2024年7月发表在《Nature Communications》（IF:14.7）的研究文章：“一种通过临床-组织学-基因组分析整合的多分类器系统，用于预测状肾细胞癌的复发，A multi-classifier system integrated by clinico-histology-genomic analysis for predicting recurrence of papillary renal cell carcinoma”。文章介绍了一种多分类器系统，整合临床、组织学和基因组分析来预测乳头状肾细胞癌（pRCC）手术后的复发情况，该系统被证明是一个实用且可靠的预测工具，可以与当前的分期系统结合使用，以更准确地预测疾病进程并为个体化辅助治疗策略提供信息。
一、人群纳入
二、结果：
1、多分类器系统的构建
作者分别利用长链非编码 RNA（lncRNA）、全玻片图像（WSI）和临床病理因素开发这三种分类器。然后，集成这三个分类器，开发了一个多分类器系统（图2）。
1.1基于lncRNA的分类器构建
热图显示53对pRCCs组织中40种lncRNA的表达水平，然后采用LASSO Cox回归模型选择4种lncRNA，构建基于lncRNA的RFS风险评分，评估基于lncRNA的风险评分与疾病复发状态之间的关联。显示风险评分较高的患者复发率高（图2A）。
1.2基于WSI的分类器构建
作者从训练集中选择182名预后明显良好或较差的pRCC患者作为发展集。然后，使用每个患者的代表性H&Estained FFPE肿瘤组织切片来扫描其数字WSI，并应用深度学习来创建基于WSI的分类器，用于预测pRCC患者的复发。同样WSI的风险评分较高的患者复发率也较高（图2B）。
1.3基于临床病理的分类器构建
作者利用单变量和多变量COX回归分析评估年龄、性别、分级和病理分期等几个临床病理因素，发现分级和病理分期是预测训练集中RFS的重要因素。因此，使用基于两个预测因子的COX回归开发了临床病理分类器（图2C）。
2、在训练集中构建多分类器系统和两个独立的集合验证多分类器系统
接下来，基于lncRNA的分类器、基于WSI的分类器和临床病理分类器，开发了一个多分类器系统。利用Cox回归系数整合上述三个分类器得到多分类器风险分数，发现多分类器风险评分显著高于单独的任何单一分类器（C-index 0.661–0.760，所有比较的p<为0.01）。
为了评估该多分类器系统的可重复性和有效性，作者在独立验证集和TCGA集中进行了测试。分别将两个验证集分为高风险和低风险组，我们发现高风险组患者的无复发生存期（RFS）和总生存期（OS）比低风险组患者短。在校正临床变量（年龄、性别、分期和分级）后，多分类器系统仍然是预测三组RFS和OS的独立预后因素（所有p <0.05）（图3）。
3、多分类器系统的分层分析和nomogram构建
通过临床变量（年龄、性别、等级和阶段）分层时，多分类器系统仍然是一个用于预测793名pRCC患者中的RFS和OS的临床和统计学显著的预后模型（对所有比较p <0.05，图4）。
此外，作者构建了一个结合了基于lncRNA的分类器、基于WSI的分类器和临床病理学变量（分期和分级）的列线图，为临床医生提供了一种定量方法，用于预测pRCC患者3年、5年和7年的无复发概率。校准图显示，列线图在训练集、独立验证集和TCGA集中预测效果良好（图5）。
4、将多分类器风险评分与TCGA数据集中的其他生物标志物相结合
在TCGA数据集中基于CIMP、DNA甲基化、mRNA和microRNA分析定义了几种 pRCC簇。此项研究将这些基于分子簇的分析与TCGA集中的多分类器风险评分进行了比较，发现多分类器风险评分在预测RFS方面比任何基于分子簇的方法都更准确。然后根据患者的肿瘤是否具有 CIMP 高甲基化模式，基于多分类器比较患者之间的风险评分，值得注意的是，RFS在具有CIMP模式和基于多分类器的超高风险评分的pRCC患者中最差。这表明我们的多分类器系统与 CIMP 密切相关，可以准确预测 CIMP 模式（图6）。
三、结论
本研究结合基于四种长链非编码 RNA（lncRNA）、全玻片图像（WSI）和临床病理学的分类器，生成了一个多分类器风险评分，为局部 pRCC 患者开发并验证了一种实用的多分类器系统，该系统可以补充当前的分期系统，以更高的准确性预测肿瘤复发。我们基于多分类器的风险评分根据术后疾病复发的风险区分局限性 pRCC 患者，从而能够对辅助治疗做出更明智的决策。
概普生物 让科研丰富
