变负荷高的患者均属于转录组免疫型，且病理学为炎症型，AT丰富交互域1A基因突变与肿瘤浸润淋巴细胞无显著关联。
产品关联：文献未提及具体实验产品，领域常规使用CIBERSORTx、xCell在线工具进行免疫细胞去卷积分析，使用TIDE在线工具计算肿瘤免疫功能障碍与排除评分。
4. Biomarker研究及发现成果
本研究中核心的预后生物标志物为人工智能辅助定量的瘤内肿瘤浸润淋巴细胞，其筛选与验证逻辑为：基于大样本卵巢透明细胞癌队列的全切片病理学数据→人工智能模型标准化定量瘤内肿瘤浸润淋巴细胞→单因素、多因素及亚组生存分析验证预后价值→明确其作为独立预后因素的临床意义。
该生物标志物的来源为卵巢透明细胞癌患者的苏木精-伊红染色全切片，验证方法为采用CellViT与HoVer-NeXt两种人工智能模型整合的方法，精准界定肿瘤区域并定量瘤内淋巴细胞比例，以上三分位数瘤内肿瘤浸润淋巴细胞得分为阈值将患者分为炎症型和非炎症型。其特异性与敏感性数据方面，在总队列（n=136）中，炎症型患者的总生存期风险比为0.31（95%置信区间0.13-0.76，p=0.012），无进展生存期风险比为0.31（95%置信区间0.15-0.65，p=0.002）；在晚期患者亚组中，炎症型总生存期风险比为0.41（95%置信区间0.17-0.99，p=0.05），在有残留肿瘤的患者亚组中，炎症型无进展生存期风险比为0.21（95%置信区间0.07-0.59，p=0.003），显示出在高危人群中更强的预后分层能力。
该生物标志物的核心成果包括：其一，瘤内肿瘤浸润淋巴细胞是卵巢透明细胞癌患者的独立有利预后因素，经多因素分析调整疾病分期、残留肿瘤等临床协变量后，其预后价值仍显著，解决了既往转录组免疫分型受分期混杂的问题；其二，该生物标志物在晚期或有残留肿瘤的高危卵巢透明细胞癌人群中具有更显著的预后分层价值，可为临床筛选免疫治疗潜在获益人群提供参考；其三，本研究首次采用人工智能辅助全切片定量技术，实现了肿瘤浸润淋巴细胞的标准化评估，避免了人工评估的主观性与局限性。创新性方面，本研究首次在大样本卵巢透明细胞癌队列中系统对比了转录组与病理学免疫分类的预后价值，明确了病理学肿瘤浸润淋巴细胞定量是更可靠的预后生物标志物，为卵巢透明细胞癌的预后分层提供了标准化方法。统计学结果显示，多因素分析中总生存期的风险比为0.31（p=0.012，n=136），无进展生存期的风险比为0.31（p=0.002，n=136），数据具有统计学显著性。