首页 > 文章详情

2026 ELCC | 多模态AI预测肺癌免疫治疗效果：意大利13家中心的真实世界研究

03月31日

编译：肿瘤资讯

来源：2026 ELCC

在晚期非小细胞肺癌（NSCLC）的治疗中，免疫治疗（IO）已成为标准方案之一，但其疗效存在显著的个体差异。准确预测患者的生存结局对于制定个体化治疗策略、优化医疗资源分配具有重要临床意义。目前临床上常用的生物标志物，如PD-L1表达水平、美国东部肿瘤协作组体能状态评分（ECOG PS）、中性粒细胞与淋巴细胞比值（NLR）等，在预测免疫治疗生存获益方面仍存在局限性，预测准确性有限。

近年来，人工智能（AI）技术的发展为实现多模态数据融合提供了可能。通过整合临床结构化数据与CT影像组学特征，AI模型能够捕捉到传统方法难以识别的复杂预后模式。本次ELCC大会上，一项研究探讨了基于真实世界数据（Real-World Data, RWD）构建的多模态AI模型，是否能够有效识别晚期NSCLC患者在接受免疫治疗后具有不同生存轨迹的亚群，从而实现对短期与长期生存者的精准分层。

基于多模态真实世界数据的AI模型构建与评估

本研究的数据来源于APOLLO11项目，是一项多中心回顾性研究，共纳入来自意大利13个肿瘤中心的晚期NSCLC患者。研究设计聚焦于分类分析，旨在通过常规临床数据和治疗前CT影像，识别两类具有极端生存表型的患者：短期生存组（总生存期≤6个月）与长期生存组（总生存期≥24个月）。

研究构建了多种机器学习模型，分别基于三类输入特征：

临床数据模型：纳入包括年龄、性别、ECOG PS、吸烟史、体重指数（BMI）、乳酸脱氢酶（LDH）、中性粒细胞计数、PD-L1表达水平等在内的常规临床变量。
影像组学模型：从治疗前CT图像中提取定量影像特征，反映肿瘤的异质性、形态与纹理等微观信息。
多模态融合模型：将上述临床数据与影像组学特征进行整合，构建联合模型。

模型性能评估以区分短期与长期生存者的能力为核心，并特别关注假阴性率（False Negative, FN）的最小化，即尽可能避免将实际能够从免疫治疗中长期获益的患者错误归类为短期生存者。
微信图片_20260331111248_396_84.png

多模态融合模型提升生存分层效能及可解释性分析

临床数据模型优于传统生物标志物

研究发现，仅基于常规临床数据的机器学习模型在区分短期与长期生存者方面，已显著优于PD-L1、ECOG PS、NLR等传统单一生物标志物。这一结果表明，即使在不引入影像数据的情况下，通过AI对现有临床信息进行非线性整合，也能显著提升预后判断能力。
微信图片_20260331105847_395_84.png

多模态融合进一步提升分层能力

当临床数据与CT影像组学特征联合建模时，模型的生存分层性能进一步提升。该结果与此前相关研究一致，再次验证了多模态数据整合在肿瘤预后预测中的优势。联合模型能够在保留临床变量解释性的同时，引入影像层面反映肿瘤生物学行为的互补信息。

可解释性分析支持生物合理性

研究采用SHAP全局解释方法对模型输出进行解析，揭示了影响短期与长期生存的关键因素：

与短期生存（OS ≤ 6个月）相关的特征：高LDH水平、高中性粒细胞计数、较差的ECOG PS、重度吸烟史、较大的肿瘤体积、较高的肿瘤异质性以及较低的BMI。
图片 1.png 与长期生存（OS ≥ 24个月）相关的特征：高PD-L1表达、较小的肿瘤体积、较高的肿瘤异质性（影像组学特征）以及低LDH水平。
值得注意的是，影像组学特征中“较高的肿瘤异质性”同时出现在短期与长期生存的关联特征中，提示异质性本身可能具有双向性，其对预后的影响需结合其他临床背景（如免疫微环境状态、PD-L1表达水平）共同解读。这一发现也强调了多模态融合的必要性。

模型选择的临床导向

考虑到临床实际，研究将“最小化假阴性率”作为模型选择的关键指标，以避免将可能从免疫治疗中获益的患者排除在治疗之外。通过选择最接近乌托邦点（FN=0）的模型，研究在预测性能与临床安全性之间取得了平衡。

AI多模态预测模型的临床价值与应用前景

本研究基于大规模真实世界数据，系统验证了AI模型在晚期NSCLC免疫治疗生存预测中的可行性与优势。主要贡献体现在以下几个方面：

实用性：研究所用的临床变量均为常规诊疗中可获取的指标，CT影像组学亦可在现有影像资料基础上提取，无需额外侵入性操作。该模式具有高度可扩展性，适用于真实世界临床场景。
互补性：通过可解释性分析，研究明确了临床数据与影像组学在模型中发挥互补作用。临床指标反映宿主状态与系统性炎症负荷，影像组学则提供肿瘤内在异质性与形态学信息，二者结合更全面地刻画了患者的预后特征。
安全性导向：将假阴性率作为模型优化的核心目标，体现了以患者为中心的临床决策逻辑，即在不确定性较高的情况下，优先保障患者接受潜在有效治疗的机会。

本研究证实，结合常规临床数据与CT影像组学的AI模型，能够有效提升晚期NSCLC患者免疫治疗生存结局的预测能力。相较于传统生物标志物，临床数据驱动的机器学习模型已表现出更优的预后分层性能，而多模态融合则进一步增强了模型的判别力。该研究为在真实世界环境中推广低成本、高效能、可解释的AI预后工具提供了有力证据，并为后续前瞻性验证与临床转化奠定了基础。

参考文献

Annals of Oncology (2026) 11 (suppl_3): 1-97. 10.1016/esmoop/esmoop106307

责任编辑：肿瘤资讯-云初
排版编辑：肿瘤资讯-云初

03月31日

戴红

首都医科大学附属北京朝阳医院 | 肿瘤科

多模态AI预测肺癌免疫治疗效果