首页 > 文章详情

虚拟活检、数字孪生与 AI 预测：未来肺癌诊疗的“智慧图谱”已开启

03月05日

编译：肿瘤资讯

来源：肿瘤资讯

肺癌仍是全球癌症死亡的主要原因之一。尽管近年来免疫治疗、靶向治疗及抗体偶联药物（ADCs）取得了突破，但由于早期症状不明显，多数患者确诊时已处于晚期，五年生存率依然较低。近年来，人工智能（AI）尤其是机器学习（ML）和深度学习（DL）的飞速发展，正在从筛查、诊断、生物标志物发现到药物研发的各个环节，深度重塑肺癌的诊疗范式。

一、早期筛查：在剂量与精度间寻找最优解

早期筛查是降低肺癌死亡率的关键。国家肺筛查试验（NLST）已证明低剂量 CT（LDCT）可显著降低死亡率，但频繁筛查带来的辐射暴露风险不容忽视^[1]。

影像质量优化：基于深度学习的去噪（DLD）算法结合迭代重建技术，显著提升了超低剂量 CT（ULDCT）的图像质量，使其在大幅降低辐射强度的同时，能达到与标准剂量相当的结节评估准确度。
自动化检测与分类：卷积神经网络（CNN）等深度学习模型在肺结节的检测、分割及良恶性鉴别上表现优异，其性能已可达到甚至超越放射科医师的平均水平，显著降低了阅片负担。

二、精准诊断：病理与多模态数据的深度融合

AI 正在推动传统病理学向“计算病理学”跨越，实现更深层次的肿瘤特征挖掘^[2]。

计算病理学应用：DL 模型可自动分析全切片图像（WSIs），不仅能精确区分腺癌与鳞癌等亚型，还能对肿瘤进行分级评估，捕捉肉眼难以察觉的异质性。
多模态融合诊断：通过整合放射影像、临床病历及遗传学数据，多模态 AI 模型能够提供比单一数据源更全面、更具个体化的诊断建议，有效弥补了单一模态的局限。

三、生物标志物发现：非侵入性的“虚拟活检”

精准医疗的核心在于生物标志物的精准识别。AI 驱动的非侵入性评价手段正逐渐成为组织活检的重要补充^[2]。

影像组学预测基因突变：AI 模型能够通过 CT 或 PET/CT 图像的微观特征，预测 EGFR 等驱动基因的突变状态。
免疫治疗响应评估：利用影像组学特征联合干性相关基因签名（Stemness-related gene signature），AI 可以预测患者对 PD-L1 抑制剂的响应及预后情况，助力治疗方案的个体化选择。

四、个体化治疗决策的智慧辅助

AI 的临床应用已贯穿手术、放疗和系统性治疗的全过程^[1]。

手术与放疗规划：在胸外科，AI 可辅助进行手术风险评估及术后并发症预测；在放疗领域，AI 能显著缩短靶区勾画时间，并准确预测放射性肺炎等毒副反应。
系统治疗策略优化：研究表明，基于协同过滤等技术的 AI 模型可以在无需昂贵基因测序的情况下，为患者推荐个体化的用药方案，提升临床决策的科学性。

五、加速药物研发：数字孪生与靶点发现

AI 正在极大地缩短抗肿瘤药物从实验室到临床的转化周期^[2]。

新靶点与老药新用：AI 辅助识别了如 STK33 等新型治疗靶点，并通过高通量筛选发现如孟鲁司特等现有药物在肺癌治疗中的潜力。
数字孪生与虚拟试验：通过构建患者的“数字孪生”模型，研究者可以模拟疾病进展及药物反应，从而优化临床试验设计，提高新药研发的成功率。

挑战与未来展望

尽管 AI 展现出巨大的临床潜力，但其广泛应用仍面临模型可解释性不足（“黑盒”问题）、数据标准化缺失及伦理合规等挑战。未来，随着可解释 AI的成熟和多中心大规模前瞻性临床研究的验证，AI 将成为肺癌精准诊疗中不可或缺的“智慧大脑”，真正实现以患者为中心的智慧医疗。

参考文献

[1] Wang Y, Miao L, Zhou C. Artificial intelligence in lung cancer: from diagnosis to therapy. Curr Opin Oncol. 2026; 38:83-88.

[2] Basety S, Gudepu R, Velidandi A. Artificial Intelligence in Lung Cancer: A Narrative Review of Recent Advances in Diagnosis, Biomarker Discovery, and Drug Development. Pharmaceutics. 2026; 18(2):201.

责任编辑：肿瘤资讯-Nydia
排版编辑：肿瘤资讯-Nydia