基于人工智能纵向多维CT的NSCLC新辅助化疗免疫治疗决策优化系统：一项多中心回顾性研究

本研究针对非小细胞肺癌（NSCLC）新辅助化疗免疫治疗（NACI）响应预测难题，开发了基于CT的人工智能系统LC-NICER。通过整合纵向放射组学、深度学习和生境成像特征，该系统在训练队列、内部验证队列和外部测试队列中分别达到0.950、0.889和0.870的AUC值，预测准确性显著优于PD-L1检测（提升10%）和RECIST 1.1标准（提升18%），为NACI治疗决策和手术规划提供了非侵入性精准预测工具。

　　

在非小细胞肺癌（NSCLC）治疗领域，新辅助化疗免疫治疗（NACI）的出现显著改善了可切除患者的生存结局。然而临床实践面临严峻挑战：现有生物标志物PD-L1表达存在采样偏差和空间异质性，其预测准确性有限；影像学评估标准RECIST 1.1则难以区分真实肿瘤残留与治疗引发的免疫细胞浸润伪影，导致高达73%的影像学部分缓解（PR）患者实际达到病理完全缓解（pCR）。这种评估不准不仅使部分患者承受不必要的治疗毒性，更可能使潜在pCR患者错过非手术治疗机会。

为破解这一临床难题，研究团队开展了多中心回顾性研究，开发了肺癌新辅助免疫化疗反应预测系统（LC-NICER）。该系统创新性地整合了多维度CT影像特征：通过放射组学量化肿瘤纹理特征，深度学习解析微环境语境，生境成像捕捉肿瘤及瘤周亚区的动态变化，从而全面解析肿瘤时空异质性。该系统包含两个互补模型——治疗前预测模型LC-NICER_α可筛选潜在获益人群，术前评估模型LC-NICER_δ则评估肿瘤退缩程度和手术可行性。

研究纳出来自三家中国医疗中心的534例接受NACI后手术切除的NSCLC患者。采用严格的特征选择流程，包括低方差过滤、Spearman相关性分析、统计检验和LASSO回归，确保特征稳健性和判别力。模型性能通过ROC曲线下面积（AUC）、准确率（ACC）等指标量化，统计显著性采用DeLong检验等方法验证。

研究结果显著：

参与者基线信息显示，pCR与非pCR组在性别、吸烟史、病理类型、T分期及多个血液指标存在显著差异，证实研究人群具有充分临床异质性。

模型性能方面，LC-NICER系统展现出卓越预测能力：训练队列AUC达0.950（0.927–0.970），内部验证队列0.889（0.796–0.961），外部测试队列0.870（0.803–0.927）。关键的是，LC-NICER_α治疗前预测准确率达0.722，显著优于PD-L1的0.622；LC-NICER_δ术前评估准确率0.831，远超RECIST标准的0.651。模型不仅提供数值预测，更通过SHAP分析揭示术后特征贡献度最高，与临床决策逻辑高度一致。

生境成像分析揭示了治疗响应的空间异质性模式，识别出五种动态时空关系变化：新出现、消失、增强、减弱和未变化亚区。定量分析发现，尽管全局肿瘤测量无组间差异，但生境映射识别出具有不同响应特征的空间保守代谢微环境——代谢均匀区域（SR1、SR2、SR4）、高代谢紊乱区域（SR1、SR3）和高灌注区域（SR2、SR4、SR5）。

关键亚区空间分布分析发现，Post_peri5_SR4和Post_peri7_SR4专属于非pCR病例（特异性100%和71.4%），呈现不规则轮廓、异质性强化等抵抗特征；而Post_peri5_SR1和Pre_tumor_SR3与pCR强烈相关（概率83.3%和50.4%），表现为边界清晰、均匀强化的良好响应特征。

临床案例验证了系统的实用价值：一例RECIST评估为非完全缓解（non-CCR）的III期鳞癌患者，经LC-NICER预测pCR概率达90.2%，术后病理证实为pCR；另一例RECIST评估为完全缓解（CCR）的患者，模型正确预测为非pCR（概率87.5%），避免了对该患者的过度乐观评估。

研究结论表明，LC-NICER通过多维度量化肿瘤时空异质性，首次构建了贯穿新辅助治疗全过程的预测框架，解决了当前临床实践中的关键痛点。与FDA批准的生物标志物和RECIST标准相比，该系统提供了更准确、非侵入性且成本效益优异的预测工具，显著提升了临床决策的精准度。

讨论部分深入分析了该研究的临床意义：LC-NICER不仅能初步风险分层和识别细微影像模式，还能在重复活检不可行时辅助监测治疗响应，形成了影像分析与组织学评估的优势互补。尽管存在回顾性研究的固有局限，以及深度学习特征因样本量限制未充分优化等问题，但这项研究为NSCLC精准免疫治疗提供了切实可行的决策支持工具。未来通过整合多组学数据和延长生存随访，将进一步优化模型性能并验证其生存预测价值。

该研究发表于《eBioMedicine》，代表了人工智能在肿瘤精准治疗领域的重要进展，为优化NACI治疗策略和推进个体化肺癌管理奠定了坚实基础。