作者：2017级本科生 李梓瑜 医学院生物医学工程系

指导老师：应葵 工程物理系

关键词：统计分析 神经网络 CAR-T

摘要

CAR-T疗法就是嵌合抗原受体T细胞免疫疗法，此疗法在癌症治疗上有广泛的前景，但临床应用时间尚短，目前量化描述CAR-T疗效影响因子对疗效影响的研究仍较少，而准确有效的疗效预测对于医生的临床决策意义重大。

本研究旨在运用在燕达陆道培医院已进行CAR-T治疗的254例B-ALL患者在治疗前检查得到的基本信息、临床数据和基因信息与患者治疗后的疗效信息搭建统计模型和神经网络模型，以实现通过以上信息对CAR-T对B-ALL疗效的预测。

研究得到了包含5个因素的多因素logistic回归模型，和两个分别包含4个因素的多因素cox回归模型，分别量化描述了这些因素对接受CAR-T疗法患者的血液学缓解率、OS和DFS的影响。研究得到的分类全相连神经网络在预测血液学缓解率、OS和DFS时均取得较好成绩。

背景介绍

CAR-T疗法就是嵌合抗原受体T细胞免疫疗法，可以简短通俗地将原理解释如下：该疗法通过赋予了T细胞嵌合抗原受体，使得T细胞具有了特异性分辨癌细胞的能力，让T细胞能够攻击癌细胞的同时不攻击正常细胞^[1]。这个疗法在血液癌治疗领域已得到临床应用。但CAR-T疗法临床应用时间尚短，目前量化描述CAR-T疗效影响因子对疗效影响的研究仍较少，也缺乏对应的预测模型依据患者的相关信息进行CAR-T疗效预测。这种预测对于临床治疗方案的选择是非常重要的。

图1 CAR-T治疗流程示例

模型架构

我们对疗效的衡量主要依据CAR-T治疗的血液学缓解情况、患者的总生存期（OS）和无病生存期（DFS）三个维度，模型搭建时综合运用了统计分析和神经网络。其中统计分析给出了影响患者血液学缓解率、OS和DFS的关键因素及其定量分析，神经网络完成了对血液学缓解率、OS和DFS的预测。模型的架构如下图所示。

图2 模型架构

统计分析结果

Logistic分析的结果如下：

表1 Logistic分析结果

分析显示影响患者接受CAR-T治疗后血液学缓解率的预后不良因素包括女性、基因TP53的突变、骨髓原始细胞浓度大于20%，不出现神经毒性反应和使用CD28 CAR-T受体。

Cox分析的结果如下：

表2 Cox分析结果

分析显示影响患者接受CAR-T治疗后OS（总生存期）的预后不良因素包括TP53突变，未接受过骨髓移植和细胞因子风暴。影响DFS（无病生存期）的预后不良因素包括未接受骨髓移植、细胞因子风暴、神经毒性反应和低白细胞回输计量。

神经网络预测结果

研究得到的分类全相连神经网络在预测患者血液学是否缓解时在训练集和测试集达到了超过93%的预测准确率，生存分析全相连神经网络在预测患者的OS和DFS时均达到了超过0.70的c-index。

[1] June, Carl H, Roddy S O'Connor, Omkar U Kawalekar, Saba Ghassemi, and Michael C Milone. "CAR T Cell Immunotherapy for Human Cancer." Science (New York, N.Y.) 359.6382 (2018): 1361-365. Web.