研究人员表示，希望之城（City of Hope）和纪念斯隆-凯特琳癌症中心（MSK）的研究团队开发出一种工具，该工具利用机器学习评估非霍奇金淋巴瘤（NHL）患者在接受嵌合抗原受体（CAR）T细胞治疗前的可能反应。这项研究成果已发表在《自然医学》杂志上。
CAR T细胞疗法是近年来抗击血癌领域最具前景的突破之一。然而，超过一半对标准治疗无反应的NHL患者在接受CAR T治疗后，会在六个月内复发或病情恶化。
这种新工具被称为InflaMix（炎症混合模型），旨在通过检测149名NHL患者的一系列血液生物标志物来评估炎症——这是导致CAR T治疗失败的一个潜在原因。借助机器学习（一种通过算法从数据中学习并归纳模式的人工智能技术），该模型能够识别一系列通常不在临床实践中使用的独特血液测试中的炎症生物标志物。
通过分析InflaMix识别出的炎症特征，研究人员发现它与CAR T治疗失败的高风险密切相关，包括死亡或疾病复发的风险增加。值得注意的是，InflaMix是一种无监督模型，这意味着它在训练过程中并未使用任何关于临床结果的信息。
“这些研究表明，通过结合机器学习和血液测试，我们能够开发出一种高度可靠的工具，用于预测哪些患者会对CAR T细胞疗法产生良好反应，”希望之城洛杉矶分部及希望之城国家医疗中心总裁、论文资深作者马塞尔·范登布林克博士（Marcel van den Brink, M.D., Ph.D.）表示，“通过严格的统计方法，我们证明这是预测淋巴瘤患者CAR T治疗结果最经过验证的测试之一，全球的肿瘤学家都可以用它来评估个体患者接受CAR T治疗的风险。”
研究团队指出，该机器学习模型非常灵活，即使仅使用六项常规血液测试（这些测试通常是针对淋巴瘤患者的），也能很好地评估InflaMix的能力。研究人员表示，这一点非常重要，因为这意味着该测试可以推广到绝大多数甚至所有淋巴瘤患者。
“先前的研究表明，炎症可能是影响CAR T细胞疗效不佳的一个风险因素，”纪念斯隆-凯特琳癌症中心的骨髓移植专家、医学肿瘤学家桑迪普·拉吉博士（Sandeep Raj, M.D.）表示，他是这篇《自然医学》论文的第一作者。“我们的目标是进一步完善这一概念，并构建一个强大且可靠的临床工具，用于表征血液中的炎症状态并预测CAR T治疗的结果。”
为了验证团队的初步发现，研究人员还对三个独立队列进行了研究，这些队列包括688名具有广泛临床特征和疾病亚型的NHL患者，并使用了不同的CAR T产品。
接下来，希望之城和纪念斯隆-凯特琳癌症中心的研究人员计划进一步研究由InflaMix定义的血液炎症是否直接影响CAR T细胞的功能，并深入了解这种炎症的来源。
“通过InflaMix，我们可以可靠地识别即将接受CAR T治疗但治疗失败风险较高的患者，”范登布林克博士说，“通过识别这些患者，医生或许能够设计新的临床试验，通过额外的治疗策略来提高CAR T的疗效。”
作为CAR T细胞疗法领域的公认领导者，希望之城自20世纪90年代末启动其CAR T项目以来，已治疗了1700多名患者。该机构目前拥有世界上最全面的CAR T细胞临床研究项目之一，正在进行约70项涉及免疫细胞产品的临床试验，其中大部分为CAR T疗法，覆盖血癌和15种不同实体瘤类型。这些疗法包括希望之城自主研发的治疗方案以及行业赞助的治疗方法。
该团队的研究部分得到了美国国立卫生研究院（National Institutes of Health）、美国国家癌症研究所（National Cancer Institute）以及纪念斯隆-凯特琳癌症中心支持基金的资助。这项工作主要在纪念斯隆-凯特琳癌症中心完成，在2024年加入希望之城之前，范登布林克博士在此工作了二十多年。
(全文结束)
