2026年世界肺癌大会（WCLC）将于当地时间9月12日至15日在韩国首尔召开。作为肺癌领域重要的国际学术盛会，WCLC汇聚全球肺癌筛查、诊断、分期及治疗领域的最新研究进展与前沿成果。本届大会OA11专题“Circulating and AI-Driven Biomarkers in Lung Cancer”聚焦肺癌生物标志物的创新探索与临床应用，多项口头报告将围绕ctDNA、循环蛋白及人工智能辅助风险与疗效预测等方向展开。【肿瘤资讯】特此整理该专题重要研究，以飨读者。
OA11.01 ctDNA释放特征的多组学分析构建早期肺癌cTNMB分期并揭示肿瘤微环境异质性
英文标题
OA11.01 Multi-Omics of ctDNA Shedding Defines Ctnmb Staging and TME Heterogeneity in Early-Stage Lung Cancer
讲者Zifan Li （北京大学人民医院 ）
背景
循环肿瘤DNA（ctDNA）监测可弥补传统影像学在复发识别方面的滞后，有助于更早发现肺癌复发。然而，部分肿瘤本身缺乏ctDNA释放，即呈现ctDNA非释放型（nonshedder）表型，成为限制该技术广泛应用的重要因素。目前，ctDNA非释放的深层生物学机制、这一表型是否真正代表生物学行为相对惰性且预后更好的肿瘤，以及在该人群中开展ctDNA监测的实际临床价值仍不明确。本研究旨在系统比较ctDNA释放型（shedder）与非释放型患者的预后、术后监测效能及生物学特征。
方法
研究首先分析MEDAL队列（n=157；中位随访2250天），比较不同病理分期下ctDNA释放型与非释放型患者的无复发生存期（RFS）及术后ctDNA监测效能，并采用Kaplan-Meier生存曲线及log-rank检验进行评估。相关结果进一步在LumpCure和LUNGCA-1队列中进行外部验证。
机制研究方面，整合全外显子组测序（MEDAL，n=157）、RNA测序（MEDAL，n=63；LumpCure，n=51）及多重免疫组织化学（MEDAL，n=12）数据，从多组学层面解析ctDNA释放与非释放的潜在生物学机制。
结果
研究显示，ctDNA释放型患者在各队列中均表现出较差的RFS，且传统pTNM分期所对应的预后梯度明显减弱；相比之下，非释放型患者的预后仍基本符合传统pTNM分层规律。
术后分析进一步发现，术前表现为ctDNA非释放型的患者在临床复发前仍可出现ctDNA释放，支持该类患者术后常规开展ctDNA动态监测的临床价值。
研究进一步构建了将术前ctDNA释放状态与cTNM分期相结合的cTNMB分期系统，其预后分层能力优于传统cTNM，并可改善临床Ⅰ期患者的预后低估。进一步分析显示，在临床Ⅰ期患者中，术前ctDNA阳性可较强预测影像学未发现的隐匿性淋巴结转移（OR=13.79）。
多组学分析显示，ctDNA释放型肿瘤具有更强的恶性生物学特征，包括更高比例的TP53突变、更广泛的基因组不稳定性，以及在Ⅰ～Ⅲ期均表现出更高的增殖和侵袭活性。
通过非负矩阵分解（NMF）进行转录组聚类，并结合空间多重免疫组织化学分析，研究在ctDNA非释放型患者中进一步识别出两个预后不同的亚群。其中，“免疫热”型肿瘤具有较为丰富的CD8+ T细胞浸润，但同时伴随明显的免疫抑制性基质，包括富集的FAP+PD-L1+癌相关成纤维细胞（CAFs）和CD68+PD-L1+肿瘤相关巨噬细胞（TAMs），与较差预后相关；相比之下，“免疫冷”型肿瘤表现出更为惰性的生物学特征，并具有较好的生存结局。
结论
术前ctDNA状态是反映肿瘤侵袭性及隐匿性淋巴结转移的重要生物标志物。基于此构建的cTNMB分期系统可进一步优化传统cTNM的预后分层，并改善临床Ⅰ期患者的预后低估。
此外，术后数据表明，即使术前为ctDNA非释放型，患者在临床复发前仍可能出现ctDNA阳性，进一步支持该人群持续开展术后ctDNA监测。对肿瘤空间微环境的解析还显示，ctDNA非释放型患者中存在免疫抑制特征明显的亚群，提示该类患者未来可能需要更具针对性的免疫治疗策略。
图1 ctDNA释放状态、cTNMB分期及肿瘤微环境异质性的多组学分析OA11.02
OA11.02 整合多维证据筛选用于肺癌风险分层的循环蛋白
英文标题
OA11.02 Prioritizing Circulating Proteins for Lung Cancer Risk Stratification Through Integrated Evidence
讲者吕章艳 , PhD （天津医科大学肿瘤医院 ）
背景
循环蛋白是反映肺癌（LC）易感性的潜在中间表型，但目前较少有研究系统整合观察性关联、遗传学证据和中介效应，对候选蛋白进行优先级筛选，并进一步评估其在肺癌风险分层中的应用价值。本研究旨在筛选与总体肺癌及主要组织学亚型相关的高优先级循环蛋白，并评估其在传统危险因素基础上能否进一步提高肺癌风险预测能力。
方法
研究纳入英国生物样本库（UK Biobank，UKB）中49,370名基线时无癌症的参与者，随访期间共发生444例肺癌。基线血浆蛋白组学数据采用Olink平台检测。
研究采用多变量Cox回归分析循环蛋白与新发肺癌、肺鳞状细胞癌（LUSC）、肺腺癌（LUAD）及小细胞肺癌（SCLC）风险之间的关联。遗传学证据采用基于顺式蛋白数量性状位点（cis-pQTL）的双样本孟德尔随机化（MR）分析，整合UKB-PPP和deCODE蛋白质GWAS数据，以及FinnGen和TRICL肺癌GWAS数据。中介效应证据则来自UKB中的观察性中介分析，以及针对已知肺癌危险因素开展的两步MR分析。
根据关联方向的一致性及中介效应证据强度，将蛋白分为Tier 1～Tier 5，其中Tier 1～2定义为优先蛋白。进一步将优先蛋白纳入基于Cox模型的肺癌风险预测模型，并通过受试者工作特征曲线及曲线下面积（AUC），在内部训练集和验证集中评估其对模型区分能力的增益。
结果
整合多维证据后，共筛选出10种Tier 1～2优先蛋白。其中，与总体肺癌相关的蛋白包括CTBS、IL19、RNASET2、STX4、TNFRSF4和LXN；与LUSC相关的蛋白包括AGER和ST13；与LUAD相关的蛋白为TREM2；与SCLC相关的蛋白为ANXA5。
Tier 1蛋白同时具有方向一致的观察性和遗传学关联，并获得中介效应证据支持；Tier 2蛋白则具有一致的关联证据，但尚未获得明确的中介效应验证。部分优先蛋白还介导了肥胖相关因素及生活方式因素对特定肺癌亚型风险的影响，进一步支持其可能参与相关疾病发生通路。
风险预测分析显示，在最佳传统肺癌风险模型基础上加入6种优先肺癌相关蛋白后，AUC由0.830提高至0.837；在LUAD模型中加入TREM2后，AUC由0.831提高至0.846。内部验证中，优化后的总体肺癌模型AUC为0.831，优化后的LUAD模型AUC为0.811。相比之下，LUSC模型的预测改善幅度较小，SCLC模型则未观察到明确的预测增益。
结论
本研究通过整合观察性关联、遗传推断及中介效应证据，建立了一套具有生物学依据的肺癌循环蛋白优先级筛选框架，并筛选出一组较单纯关联分析具有更充分病因学支持的候选蛋白。
这些蛋白可为后续生物标志物验证提供候选靶点，并在总体肺癌及LUAD风险预测中带来一定程度的模型性能提升，有望进一步完善基于生物学特征的肺癌风险分层策略。
OA11.03 基于深度学习解析H&E染色中的T细胞状态预测NSCLC新辅助免疫治疗疗效
英文标题
OA11.03 Predicting NSCLC Neoadjuvant Immunotherapy Response Using H&E-Derived T-Cell States via Deep Learning
讲者Dongshen Li, M.Med. Candidate （广东省人民医院）
背景
新辅助免疫治疗已显著改善可切除非小细胞肺癌（NSCLC）患者的治疗结局，但患者间疗效仍存在较大异质性，目前尚缺乏可靠的预测性生物标志物。肿瘤微环境中T细胞的功能状态，如耗竭状态，是影响免疫检查点抑制剂疗效的重要因素。虽然转录组测序（RNA-seq）能够较为准确地评估T细胞状态评分（TCSS），但其成本较高且质量控制要求复杂，限制了常规临床应用。利用深度学习从常规苏木精-伊红（H&E）染色病理切片中推断T细胞状态，可能为预测新辅助免疫治疗疗效提供一种可规模化应用且成本较低的新方法。
方法
本研究构建了基于多实例学习（MIL）算法的深度学习流程。收集未经治疗NSCLC患者的H&E全切片图像（WSIs），并利用配对RNA-seq数据计算8种T细胞功能状态评分，包括细胞毒性、辅助性、调节性、衰老、静息、增殖、祖细胞样耗竭和终末耗竭，作为模型训练的真实标签。
随后，研究基于CLAM架构构建回归模型，通过提取H&E图像特征，直接预测病理图像来源的T细胞状态评分（pTCSS），并进一步探索构建新辅助免疫治疗病理缓解预测模型。
结果
初步结果显示，该基于病理图像的深度学习回归模型能够从常规H&E切片中学习并提取与T细胞状态相关的空间病理特征。在内部训练集的初步评估中，模型预测的pTCSS与RNA-seq获得的TCSS显示出较好一致性。
对于部分关键T细胞状态，CLAM模型预测值与RNA-seq评分的相关系数约为0.5，其中增殖状态r=0.570、细胞毒性状态r=0.570、衰老状态r=0.541、辅助性T细胞状态r=0.543。
结论
基于CLAM架构的深度学习模型可利用常规诊断H&E活检标本预测肿瘤微环境中的T细胞状态评分。该数字病理学方法有望为NSCLC新辅助免疫治疗疗效预测提供新的工具，并为术前风险分层及治疗决策提供参考。
OA11.04 可解释性机器学习模型预测NSCLC新辅助化疗联合免疫治疗相关高级别不良事件：一项多中心研究
英文标题
OA11.04 Explainable Machine Learning Model to Predict High-Grade Adverse Events in Neoadjuvant Chemo-Immunotherapy for NSCLC: A Multicenter Study
讲者Fei-Hang Zhi （上海市肺科医院 ）
背景
可切除非小细胞肺癌（NSCLC）接受新辅助化疗联合免疫治疗后，≥3级治疗相关不良事件（TRAEs）的发生率较高，但目前可用于预测此类高风险事件的工具仍较有限。本研究旨在开发并验证一种可解释性机器学习（ML）框架，以提前识别高风险患者，为个体化治疗管理提供依据。
方法
本研究为一项大规模多中心研究，纳入上海市肺科医院发现队列823例患者，并按7:3比例划分为训练集和测试集；另纳入上海长海医院和宁波市第二医院124例患者组成独立外部验证队列。
特征筛选结合单因素、多因素分析及方差膨胀因子（VIF）进行。研究比较了13种ML算法，并采用受试者工作特征曲线下面积（AUC）和决策曲线分析（DCA）评价模型性能。采用SHAP（SHapley Additive exPlanations）分析量化各特征对模型预测结果的贡献（图3）。
结果
研究队列中，≥3级TRAEs发生率为46.14%。发生高级别TRAEs（≥3级）的患者主要病理缓解（MPR）率显著更高，发现队列和验证队列的差异分别具有统计学意义（p=0.005和p=0.030），提示TRAEs严重程度可能与治疗应答存在一定关联。
在各ML模型中，CATBoost模型表现最佳，测试集AUC为0.795，外部验证队列AUC为0.824。SHAP分析显示，标准剂量强度和较低的基线中性粒细胞绝对计数（ANC）是预测高级别TRAEs最重要的因素。除上述主要预测因素外，高风险特征还包括较低的红细胞（RBC）、血钾和血钙水平，以及鳞状组织学类型、较晚的淋巴结转移分期和较多的治疗周期（图4）。
结论
本研究建立了一种稳健且具有可解释性的ML框架，可用于识别新辅助治疗期间发生高级别不良事件风险较高的NSCLC患者。通过识别以基线血液学指标和电解质异常等为特征的高风险人群，该工具可辅助实施个体化干预，包括治疗前生理状态优化、加强监测及主动调整剂量，从而进一步优化NSCLC新辅助化疗联合免疫治疗的风险获益平衡。
苏公网安备32059002004080号
