首页 > 文章详情

2026 WCLC教育专场ES05：重新定义肺癌筛查风险，探索个体化筛查策略

10月14日

编译：肿瘤资讯

来源：2026 WCLC

2026年世界肺癌大会（WCLC）于当地时间9月12日至15日在韩国首尔召开。在本届大会ES05专场“Who, When, and Why: Redefining Risk in Lung Cancer Screening”中，四位讲者围绕肺癌筛查人群的识别、风险预测模型、肺结节数字化评估及筛查公平性展开讨论，探讨如何在现有筛查证据基础上进一步完善个体化风险评估与管理。【肿瘤资讯】特此整理该专题重要研究，以飨读者。

现有筛查标准的覆盖局限

一名52岁的亚裔女性从未吸烟，其母亲因EGFR突变肺癌去世，且本人长期暴露于二手烟环境。这样的患者是否需要接受肺癌筛查？Elaine Shum教授以这一病例说明，现行筛查标准可能无法覆盖所有具有较高肺癌风险的人群。目前，美国预防服务工作组（USPSTF）推荐50～80岁、具有至少20包年吸烟史，且目前仍吸烟或戒烟未超过15年的人群接受年度低剂量CT（LDCT）筛查。然而，除吸烟史外，肺癌家族史、慢性肺部疾病以及环境和职业暴露等因素，同样与肺癌风险有关。报告引用的Boston Lung Cancer Study显示，仅46.1%的肺癌患者符合现行筛查条件。另有研究发现，以吸烟包年数作为筛查标准，还可能造成不同人群间的筛查资格差异。

对于无吸烟史人群，Shum教授介绍了多项筛查研究。中国台湾TALENT研究纳入12,011名受试者，肺癌总体检出率为2.6%；其中，有肺癌家族史者的检出率为3.3%，高于无家族史者的2.0%。美国FANSS研究则对1,000名40～74岁、从未吸烟的亚裔女性开展基线LDCT筛查，共检出16例肺癌，检出率为1.6%，其中75%为IA期。

ES05.01. Elaine Shum (Slides)_08.jpg

图1. TALENT研究及中国台湾肺癌早期检测项目的筛查结果

这些研究显示，传统筛查标准之外仍可能存在具有较高肺癌风险的人群。对于如何完善筛查策略，Shum教授提出了三个方向：扩大现有筛查条件的覆盖范围，整合多种危险因素建立个体化风险预测模型，以及结合人工智能、影像组学和血液检测，探索根据风险水平调整筛查间隔。其中，扩大筛查人群的实际获益仍需大规模随机研究进一步验证。

ES05.01. Elaine Shum (Slides)_11.jpg

图2. 扩大现有筛查标准覆盖范围的潜在策略

风险预测模型与AI辅助筛查

上海市胸科医院韩宝惠教授介绍了中国肺癌筛查研究（CLUS）的系列进展。传统肺癌筛查主要依据年龄和吸烟史确定高危人群，而对于无吸烟史人群，还需考虑遗传背景、环境暴露及既往肺部疾病等因素，建立更符合人群特征的风险预测模型。

2013年启动的CLUS 1.0将筛查对象设定为45～75岁且至少具有一项相关危险因素的人群，除吸烟史外，还纳入肿瘤家族史、个人肿瘤病史、职业致癌物暴露、被动吸烟及烹饪油烟暴露等因素。基线筛查的3,512名受试者中确诊肺癌51例，检出率为1.5%，其中94.1%为I期。2018年开展的CLUS 2.0进一步引入人工智能技术，探索其在受试者招募、肺结节检出及良恶性鉴别等环节的应用。报告展示的相关研究中，AI检出肺结节的敏感度和特异度分别为99.3%和78.1%；在直径小于1 cm结节的良恶性鉴别中，两项指标分别为80.0%和70.0%。另一项融合影像与生物标志物的多组学模型研究显示，模型的受试者工作特征曲线下面积（AUC）达到0.948，敏感度和特异度分别为89.1%和94.3%。

ES05.02. Baohui Han (Slides)_11.jpg

图3. 融合影像与生物标志物的AI辅助诊断模型

在此基础上，CLUS 3.0开展了多组学筛查模型的全国多中心验证，目前已完成2万人筛查。报告展示的阶段性结果中，高危人群肺癌检出率由1.9%提高至3.1%，肺结节筛查诊断模型的AUC由0.89提高至0.96。

ES05.02. Baohui Han (Slides)_13.jpg

图4. CLUS 3.0全国多中心验证的阶段性结果

从CLUS系列研究可以看到，肺癌筛查中的AI应用已涉及高危人群识别、影像分析及随访管理等多个环节。韩宝惠教授认为，在人群队列研究的基础上，整合临床特征、影像及生物标志物等信息，可为个体化筛查决策提供更多依据。

数字技术辅助肺结节动态风险评估

肺结节检出后，如何判断其恶性风险、确定随访间隔及进一步检查的时机，是临床管理中的重要问题。复旦大学附属中山医院杨大为教授围绕新兴数字技术在肺结节精准风险评估中的应用，介绍了相关研究与实践进展。

现行肺结节管理主要参考结节大小、密度、形态及生长情况等影像学特征，但形态相似的结节可能具有不同的生物学行为，单次影像检查也难以反映结节的长期变化趋势。数字技术的应用正在从传统形态学分析拓展至定量CT、影像组学、深度学习及纵向影像评估。在风险预测方面，Brock/PanCan模型通过整合患者及结节特征评估恶性概率，为后续AI模型研究提供了重要参照。相关深度学习研究显示，AI模型预测肺结节恶性的AUC达到0.93，高于PanCan模型的0.90。ScreenLungNet模型进一步整合多发结节及全肺影像特征，在NLST数据集中的AUC同样达到0.93，在基线筛查阴性亚组中为0.87。

除单次影像特征外，结节随时间发生的变化也可提供重要信息。体积、密度及实性成分的演变，可能反映其生物学行为；进一步结合既往影像、临床资料及生物标志物，有助于形成更全面的风险判断。对于如何将数字技术应用于实际诊疗，杨大为教授介绍了PNapp5A管理模式，将肺结节管理分为数据获取（Acquire）、特征分析（Analyze）、风险评估（Assess）、管理建议（Advise）及临床行动（Act）五个环节，使模型评估结果与后续临床决策相衔接。

ES05.03. Dawei Yang (Slides)_08.jpg

图5. PNapp5A肺结节数字化管理路径

目前，AI模型在不同设备、患者群体及临床场景中的表现仍存在差异。杨大为教授指出，除了预测准确性，还需关注模型的外部验证、风险校准及其对临床决策的实际影响，这些都是相关技术进一步应用于常规诊疗的重要依据。

不同人群的肺癌风险评估与筛查公平性

Sue Crengle教授以当地毛利人群为例，讨论了肺癌风险评估中的人群差异。不同人群在肺癌发病率、发病年龄及危险因素构成方面可能存在明显区别，直接应用基于其他人群建立的风险预测工具，未必能够准确反映其实际风险。

报告展示的2018年新西兰流行病学数据显示，55～59岁毛利人群的肺癌发病率与70～74岁非毛利人群大致相当。两类人群在发病年龄上的差异表明，制定筛查策略时，需要充分考虑目标人群的流行病学特征，评估统一年龄标准及风险阈值的适用性。

ES05.04. Sue Crengle (Slides)_06.jpg

图6. 毛利与非毛利人群不同年龄段的肺癌发病率

Crengle教授还指出，准确的族裔信息是开展风险评估的重要基础。族裔身份涉及个人自我认同及多族裔归属，卫生系统中的漏报或记录不一致，可能影响疾病负担的准确估计。在比较不同人群的发病风险时，还需要合理选择年龄标准化方法，减少人口结构差异带来的影响。

在风险预测方面，相关研究正在探索针对毛利及澳大利亚原住民人群的性别特异性模型参数，并评估烟草暴露生物标志物和蛋白质组学模型的应用价值。对于筛查项目的实施，Crengle教授强调，应结合目标人群的实际需求，通过社区参与、减少筛查障碍及提供具有文化适应性的医疗服务，提高高需求人群获得筛查服务的机会。

专场小结

本场教育专场围绕肺癌筛查中的风险识别与评估，介绍了现行筛查标准之外的高风险人群、个体化风险预测模型、肺结节数字化管理及不同人群的筛查需求。现有筛查标准已具备明确的临床证据基础，但仍有部分高风险人群未被充分覆盖。如何结合人群特征完善风险预测，并通过充分的临床验证将新技术应用于筛查和结节管理，是进一步优化肺癌早期筛查策略需要解决的问题。

责任编辑：肿瘤资讯-Yume
排版编辑：肿瘤资讯-Yume

10月14日

赵爽

绥中县医院 | 肿瘤内科

感谢分享受益匪浅