Impact of EGFR-TKI Treatment on the Tumor Immune Microenvironment in <i>EGFR</i> Mutation–Positive Non–Small Cell Lung Cancer
Notice bibliographique
Résumé
Abstract Purpose: The impact of EGFR tyrosine kinase inhibitors (TKI) on the tumor immune microenvironment (TME) in non–small cell lung cancer (NSCLC) is unclear. Experimental Design: We retrospectively identified 138 patients with EGFR-mutated NSCLC who underwent rebiopsy after progression during EGFR-TKI treatment. PD-L1 and CD73 expression in tumor cells and tumor-infiltrating lymphocyte (TIL) density at baseline and after progression were determined by IHC. Tumor mutation burden (TMB) was determined by next-generation sequencing. Results: The proportion of patients with a PD-L1 expression level of ≥50% (high) increased from 14% before to 28% after EGFR-TKI (P = 0.0010). Whereas CD8+ and FOXP3+ TIL densities were significantly lower after EGFR-TKI treatment than before, CD8+ TIL density was maintained in tumors with a high PD-L1 expression level. Expression of CD73 in tumor cells after EGFR-TKI treatment was higher than that before in patients with a high PD-L1 expression level. TMB tended to be higher after EGFR-TKI treatment than before (3.3→4.1 mutations/Mbp, P = 0.0508). Median progression-free survival for subsequent treatment with antibodies to PD-1 was longer for patients with a high than for those with a low PD-L1 expression after EGFR-TKI (7.1 vs. 1.7 months, P = 0.0033), and two of five patients whose PD-L1 expression level changed from low to high after EGFR-TKI treatment achieved a PFS of >6 months. Conclusions: EGFR-TKI treatment was associated with changes in the TME of EGFR-mutated NSCLC, and such changes may provide clues for optimization of subsequent PD-1 inhibitor treatment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».