背景食管鳞状细胞癌(esophageal squamous cell carcinoma,ESCC)做为食管癌最常见Dinaciclib体外的一种病理类型,其临床分期、特别是淋巴结分期,对患者治疗决策及预后具有重要意义。研究证实,已发生淋巴结转移的局部进展期ESCC患者,新辅助化疗联合免疫治疗取得突破性效果,但仍有部分患者对免疫治疗耐药,具体机制尚未明确。因此精准进行ESCC分期分型,根据其肿瘤微环境(tumor microenvironment,TME)异质性制定个性化治疗方案成为目前的研究热点。目的1.基于患者PET/CT影像,利用多任务深度学习算法挖掘包含肿瘤及与淋巴结分期高度相关的影像特征,构建全自动淋巴结分期预测模型。2.ESCC患者分子分型后探索各亚型TME,鉴别可能预测新辅助免疫治疗疗效的潜在生物标志物,以精准制定治疗方案和预测患者预后。方法1.模型构建:收集多中心共689例ESCC的PET/CT影像数据,分为一个培训队列和两个外部验证队列;通过U-Net plus多器官分割获得CT图像的解剖信息,基于梯度方法获得PET图像的代谢信息,构建基于人工智能的计算机辅助诊断系统(artificial intelligence-based computer-aided diagnosis system,AI-CAD)并进行验证。2.转录测序:103例ESCC手术患者分为回顾性队列(66例未接收新辅助治疗)和前瞻性队列(37例接受新辅助化疗联合免疫治疗),转录测序确定分子亚型,根据亚型差异基因建立预测模型,多重免疫荧光验证亚型特异性TME特征。3.生物标志物筛选:单变量逻辑回归识别亚型中潜在预测新辅助免疫疗效和预后的生物标志JNJ-42756493半抑制浓度物,转录组数据评估介导免疫治疗反应的可能机制。结果第一部分基于18F-FDG PET/CT深度学习预测ESCC淋巴结转移在AI-CAD辅助下,影像学专家诊断性能显著提高[准确率(95%CI)提高到 0.833(0.797-0.865),特异性提高到 0.891(0.851-0.928);P<0.001]。AI-CAD预测可做为无进展生存期和总生存期的独立older medical patients预后因素(多变量调整风险比:1.572-2.597)。第二部分转录测序揭示ESCC分子分型及TME特征无监督聚类分析将ESCC分为四个亚型:代谢亚型(C1)、间充质亚型(C2)、免疫亚型(C3)和G蛋白偶联受体亚型(C4)。其中C2最具侵袭性,表现为免疫不利微环境,与调节型T细胞、辅助型T细胞2正相关,B细胞、效应T细胞和肥大细胞浸润较少。而C3亚型B细胞浸润增多且富集免疫通路,预后良好。第三部分基于ESCC分子亚型探索免疫治疗疗效相关生物标志物PLEK2、IFI6在C2亚型高表达,与免疫耐药[PLEK2high,OR(95%CI):2.15(1.07-4.33),P=0.032;IFI6high,OR(95%CI):2.21(1.16-4.23),P=0.016]、预后差相关;COL19A1在C3亚型高表达,预示良好免疫疗效和预后。结论AI-CAD能够辅助影像学专家更精准预测ESCC淋巴结转移,COL19A1高表达的局部进展期ESCC患者新辅助免疫治疗效果好,而PLEK2、IFI6高表达者免疫耐药。