PD-L1高表达用于预测免疫检查点抑制剂的治疗有效性，尤其是在晚期食管癌已被广泛研究并证实。但我们的这项研究中针对的是接受新辅助放化疗的患者，并未接受免疫治疗。对于放化疗的患者，PD-L1的高表达提示肿瘤细胞免疫逃逸的可能，因此是一个负向的生存预后指标，这与既往的文献结果是相符的。但是，对于PD-L1高表达的患者，在放化疗的基础上加入PD-1/PD-L1抗体免疫治疗，则有可能逆转该群体不良预后的可能。
习教授：我认为临床和研究其实相辅相成的，相互促进的，因此综合来说，我认为有以下几个方面的价值：
（1）个性化治疗的重要性：肿瘤是一组极其异质性的疾病，即使是同一肿瘤类型的不同患者，其疾病进程和治疗反应也可能大不相同。Siglec-15表达的差异强调了理解和利用这种异质性的重要性，为患者提供更加个性化的治疗方案。
（2）生物标志物的选择和综合治疗决策：Siglec-15的不同表达模式和预后意义揭示了肿瘤间异质性和免疫浸润特性的复杂性，强调了在不同肿瘤类型和亚型中考虑生物标志物表达差异的重要性。结合Siglec-15表达情况与其他标志物（如PD-L1, TMB等）的分析，可以更全面地评估肿瘤的免疫微环境，从而制定更为精准的治疗策略。
（3）研究和开发针对新靶点的新疗法或新药：对Siglec-15及其在不同癌症中作用的深入理解，为开发新的治疗方法提供了基础。这可能包括针对Siglec-15的小分子药物、单克隆抗体或用于增强免疫反应的疫苗策略等等。
习教授：基于这一发现，我们在临床放化疗和免疫治疗中应当更加重视监测淋巴细胞计数的变化，因其可能可以作为预测治疗效果和潜在毒副效应的指标，从而给后续的治疗方案提供一定程度的指导，减少患者并发症的发生风险，改善患者预后情况。目前由于尚未有公认的最适淋巴细胞临界值，因此在制定治疗方案和临床决策时，可考虑设定更高的淋巴细胞临界值作为评估和调整治疗计划的依据，并利用免疫检查点抑制剂的保护作用来维持或提高患者的淋巴细胞水平，从而延长患者的生存期。未来的研究需要进一步优化和验证淋巴细胞临界值，以便在临床实践中更精准地应用。
需要在临床工作中发现类似的相关性，其实并不容易，本质上仍有赖于在长期临床实践中发现规律。但是在现在临床数据来源多样、结构复杂的情况下，临床数据的标准化采集和利用就尤为重要，这也是基础工作。我们需要设计严谨的、前瞻性的临床研究方案，并制定科学、规范、严格的数据采集计划，在临床实践中逐步完成多维、异构数据的采集。这是一个需要长期执行的过程，保障我们临床数据来源的准确可靠和持续性。其次，我们还需要定期对收集到的数据进行监测和分析，甚至通过人工智能等技术手段快速发现和挖掘数据中的趋势和特点，这通常需要肿瘤学、免疫学、生物统计学、人工智能等多学科多团队的合作，共同解析复杂的临床数据，提高数据分析的深度和广度，发现更多数据下的真相。
习教授：这两项研究是我们团队同时开展的两个前瞻性试验。整体来说，这两项研究的主要结果是基本一致的，均提示特瑞普利单抗联合放化疗是安全、有效的，但由于入组群体与统计假设不同，研究结果有一定差异，主要是新辅助治疗组的pCR率未达到统计假设值，但趋势是一致的。
对此我有以下几点思考：（1）患者分层和精准诊断：特瑞普利单抗联合不同治疗方案的治疗结果存在差异，提示了未来需要更深入地研究哪些患者群体最可能从Toripalimab联合治疗中受益，以及是否存在可以预测治疗反应的特定生物标志物或基因表达。这有助于对患者进行更有效的分层，从而制定更精准的治疗方案。（2）探索组合疗法的最优方案：未来的临床试验需要探索不同的药物组合、治疗顺序或治疗强度，以找到最有效的治疗方案。这可能包括但不限于探索Toripalimab与其他类型的化疗药物、靶向疗法或免疫疗法的组合效果。
习教授：首先，我认为还是要坚持基础与临床研究的深度结合，积极寻求机会参与从基础研究到临床应用的全过程。理解基础科学原理与临床实践之间的联系，可以帮助团队提出更具实际意义的研究问题和解决方案，研究的深度和广度也会更强。第二点就是需要持续学习和拥抱新技术：譬如CRISPR基因编辑、单细胞测序技术、深度学习、大模型等等，能够帮助团队提高研究效率和质量。第三点是提高临床医生的统计学和数据分析能力，如果团队成员具有一定的工科背景，可以学习使用R、Python等编程语言进行数据处理和分析。如果没有，也可以采用一些不错的科研数据分析平台，也可能快速解决数据分析的难点，一些平台甚至还可以提供人工智能的建模分析。当然也可以与其他跨学科团队进行合作，也能版主拓宽研究视角，促进创新思维的形成。
未来需要研究的关键问题我认为是非常多的，如个性化治疗、新的生物标志物发现、肿瘤异质性以及免疫微环境研究、抗药性机制研究等。研究过程中，像如何有效地利用人工智能和机器学习技术分析大规模生物医学数据，以发现新的治疗靶点或疾病机制；面对海量的临床医学数据，如何建立有效的数据共享平台和集成不同数据源；如何设计能够更准确反映实际临床情况的研究；如何将研究结果通过人工智能技术融入临床决策过程，提高诊断精度和治疗效果等，都是未来临床研究和诊疗过程中将要面临的挑战，对于肿瘤科医生和年轻研究者而言，不断更新知识、掌握新技术、增强跨学科合作能力，才是面对挑战，解决问题的关键。
联系客服
