Auswertung und Quantifizierung der Ausprägung von CTLA-4 positiven Zellen in 90 Tumorentitäten mittels KI-unterstützter Analyse

Abstract

CTLA-4 ist ein inhibitorischer Immun-Checkpoint-Rezeptor und ein negativer Regulator der Anti-Tumor-Wirkung von T-Zellen. Ziel dieser Studie war eine vergleichende Analyse der CTLA-4+-Zellen zwischen verschiedenen Tumorentitäten. Zur Quantifizierung der CTLA-4+-Zellen wurden 4582 Tumorproben von 90 verschiedenen Tumorentitäten sowie 608 Proben von 76 verschiedenen Normalgewebetypen mittels Immunhistochemie in einem Gewebe-Mikroarray-Format analysiert. Zwei verschiedene Antikörperklone (MSVA-152R und CAL49) wurden mit Hilfe eines Deep-Learning-Systems zum automatischen Ausschluss unspezifischer Immunfärbung validiert und quantifiziert. Der Vergleich der beiden CTLA-4-Antikörper ergab ein klonabhängiges unspezifisches Färbemuster in Nebennierenrindenadenomen (63 %) für MSVA-152R undin Phäochromozytomen (67 %) sowie hepatozellulären Karzinomen (36 %) für CAL49. Nach dem automatischen Ausschluss unspezifischer Färbereaktionen (3,6 %) wurde eine starke Korrelation zwischen den mit beiden Antikörpern ermittelten Dichten von CTLA-4+-Lymphozyten festgestellt (r = 0,87; p < 0,0001). Eine hohe CTLA4+-Zelldichte war verbunden mit einer niedrigen pT-Kategorie (p < 0,0001), pN0 Stadium (p = 0,0354) und PD-L1-Positivitäz in Tumorzellen oder Entzündungszellen (jeweils p < 0,0001). Ein hohes CTLA-4/CD3 Verhältnis stand im Zusammenhang mit fehlenden Lymphknotenmetastasen (p = 0,0295) und mit PD-L1-Positivität auf Immunzellen (p = 0,0026). Es bestehen deutliche Unterschiede in der Anzahl der CTLA-4+-Lymphozyten zwischen den Tumoren. Die Analyse von zwei unabhängigen Antikörpern durch ein Deep-Learning-Framework kann die automatisierte Quantifizierung von immunhistochemisch analysierten Zielproteinen wie CTLA-4 erleichtern.

CTLA-4 is an inhibitory immune checkpoint receptor and a negative regulator of anti-tumor T-cell function. This study is aimed for a comparative analysis of CTLA-4+ cells between different tumor entities. To quantify CTLA-4+ cells, 4582 tumor samples from 90 different tumor entities as well as 608 samples of 76 different normal tissue types were analyzed by immunohistochemistry in a tissue microarray format. Two different antibody clones (MSVA-152R and CAL49) were validated and quantified using a deep learning framework for automated exclusion of unspecific immunostaining. Comparing both CTLA-4 antibodies revealed a clone dependent unspecific staining pattern in adrenal cortical adenoma (63%) for MSVA-152R and in pheochromocytoma (67%) as well as hepatocellular carcinoma (36%) for CAL49. After automated exclusion of non-specific staining reaction (3.6%), a strong correlation was observed for the densities of CTLA-4+ lymphocytes obtained by both antibodies (r = 0.87; p < 0.0001). A high CTLA-4+ cell density was linked to low pT category (p < 0.0001), absent lymph node metastases (p = 0.0354), and PD-L1 expression in tumor cells or inflammatory cells (p <0.0001 each). A high CTLA-4/CD3-ratio was linked to absent lymph node metastases (p =0.0295) and to PD-L1 positivity on immune cells (p = 0.0026). Marked differences exist in the number of CTLA-4+ lymphocytes between tumors. Analyzing two independent antibodies by a deep learning framework can facilitate automated quantification of immunohistochemically analyzed target proteins such as CTLA-4.