EHA 2025大会报告丨老年血液学：从造血干细胞（HSC）到 人工智能

编者按：近日，EHA 2025大会报告（EHA Perspectives Congress Reports）正式发布，分为恶性血液学和非恶性血液学两大部分。报告全面梳理了大会期间公布的重大科研成果与临床进展，为全球血液学专业人士提供了深入了解领域前沿动态的权威参考。本期特别整理了恶性血液学报告中关于“老年血液学：从HSC到AI”的专题内容，旨在为大家提供富有价值的临床与科研洞见。

精选演讲概览

衰老性炎症与克隆性造血：微生物与炎症驱动因素在造血干细胞衰老中的作用

Markus Manz教授详细介绍了“衰老性炎症”（InflammAging）这一新兴概念——一种伴随衰老而出现的慢性炎症状态，它影响造血干细胞（HSC）功能并促进克隆性造血。他指出，与年龄相关的肠道微生物群失调是关键因素之一，因为它增加了肠道通透性，使微生物产物进入血液循环，从而引发慢性骨髓（BM）炎症[1]。

持续的炎症信号暴露，如感染和微生物代谢物，会导致造血干细胞衰竭、分化偏差和再生潜力的降低[1-2]。随着时间的推移，这种炎症应急环境促进了突变的积累、多样性的丧失以及突变克隆的扩展——这些是不确定潜力的克隆性造血和与年龄相关的克隆性造血的标志。像Tet2和Dnmt3a等基因突变在这一背景下尤为常见[3-5]。此外，炎症不仅有利于这些突变克隆的生长，还增加了恶性转化的风险，尤其是在伴随二次打击的情况下。

老年骨髓中白介素（IL）-1信号通路的增强已被认为是驱动造血干细胞功能障碍和克隆性优势的关键途径[5-6]。实验模型表明，阻断IL-1或去除微生物刺激（例如在无菌或IL1R1缺失小鼠中）可以预防与年龄相关的造血干细胞衰退[6]。这些发现突显了炎症和微生物信号在塑造衰老造血微环境中的作用。靶向IL-1信号通路和微生物群来源的炎症可能为减缓造血衰老、减少克隆性进展至白血病的风险提供新的治疗策略[7]。

深度学习模型可通过单细胞转录组数据预测造血干细胞/多能祖细胞（HSC/MPP）的生理年龄

为了探讨衰老对造血干细胞和祖细胞（HSCPs）的影响，研究人员展示了他们对六个公开可用的单细胞RNA测序数据集的分析结果，并由此创建了一个覆盖人类生命周期的大约193,000个CD34+ Lin- HSCPs的综合图谱。根据已知标志物（如AVP、HOPX和MLLT3）的表达情况，识别出了约64,000个造血干细胞（HSC）/多能祖细胞（MPPs）的子集。

采用矩阵分解方法，定义了七个分子程序，捕捉了HSC/MPPs的功能异质性。这些程序表现出年龄和疾病特异性富集，涉及骨髓增生异常综合征（MDS）、骨髓纤维化和B细胞前体急性淋巴细胞白血病（BCP-ALL）。经过训练的模型预测了BCP-ALL HSC/MPPs中的早期衰老特征，但未能在MDS中观察到，这表明转录年龄重编程的机制可能存在差异。该方法可能为未来针对衰老通路的治疗策略提供指导，帮助应对与衰老相关的再生性恶性肿瘤[8]。

免疫效应功能障碍评分：AML的预后指标

技术进步使我们能够更深入地表征急性髓系白血病 (AML) 中的肿瘤微环境 (TME)，从而揭示导致疾病进展的机制。先前的研究发现，自然杀伤（NK）样衰老CD8+ T细胞是免疫应答不佳的标志。基于这些发现，在今年的EHA大会上，一项报告介绍了一种免疫效应功能障碍（IED）预后指数，该指数根据基因表达将AML细胞分为衰老/NK高和衰老/NK低两组[9]。IED特征主要由T细胞和NK细胞在TME中表达。在BEAT-AML2的真实世界队列中，高IED评分与接受强化化疗治疗的患者预后不良相关。当与AML干性标志物（如LSC17）结合时，IED指数有助于区分具有良好（IED低/干性低）和较差预后的亚组[10]。

单细胞分析进一步鉴定出一种在AML中富集的TEMRA/衰老样（SenL）T细胞，这些细胞与化疗反应差相关。这些细胞与I/II型干扰素信号、氧化磷酸化、脂肪酸代谢和活性氧物质产生相关，且可能是AML肿瘤细胞诱导的，而非旁观者T细胞的浸润。高IED评分（NK样CD8+ TEMRA状态）也与米哚妥林（体外）、维奈克拉（离体）以及帕博利珠单抗联合阿扎胞苷治疗疗效不佳相关。此外，ipilimumab无反应患者的骨髓中，富集了表达NK细胞标志物和趋化因子的TEMRA样细胞，这些细胞重塑了TME。靶向骨髓炎症和衰老可能增强AML治疗的疗效。

人工智能在血液学与老年医学交叉领域的未来

随着预期寿命的延长，越来越多的人，包括老年患者，正在与血液系统恶性肿瘤共存。这些患者通常面临多种合并症和药物治疗问题，使得治疗方案的制定，尤其是药物相互作用的管理，变得更加复杂。然而，在美国食品药品监督管理局（FDA）批准的1000 多种人工智能（AI）医疗设备中，只有2%用于血液学领域，其中只有3种用于老年护理[11-12]。

此次报告探讨了AI如何帮助填补这一空白，并塑造老年血液学的未来。潜在的应用包括显微镜检查、血液和细胞分析、核型分析和基因组解读的自动化，从而更准确地区分恶性与非恶性病例。大语言模型（LLMs）已被用于基于形态学的诊断，在21,926个案例中，AI提出的结果有75%被接受[13]。展望未来，AI可能成为实时工作流程的一部分，如病史采集、文档处理和诊断，在这些方面其准确率已经超过医生（92% vs. 74%）。尽管如此，这一潜力在临床应用的程度仍然较低。到2030年，集成诊断仪表板可能会结合实验室结果、微小残留病、基因组学和数字孪生模拟，为动态预后预测和治疗指导提供支持。最终，AI可能通过简化工作流程和使临床医生能够花更多时间与患者互动，增强而非取代临床护理[13]。

LLM辅助决策在老年血液学中的应用

当前的决策工具常常忽视老年患者复杂的多维特征。大语言模型（LLM）为解决这一问题提供了新的潜力，它们能够分析病史、检测结果和文献，提供个性化的治疗建议。像CancerLLM和RadOnc-GPT这样的工具已显示出在改善病理报告中的表型提取和帮助老年肿瘤学家跟进最新科研证据方面的潜力[14-15]。LLM还可以有效地协助记录[16]。Esther Lueje博士在演讲中强调了这些模型的巨大潜力，但其应用也伴随着一些风险，如幻觉、临床错误、非结构化数据的处理难题，以及对工作人员培训和数据隐私保护的需求。然而，若使用得当，AI能够支持临床判断，减轻行政负担，使临床医生能够将更多时间和精力集中在最重要的事情上——患者护理[17]。

参考文献：

[1]Balmer ML, et al. Microbiota-derived compounds drive granulopoiesis signaling. 2014;193(10):5273-5283. steady-state via J MyD88/TICAM Immunol.

[2]Caiado F, et al. Inflammation as a regulator of hematopoietic stem cell function in disease, aging, and clonal selection. J Ex p Me d. 2021;218(7):e20201541.

[3]Meisel M, et al. Microbial signals drive pre-leukaemic myeloproliferation in a Tet2-deficient host. Nature. 2018;557(7706):580-584.

[4]Hormaechea-Agulla D, et al. Chronic infection drives Dnmt3a-loss-of function clonal hematopoiesis via IFNγ signaling. Cell Stem 2021;28(8):1428-1442.e6.

[5]Caiado F, et al. Aging drives Tet2+/- clonal hematopoiesis via IL-1 signaling. Blood. 2023;141(8):886-903.

[6]Kovtonyuk LV, et al. IL-1 mediates microbiome-induced inflammaging of hematopoietic stem cells in mice. Blood. 2022;139(1):44-58.

[7]Manz MG. Aging in HSCs. Oral presentation p101-1 at EHA2025.

[8]Wang G. STEM CELL AGING CLOCK: A DEEP LEARNING DRIVEN FRAMEWORK FOR PREDICTING STEM CELL AGE. Oral abstract s332 at EHA2025.

[9]Rutella S, et al. Immune dysfunction signatures predict outcomes and define checkpoint blockade unresponsive microenvironments in acute myeloid leukemia. J Clin Invest. 2022;132(21):e159579.

[10]Rutella S. BM inflammation; effects on clinical outcome and immune response in myeloid malignancies. Oral presentation p101-3 at EHA2025.

[11]Muralidharan V, et al. A scoping review of reporting gaps in FDA-approved AI medical devices. NPJ Digit Med. 2024;7(1):273.

[12]www.fda.gov.

[13]Haferlach T. The future of AI in the intersection of hematology and geriatrics. Oral presentation p252-1 at EHA2025.

[14]Li et al. arXiv. 2024:2406;10459.

[15]Liu Z, et al. arXiv. 2023;abs/2309.10160.

[16]Dayan R et al., Age against the machine-susceptibility of language models to large cognitive impairment: cross sectional analysis BMJ. 2024;387:e081948.

[17]Lueje E. LLM-assisted decision-making in geriatric hematology. presentation p252-2 at EHA2025.