Quantificazione automatica dei linfociti infiltranti il tumore mediante machine learning rivela caratteristiche prognostiche e immunogenomiche nel cancro polmonare

Perché contare piccole cellule immunitarie nei tumori polmonari è importante

Il cancro al polmone rimane uno dei tumori più letali, ma non tutti i tumori si comportano allo stesso modo. Alcuni sono sorvegliati intensamente da cellule immunitarie che penetrano nel tessuto tumorale, mentre altri restano quasi intoccati. Questi linfociti infiltranti il tumore, o TIL, possono dare indicazioni su come andrà il paziente e se potrebbe trarre beneficio dai farmaci immunoterapici moderni. La sfida è che oggi i TIL sono solitamente contati a occhio al microscopio, una pratica lenta e soggettiva. Questo studio pone una domanda attuale: possiamo usare il machine learning per misurare automaticamente queste cellule su vetrini di routine e che cosa rivela ciò sulla biologia del cancro polmonare e sulla sopravvivenza dei pazienti?

Trasformare i vetrini ordinari in mappe digitali

I ricercatori si sono concentrati sull’adenocarcinoma polmonare, un tipo comune di cancro al polmone, utilizzando dati pubblici del Cancer Genome Atlas insieme a un set indipendente di pazienti del loro ospedale. Per ciascun paziente hanno analizzato i vetrini standard colorati con ematossilina ed eosina (H&E), le immagini rosa e viola note a ogni patologo. Con il software open‑source QuPath hanno costruito una pipeline a più passaggi: prima hanno corretto le differenze di colore tra i vetrini; poi hanno usato un algoritmo watershed per separare i nuclei cellulari sovrapposti; infine, un classificatore addestrato ha etichettato ogni cellula rilevata come tumorale, tessuto di supporto (stroma) o linfocita. Due patologi esperti hanno ripetutamente revisionato e corretto il lavoro della macchina finché non ha riconosciuto in modo affidabile i diversi tipi cellulari da sola.

Collegare il conteggio delle cellule immunitarie agli esiti dei pazienti

Una volta che il sistema ha potuto identificare le cellule con sicurezza, il gruppo ha calcolato quanti linfociti erano presenti per millimetro quadrato di tessuto tumorale per oltre 300 pazienti. Hanno riscontrato che i livelli di TIL variavano ampiamente e in media rappresentavano solo una piccola frazione di tutte le cellule. Utilizzando un approccio statistico per trovare la soglia più informativa, hanno scelto 135 TIL per millimetro quadrato come linea di demarcazione tra tumori “ad alto” e “a basso” carico di TIL. I pazienti i cui tumori superavano questa soglia vivevano più a lungo rispetto a quelli con scarsa infiltrazione immunitaria, e questo schema è rimasto valido sia nel gruppo originale sia in quello di validazione. In altre parole, un numero semplice prodotto da uno strumento automatizzato ha catturato differenze significative nella sopravvivenza, facendo eco a studi precedenti, più laboriosi, che si basavano sul conteggio manuale.

Com’è fatto un tumore ricco di cellule immunitarie

Poiché erano disponibili dati genetici e molecolari per molti di questi tumori, gli autori hanno potuto esplorare cosa distingueva i tumori ad alto TIL da quelli a basso TIL oltre al semplice conteggio cellulare. I tumori presi d’assalto dai linfociti mostravano segnature più forti di attività immunitaria: geni coinvolti nel riconoscimento di proteine anomale, nella loro presentazione alle cellule T e nel coordinamento dell’attacco immunitario risultavano tutti più attivi. Questi tumori presentavano anche una gamma più ampia di mutazioni del DNA, che possono creare nuovi bersagli per il sistema immunitario. Al contrario, i tumori a basso TIL favorivano geni legati all’assemblaggio dei ribosomi e alla sintesi proteica, segno di una macchina di crescita intensa ma di un coinvolgimento immunitario relativamente silenzioso. Questa divisione rispecchia il contrasto ormai familiare tra tumori “caldi”, ricchi di cellule immunitarie e più propensi a rispondere all’immunoterapia, e tumori “freddi”, che il sistema immunitario per lo più ignora.

Addestrare un computer a prevedere lo stato immunitario

Il gruppo è andato oltre e ha chiesto se un insieme compatto di caratteristiche d’immagine potesse prevedere se un tumore rientrasse nella categoria ad alto o basso TIL senza contare esplicitamente ogni singolo linfocita. Hanno riassunto pattern testurali sottili nei vetrini—come cambiano le intensità dei pixel in piccoli vicinati—in quelle che si chiamano caratteristiche di Haralick, e le hanno combinate con lo stadio clinico del tumore in un modello random forest. In validazione incrociata questo classificatore ha separato correttamente tumori ad alto e basso TIL con buona accuratezza, e ha mantenuto prestazioni ragionevoli in una coorte ospedaliera indipendente. È importante che l’intero approccio giri su computer standard usando software liberamente disponibile, il che suggerisce che molti laboratori di patologia potrebbero, in linea di principio, adottarlo senza hardware specializzato.

Cosa significa per la cura futura del cancro al polmone

Per un non specialista, il messaggio chiave è che un computer può imparare a leggere i vetrini di routine del cancro polmonare in modo da cogliere quanto energicamente il sistema immunitario ha reagito al tumore. Alti livelli di linfociti infiltranti segnalano una battaglia immunitaria più attiva, un panorama mutazionale più ricco e una sopravvivenza complessiva migliore. Sebbene siano necessari ulteriori studi—soprattutto su pazienti trattati con immunoterapia—questo metodo automatizzato potrebbe alla fine aiutare i medici a classificare i tumori come immunologicamente “caldi” o “freddi” in modo rapido e coerente. Ciò, a sua volta, potrebbe indirizzare le decisioni su chi è più suscettibile di beneficiare di terapie basate sul sistema immunitario e stimolare nuove strategie per rendere caldi i tumori freddi.

Citazione: Li, A., Pang, Y., Zhang, H. et al. Automated quantification of tumor-infiltrating lymphocytes by machine learning reveals prognostic and immunogenomic features in lung cancer. Sci Rep 16, 7006 (2026). https://doi.org/10.1038/s41598-026-37076-y

Parole chiave: adenocarcinoma polmonare, linfociti infiltranti il tumore, machine learning, patologia digitale, immunoterapia oncologica