近日，西奈山伊坎医学院Diego Chowell博士团队与纪念斯隆-凯特琳（MSK）癌症中心Luc G. T. Morris博士团队合作，开发了机器学习模型SCORPIO。在不使用昂贵的基因组学或免疫系统分析的情况下，SCORPIO模型仅依赖于常规血液检测和基本临床数据即可预测癌症患者对ICI治疗的反应，且比FDA批准的生物标志物（如肿瘤突变负荷（TMB）和PD-L1免疫组化）更有效。

SCORPIO模型是利用9,745名接受ICIs治疗的患者数据进行了开发和验证，涉及21种癌症类型，包括膀胱癌、肝胆癌、黑色素瘤、非小细胞肺癌（NSCLC）、肾细胞癌（RCC）和小细胞肺癌（SCLC）等。这是迄今为止癌症免疫治疗研究领域最大的数据集。

研究团队收集了2014年至2019年在MSK癌症研究所接受ICI治疗的17种癌症类型的2035名患者的数据，随机分为训练集（n = 1628）和保留数据集（n = 407）。研究人员使用训练集数据开发机器学习模型，在保留数据集和另外2104名接受ICI治疗的MSK患者的独立队列中进行了内部验证；在来自10项全球III期临床试验的4447名接受ICI治疗的患者和在西奈山医疗系统（MSHS）接受ICI治疗的1159名患者的真实世界队列中进行了外部验证。

在模型训练之前，研究团队对训练集进行了特征选择分析，以识别与ICI治疗结果相关的特征（图1b）。利用人口统计学、临床和常规实验室血液检测数据，研究团队开发了两个机器学习模型来预测ICI治疗后的反应，其中一个用于预测总生存期，另一个用于预测临床获益（CR、PR和SD≥6个月），并在保留数据集中选择了表现最好的模型SCORPIO（图1c）。

图：研究设计和分析。

在保留数据的内部验证中，用于预测总生存期的模型SCORPIO预测了ICI治疗后6、12、18、24和30个月的总生存期，中位泛癌AUC(t)为0.763（图2），优于TMB（AUC(t)为0.503）。此外，在预测ICI的临床获益时，SCORPIO模型预测的泛癌AUC(t)为0.714，超过了SCORPIO-CB（泛癌AUC(t)为0.701）和TMB（泛癌AUC(t)为0.546）。SCORPIO在所有癌症类型中的表现始终优于SCORPIO-CB和TMB。

在MSK患者独立队列的内部验证中，SCORPIO模型在预测6、12、18、24和30个月的总生存时，AUC(t)为0.759，优于TMB，其中位AUC(t)值为0.543。在预测ICI的临床获益时，SCORPIO模型表现出优越的预测性能，泛癌AUC(t)为0.641。

值得注意的是，SCORPIO在预测总体生存期和临床获益方面优于大多数癌症类型特异性模型，表明在大型泛癌症数据上训练的SCORPIO成功地学习了癌症类型之间的相关关系。

外部验证使用10项全球3期试验（6种癌症类型的4447名患者）和来自MSHS的真实队列（18种癌症类型的1159名患者）进行。在这些外部队列中，各种性能指标表明，SCORPIO在预测临床获益和总生存期方面保持了强劲的表现，优于PD-L1免疫组化。

图：SCORPIO模型在所有真实世界队列、III期临床试验和不同肿瘤类型中的表现。

ICI是一种很有前景的癌症治疗方法，但并不是对所有人都有效。目前，医生使用昂贵的检测，如遗传或免疫系统分析，试图预测哪些患者将受益。这些检测可能是昂贵、耗时、不准确的，并且不是每个医院都能提供。SCORPIO模型仅依赖于广泛可用和负担得起的常规血液检测，而且在预测患者对ICI治疗反应方面，也优于现有的FDA批准的生物标志物，这使得预测治疗反应更快、更简单、更准确、更实惠，为精确肿瘤学工具设定了新的基准。

持续的算法改进将提高SCORPIO的准确性和预测能力，有可能将其应用扩展到其他癌症治疗。总体而言，这些可以帮助SCORPIO成为个性化肿瘤学的重要工具，提高全球患者的ICI治疗疗效和医疗保健效率。研究团队还希望将SCORPIO扩展到全球使用，使其在资源有限的环境中可用，以促进个性化癌症护理的公平获得。