首页 > 文章详情

分子病理与多组学融合：驱动NSCLC靶向与免疫干预

08月21日

编译：肿瘤资讯

来源：肿瘤资讯

非小细胞肺癌（NSCLC）的高度异质性，决定了单一维度的生物标志物往往难以全面描绘肿瘤全貌并指导精准治疗。特别是在靶向治疗和免疫治疗领域，如何精准筛选优势人群、克服耐药瓶颈是当前的重大挑战。在这一背景下，整合基因组、转录组及影像组学的多维数据成为破局的关键。本文将系统梳理多组学降维融合技术如何无创预测突变状态、解码肿瘤微环境，并构建多维度预后模型，为晚期NSCLC患者量身定制个性化干预方案。

影像基因组学：靶向治疗突变状态的无创预测

针对EGFR、KRAS等基因组改变的靶向治疗是NSCLC的标准干预手段。影像基因组学（Radiogenomics）通过建立影像特征与基因表型的映射关系，开辟了无创检测的新路径。

基于CT影像的多通道、多任务深度学习模型能够同步预测患者EGFR与KRAS的突变状态，利用CT图像的多通道信息实现了对两种关键驱动基因突变的并行预测^[1]。
整合多模态临床数据的LUCID人工智能框架，能够无创预测肺癌患者的EGFR突变及最终生存结局，其风险预测还可为临床医生的治疗规划提供客观的预后信息^[1]。
针对全视野数字切片（WSIs）训练的深度卷积神经网络（inception v3），能以媲美专业病理医生的准确率自动区分肺腺癌（LUAD）、肺鳞癌（LUSC）及正常肺组织，平均AUC达0.97，并已在冰冻组织、福尔马林固定石蜡包埋组织（FFPE）及活检标本等多种独立数据集上得到验证，同时具备预测EGFR等关键基因突变的能力^[1]。

此外，基于AI的基因突变预测模型DeepGEM利用常规获取的组织学切片和切除活检标本预测基因突变，AUC值范围为0.90-0.97，为基因突变的快速、经济预测提供了新工具^[2]。

肿瘤微环境解码：免疫治疗疗效的AI预测

免疫检查点抑制剂（ICI）重塑了晚期NSCLC的治疗格局，而利用AI解析肿瘤微环境则为精准预测免疫疗效提供了全新视角。

CD8+ T细胞影像组学特征模型通过回顾性多中心研究，能够有效预测晚期肺癌患者对PD-1或PD-L1抑制剂的治疗反应，为免疫治疗的无创疗效评估提供了影像学生物标志物^[1]。

将深度学习与影像组学特征深度结合构建的综合预测模型，在评估晚期NSCLC患者对免疫治疗反应时，AUC值高达0.960^[1]。

发表于JAMA Oncology（2025）的Deep-IO模型代表了该领域的重要进展。该模型基于CNN应用于治疗前H&E病理切片，在美国队列614例晚期NSCLC患者中预测RECIST反应的AUC为0.75（95% CI 0.64-0.85），并在344例欧洲患者的外部验证中确认了其作为PFS（HR 0.56）和OS（HR 0.53）独立预测因子的价值。将Deep-IO与PD-L1表达联合使用可将AUC提升至0.70，Deep-IO高/PD-L1高的肿瘤应答率达51%，高于PD-L1≥50%单独使用时的41%，凸显了形态学感知深度学习的互补价值^[3]。

通过结合AI与多组学数据，临床医生能够更自动化、更全面地整合不同类型的数据集，从而为患者量身定制个性化的免疫治疗方案^[1]。

多组学降维融合：构建多维度预后模型

单纯依赖某一维度的标志物容易出现预后评估的“盲区”。最新的研究趋势是整合多组学数据，构建降维预后模型，实现分子细胞层面的全景解析。

利用TCGA数据库中1,348例I-II期NSCLC患者的数据，通过PROGENy工具计算了包括非整倍体、TRAIL、WNT、VEGF及EGFR等14条致癌通路的活性评分，并从体细胞拷贝数变异中推导非整倍体评分。经8种回归算法（包括SVR、RFR和KNNR）和10次试验验证，5条通路（非整倍体、TRAIL、WNT、VEGF、EGFR）被确定为核心预测特征，展示了通路水平转录组学和基因组不稳定性指标如何预测复发并识别可能受益于强化监测或辅助治疗的高危患者^[3]。

基于RNA-seq数据，通过交叉差异表达、PCA载荷、LASSO、mRMR和XGBoost等多种特征选择方法，构建了131基因分类面板及17基因生物标志物子集。PCA分类器以94.2%的准确率鉴别腺癌与鳞癌，并在外部数据集（50例LUAD，28例LUSC）中通过ROC/AUC分析进行了验证，同时证实了其与患者长期总生存期的关联，展现了诊断与预后的双重价值^[3]。

当前挑战与局限性

尽管多组学融合模型展现了巨大潜力，但仍面临重要挑战。现有AI/ML模型的训练数据以常见突变（如EGFR、ALK）为主，对罕见驱动突变（如NTRK、RET、MET exon 14跳跃、ROS1、BRAF、HER2、NRG1等）的预测灵敏度和特异性可能降低，携带罕见基因组特征的患者存在被误分类或遗漏的风险。此外，多数模型仍缺乏大规模多中心前瞻性外部验证，模型的可解释性和伦理问题（数据安全、算法偏倚、知情同意）也需系统性解决^[3]。

小结

靶向与免疫治疗的下半场，是多组学数据的深度交汇。通过AI驱动的降维融合模型，临床医生不仅能更精准地预测治疗反应，还能前置性地识别耐药风险。然而，提升模型对罕见突变的覆盖能力、推进多中心前瞻性验证、以及解决可解释性挑战，将是下一代精准医疗必须跨越的关键门槛。

参考文献

1.Wang J, Tian R, Liu J, et al. Application of artificial intelligence in lung cancer diagnosis, therapy, and prognosis. BMC Med Genomics. 2026 Apr 10;19(1):85. doi: 10.1186/s12920-026-02360-3. PMID: 41963934; PMCID: PMC13191993.2.Wang Y, Miao L, Zhou C. Artificial intelligence in lung cancer: from diagnosis to therapy. Curr Opin Oncol. 2026 Jan 1;38(1):83-88. doi: 10.1097/CCO.0000000000001199. Epub 2025 Oct 13. PMID: 41222551.3,Nistala S, Niyonzima J, Chahal R, et al. Artificial intelligence and machine learning in non-small cell lung cancer: the current state of the science on multi-omic applications. BMC Med Res Methodol. 2026 Mar 9;26(1):86. doi: 10.1186/s12874-026-02821-4. PMID: 41803732; PMCID: PMC13085305.

责任编辑：肿瘤资讯-Nydia
排版编辑：肿瘤资讯-Nydia