2026年9月13日，世界肺癌大会（WCLC）围绕TNM分期相关话题举办了一场教育专场会议。本场会议聚焦肺癌TNM分期系统的现状、第9版更新后的应用经验，以及面向第10版可能纳入的非解剖学因素、人工智能辅助诊断和全球公平性等关键议题。来自加拿大、日本、美国、澳大利亚和智利的多位专家，分别从吸烟状态、解剖学描述符、非解剖因素整合、AI辅助分期以及全球分期不平等五个角度，呈现了TNM分期从“精确化”走向“精准且可及”的复杂路径。
吸烟状态：被低估的预后修饰因子
加拿大多伦多大学玛格丽特公主癌症中心 Lawson Eng 教授报告了吸烟状态对第 9 版 TNM 分期预后的影响。该分析基于 IASLC 第 9 版分期数据库中 48 531 例具备吸烟相关数据的非小细胞肺癌（NSCLC）患者。在校正年龄、性别、组织学类型、地区、ECOG 体能状态及解剖分期后，当前吸烟者对比从不吸烟者的全因死亡风险升高 39%（校正风险比 aHR 1.39，95% CI 1.34‑1.46），既往吸烟者死亡风险升高 32%（aHR 1.32，95% CI 1.27‑1.38）；当前吸烟者风险亦高于既往吸烟者（aHR 1.05，95% CI 1.02‑1.09）。
在 T3N1 及更早分期的 NSCLC 患者中，递归分区分析提示，吸烟状态对预后的影响甚至超过 N0 与 N1 淋巴结状态的差异；在同一解剖分期内部，当前吸烟者与既往吸烟者预后均差于从不吸烟者。整体效应可以概括：存在吸烟史患者的预后水平，大致相当于从不吸烟患者的下一个更高解剖分期组。Eng 教授指出，第 10 版分期工作组将与帕多瓦大学团队合作，完善烟草暴露相关数据采集，后续会将吸烟史和其他非解剖预后因素共同开展评估。
解剖学描述符：进一步细分的空间已有限
日本国家癌症中心医院 Masaya Yotsukura 教授回顾 IASLC 肺癌分期项目自 1990 年以来的数据积累，介绍第 9 版在解剖学层面的主要调整：T 描述符无修改；N2 细分为单站转移 N2a 与多站转移 N2b；M1c 拆分为单器官系统多发转移 M1c1 和多器官系统转移 M1c2；分期分组同步更新，如 T1N2a 归入 ⅡB、T1N1 下调至 ⅡA、T2N2b 归入 ⅢB、T3N2a 归入 ⅢA 等。
Yotsukura 教授提出，单纯依靠解剖范围对分期做进一步细化已经接近天花板。第 9 版数据显示，T3 胸壁侵犯与其余 T3 肿瘤的预后差异，在临床分期与病理分期中结果并不一致，胸壁侵犯的临床影像学诊断仍存在现实挑战。其他潜在候选描述符包括肺叶间侵犯（PL3）、合并磨玻璃 / 伏壁样（GGO/lepidic）成分肿瘤、淋巴管 / 血管 / 神经侵犯、空气间隙播散（STAS）、组织学分级等；部分缺少第 9 版数据库高质量标准化数据，部分仅可术后病理确诊、无法依靠影像评估，因此暂不适合直接纳入 TNM 分期。
此外，新辅助治疗后的 ypStage 与直接手术后的 pStage 存在系统性预后差异，未来或可参照食管癌模式，对二者进行区分标注。面向第 10 版，Yotsukura 提及 “TNMB”（B 代表 Biomarker，生物标志物）模式，该模式已在乳腺癌、口咽癌等 15 类恶性肿瘤中落地；但如果在肺癌中引入 TNMB，必须解决生物标志物检测标准化、全球不同资源地区可及性两大现实障碍。
非解剖因素整合：TNM的成功经验不应被忽视
美国耶鲁大学 Frank Detterbeck 教授以《Is it Time to Add Non‑Anatomic Factors to the TNM Classification?》为题，系统梳理了将非解剖因素纳入 TNM 分类的历史经验与潜在风险。他表示，TNM 的核心价值是作为简洁通用的解剖学沟通框架，保障多学科团队、临床试验、预后研究能够使用统一语境开展患者讨论。但解剖学因素仅能解释约 67% 的临床分期预后变异，剩余部分由生物标志物、合并症、体能状态、分子特征等多重因素共同决定。
Detterbeck 教授回顾第 7 版 IASLC 肺癌预后分组的尝试：该模型基于年龄、性别构建，经 SEER 等外部数据集验证，但最终几乎没有在临床中实际应用。失败诱因包含纳入因素有限、变量选择受数据可得性限制而非临床需求、分期升降调整操作繁琐、分组逻辑不符合临床工作流程等。即便是乳腺癌第 8 版强制推行的预后分组，临床 MDT 讨论、指南及临床试验中，临床医生依旧更习惯采用 “解剖 TNM + 具体生物标志物”，而非使用复杂的复合预后分组。
Detterbeck 教授强调，在决定如何整合非解剖因素前，首先要明确核心目标：是获取群体层面全球平均预后、在 TNM 基础上叠加少数变量、构建个体化预后模型，还是搭建非解剖因素沟通工具，亦或是开发治疗决策辅助工具；不同目标对应截然不同的数据需求、验证路径和临床应用场景。若目标是实现信息沟通，可借鉴 HOI 框架（Histology 组织学‑Omics 组学‑Immunology 免疫学），作为 TNM 体系的并行补充，而不是直接改写 TNM 分期；如果目标是指导临床治疗，则更适合开发针对特定临床场景的决策辅助工具。这些抉择本质属于临床实践问题，不只是统计学问题。
AI与呼吸科医师：协同而非替代
澳大利亚查尔斯王子医院 Kwun Fong 教授聚焦呼吸科医师在 AI 时代肺癌分期中的角色。呼吸科医师在 T、N、M 三个分期维度均承担核心诊断任务：借助普通 / 导航支气管镜获取外周病灶组织标本；通过超声支气管镜引导经支气管针吸活检（EBUS‑TBNA）完成纵隔淋巴结评估；同时鉴别胸膜、对侧肺转移等 M 期相关改变。人工智能可介入的环节包括支气管镜导航、外周肺结节恶性风险分层、EBUS 淋巴结评估、快速现场评估（ROSE）以及放射组学模型。
现有研究数据显示：EfficientNetB1 深度学习模型，在图像旋转、局部遮挡条件下识别隆突与主支气管，表现可媲美高年资呼吸科医师；基于卷积神经网络（CNN）的模型，使用 2238 份支气管镜图像区分气道病灶良恶性，AUC 可达 0.940；基于 6000 余张细胞学图像的深度学习 ROSE 系统，识别恶性细胞的内部、外部验证准确率分别达 92.97%、90.26%。放射组学模型在鉴别浸润性腺癌与癌前病变、预判高级别组织学特征、脉管侵犯、胸膜侵犯、STAS 等方面，同样取得较高 AUC 数值。
但 Fong 教授同时提醒，当前 EBUS 相关 AI 研究大多为回顾性单中心小样本研究，普遍缺少外部验证以及前瞻性随机对照试验；不同研究的数据采集方案、结局定义不统一，模型存在灵敏度与特异度权衡失衡，泛化能力与真实世界临床获益仍待证实。Fong 教授总结指出：AI 用于肺癌分期是增强临床能力，而非取代临床专家判断；未来应当发展影像‑病理‑临床整合的多模态模型，并开展以临床结局为终点的验证研究。
全球公平性：同一TNM，不同现实
智利圣玛利亚诊所 Francisco Suárez 教授从全球实施的现实条件展开讨论。他列举一例 72 岁、肿瘤大小 3.7 cm 的肺癌患者：仅依靠 CT 检查，分期为 cT2aN0M0 ⅠB 期；完善 PET‑CT，发现 4L 淋巴结 FDG 高摄取，分期上调为 cT2aN2aM0 ⅢA 期；再补充脑部 MRI 检出 8 mm 脑转移灶，再次更新为 cT2aN2aM1b ⅣA 期。“疾病本身没有改变，改变的是我们获得的诊断信息”，该案例直观反映，临床分期结果高度依赖当地可获得的影像手段与诊断强度。
全球范围内 PET‑CT、EBUS/EUS、脑 MRI 以及完备病理资源分布严重不均。回顾队列提示，增加 PET‑CT 检查后，28.7% 患者分期发生改变；MD Anderson 队列中 16.4% 患者分期上调、12.3% 患者分期下调。在结核高流行区域，PET‑CT 评估纵隔淋巴结的特异性与阳性预测值会进一步下降。Suárez 教授提出，TNM 分期系统无法消除全球医疗资源不平等，但不应当放大这种差距。
他提出四点改善策略：①推广 Essential TNM 简化分期登记工具（目前尚未覆盖肺癌），减少肿瘤登记中的分期数据缺失；②将分期所采用的检查手段作为核心数据字段记录报告，体现分期背后的诊断语境；③针对新增分期描述符，在不同资源水平人群中开展验证，保障全球适用性；④制定资源分层分期指南，明确当理想检查手段不可获得时，最低限度的评估流程。最终目标是实现 “同一套 TNM 标准、统一术语、适配不同临床实施环境”，在追求分期精度的同时兼顾全球可及性。
结语
本场会议勾勒出肺癌 TNM 分期系统从第 9 版向第 10 版演进的多条主线：单纯依靠解剖学特征进行分期优化，已进入边际收益递减阶段；吸烟史等非解剖预后因素的相关数据不断积累成熟；人工智能为分期诊断带来全新技术可能性；而全球医疗资源的客观不平等，则要求分期体系必须在 “精确” 与 “公平” 之间寻求平衡。面向第 10 版 TNM 分期，挑战不只来自统计建模，更在于坚守 TNM 作为临床沟通工具的核心定位，厘清非解剖因素应当以何种形式、在多大程度上，与解剖分期并行或融合。
排版编辑：肿瘤资讯-云初
苏公网安备32059002004080号
