首页 > 文章详情

2026 AACR | 从不吸烟者肺癌的组织学图谱与预后评估

05月12日

编译：肿瘤资讯

来源：肿瘤资讯

长久以来，肺癌常常与吸烟画上等号。然而，在临床现实中，有一大批从不吸烟者（Never-Smokers）也被确诊为肺癌（Lung Cancer in Never-Smokers,简称LCINS）。这部分人群有着独特的流行病学特征（如女性比例高、发病年龄相对较轻），且其背后的驱动基因突变、肿瘤微环境与非吸烟相关肺癌存在显著差异。

尽管其临床占比不容忽视，但由于发病机制的复杂性，LCINS的组织学全景尚未被完全描绘。此外，目前常用的国际肺癌研究协会（IASLC）病理分级系统，在LCINS群体中的预后预测效能也缺乏大规模数据的验证。针对这一临床痛点，来自美国国立卫生研究院（NIH）国家癌症研究所（NCI）的Thi-Van-Trinh Tran博士在2026年AACR年会上发表了重要研究，旨在填补这一空白，为LCINS患者提供更精准的预后评估工具。

研究基石：两大顶级队列构建坚实底座

该研究依托目前全球最大的LCINS专属队列，旨在解决三大核心问题：描绘LCINS的组织学全貌、验证IASLC分级的预后价值，并开发基于深度学习的生存预测模型，以期为这一特殊群体提供更精准的诊疗依据。为了得出具有普遍代表性和临床指导意义的结论，研究团队构建了两个规模庞大且特征鲜明的患者队列，确保了从探索到验证的全链条证据支持：

SHERLOCK-LUNG队列（探索与训练集）：这是目前全球最大的LCINS专属研究队列，涵盖了所有病理亚型和疾病分期。本研究从中纳入了844名患者（全部亚型）和634名非黏液型腺癌患者。该队列人群呈现出典型的LCINS特征：确诊中位年龄为67岁，约75%为女性，60%-64%为欧洲裔白人。
纪念斯隆凯特琳癌症中心（MSK）队列（外部验证集）：纳入了161名I-II期的非黏液型腺癌患者，进一步强化了研究结论的普适性与可靠性。这种“大样本全覆盖+独立中心验证”的双重队列设计，为后续的组织学图谱绘制和深度学习模型训练提供了的数据底座。

图片17.png

图1. 研究目标。研究分为三个主要目标（Aim1-3），分别依托SHERLOCK-LUNG大队列和MSK独立队列进行。

图片18.png

图2. 队列基线特征。表格展示了纳入人群的基线特征，凸显了LCINS人群女性占比高、确诊年龄相对较轻的特点。

破局关键：IASLC分级在LCINS中的预后价值获证

IASLC分级系统是临床上评估肺腺癌侵袭性的重要工具，但其对从不吸烟者的预后预测能力一直缺乏明确定论。本研究通过严谨的统计学分析，首次在大规模LCINS人群中证实了IASLC分级的独立预后价值。

研究人员发现，无论是在全分期还是在早期（I-II期）患者中，IASLC 3级患者的整体生存率均显著差于1/2级患者。例如，在SHERLOCK-LUNG全分期队列（n=634）中，3级患者的死亡风险是1/2级患者的2.6倍（HR=2.63,95%CI:1.82-3.85）；在早期患者中也观察到了类似的趋势。即使在外部MSK队列中，这一趋势依然保持一致。

不过，研究也敏锐地指出了现有分级系统的局限性：在LCINS人群中，IASLC 1级和2级之间的生存曲线分离度有限。这意味着，传统的病理学评估仍存在“盲区”，亟需更敏锐的技术手段来实现更精细的风险分层。

图片19.png

图3. 基于IASLC分级的生存曲线对比分析。图表显示，无论是在全分期（All stage）还是早期（Stage I-II）LCINS患者中，IASLC 3级（红色曲线）的整体生存率均明显低于1/2级（蓝色、绿色曲线）。这证实了该分级系统在从不吸烟者肺癌中依然具备稳健的预后评估能力。

技术跃迁：深度学习赋能精准生存预测

为了解决传统病理分级不够精细的问题，研究团队创新性地引入了人工智能技术。研究团队与Saha博士团队合作，开发了一种基于全切片图像（WSIs）的深度学习（Deep Learning）模型，试图从数字化病理切片中挖掘出肉眼难以察觉的预后特征。

该模型的训练过程严格且科学：

训练与交叉验证：使用SHERLOCK-LUNG队列的454例全分期患者数据（输入WSIs及生存数据）。
盲法独立验证：分别在SHERLOCK-LUNG内部留出集（141例）、早期患者集（100例）以及外部MSK队列（161例）中进行纯图像推理测试（仅输入WSIs，不使用任何临床标签）。

结果表明，这种深度学习算法不仅成功地将患者划分为低风险组和高风险组，而且在预测5年总生存率（AUC指标）上，显著优于仅包含年龄、性别、分期和种族的临床变量Cox模型。

图片20.png

图4.深度学习模型与临床变量模型的预测效能（AUC）对比。在不同验证子集（SHERLOCK全分期、SHERLOCK早期、MSK外部队列）中，基于深度学习的预测模型（DL-based model）在评估5年整体生存率方面的AUC值均显著高于传统的临床变量Cox比例风险模型，彰显了AI辅助病理诊断的巨大潜力。

小结

这项研究通过整合大规模多中心数据与前沿的人工智能算法，为从不吸烟者肺癌（LCINS）的精准诊疗带来了三重突破：

描绘了清晰的LCINS组织学全景，确立了腺癌的主导地位；
验证了传统IASLC分级在该人群中的预后价值，并指出了其局限；
成功开发并验证了一个基于深度学习的生存预测模型，为临床医生提供了一把评估患者风险的“新标尺”。

目前，研究团队已经开发了配套的内部网页工具（In-house web tool），可实现风险分层的实时可视化，这为未来该技术的临床转化和广泛应用铺平了道路

责任编辑：肿瘤资讯-TY
排版编辑：肿瘤资讯-HYF

05月12日

周晓灿

南京医药股份有限公司第一药店 | 肿瘤科

好好学习天天向上

05月12日

韩宪春

山西省中西医结合医院 | 肿瘤内科

感谢分享，认真学习新知识。

05月12日

韩宪春

山西省中西医结合医院 | 肿瘤内科

认真学习