综述：Telisotuzumab Vedotin与人工智能联合治疗非鳞状非小细胞肺癌的疗效评估：聚焦药物学与技术学见解的叙述性综述

《Frontiers in Oncology》：Evaluating the combined efficacy of Telisotuzumab Vedotin and artificial intelligence in the treatment of non-squamous non-small cell lung cancer: a narrative review focusing on pharmaceutical and technical insights

本综述深入探讨了抗体药物偶联物（ADC）Telisotuzumab Vedotin（Teliso-V）靶向c-MET高表达非鳞状非小细胞肺癌（NSCLC）的机制与临床疗效（如LUMINOSITY试验ORR达34.6%），并系统阐释了人工智能（AI）通过影像组学、深度学习（DL）等技术在患者分层、疗效预测及个性化治疗中的协同作用，为推进精准医疗提供了前瞻性视角。

　　

引言

肺癌是全球最常见且致死率最高的癌症之一，其中非小细胞肺癌（NSCLC）占主导地位，而非鳞状NSCLC是其最主要亚型。多数患者确诊时已处于晚期，预后较差。传统治疗方案如化疗、酪氨酸激酶抑制剂（TKI）和免疫疗法存在耐药性、毒性和疗效不一等局限，亟需创新治疗策略与技术手段。

Telisotuzumab Vedotin（Teliso-V）作为一种靶向间质上皮转化因子（c-MET）的抗体药物偶联物（ADC），通过单克隆抗体telisotuzumab与微管抑制剂单甲基澳瑞他汀E（MMAE）偶联，精准靶向c-MET高表达的肿瘤细胞，释放细胞毒性药物，最大化疗效并减少脱靶毒性。c-MET是一种受体酪氨酸激酶，其过表达见于约50%的非鳞状NSCLC病例，与肿瘤生长、侵袭及不良预后密切相关。

与此同时，人工智能（AI）技术正重塑癌症管理范式。机器学习（ML）、深度学习（DL）和影像组学等AI技术能够处理多组学数据，从CT、PET影像或病理切片中非侵入性预测生物标志物状态（如c-MET过表达、EGFR突变），优化患者分层，并实现治疗反应的实时动态监测。

Telisotuzumab Vedotin：机制与临床发展

Teliso-V的机制涉及五个关键步骤：与肿瘤细胞表面的c-MET受体特异性结合；通过内化作用进入细胞；在溶酶体内经蛋白酶水解裂解连接子，释放MMAE；MMAE与微管蛋白结合，破坏有丝分裂纺锤体组装；最终诱导肿瘤细胞凋亡。临床前研究显示，其抗体组分ABT-700能有效阻断肝细胞生长因子（HGF）依赖和非依赖的c-MET信号通路。

多项临床试验验证了Teliso-V的潜力。II期LUMINOSITY试验在c-MET高表达的非鳞状EGFR野生型NSCLC患者中，显示出34.6%的客观缓解率（ORR），中位无进展生存期（PFS）为5.5个月，中位总生存期（OS）达14.5个月。与表皮生长因子受体（EGFR）抑制剂（如奥希替尼、厄洛替尼）联用可进一步提升疗效，但与免疫检查点抑制剂（如纳武利尤单抗）联用获益有限。常见不良反应包括外周感觉神经病变、恶心、疲劳等，多数可控。

人工智能在NSCLC治疗优化中的应用

AI在NSCLC管理中的应用多维且深入。在诊断方面，基于影像组学的ML/DL模型可自动量化肿瘤异质性，其诊断性能媲美甚至超越放射科医生。在病理学中，卷积神经网络（CNN）能直接从H&E染色切片预测MET过表达或EGFR突变状态，为替代侵入性活检提供了可能。电子鼻（e-nose）结合AI模型甚至可通过分析呼出气中的挥发性有机化合物实现肺癌早期筛查。

在治疗优化方面，AI驱动的临床决策支持系统（CDSS）可整合电子病历（EMR）数据，辅助生物标志物导向的精准用药。此外，计算机模拟（in silico）试验利用定量系统药理学（QSP）模型和强化学习（如深度Q学习），可在虚拟患者群体中模拟不同给药序列和组合方案，预测疗效并规避毒性，为优化Teliso-V等ADC药物的临床使用策略提供新思路。

临床疗效与AI的协同整合

Teliso-V的疗效高度依赖于准确的患者选择，而这正是AI的优势所在。AI模型能够融合影像、基因组学、病理学和临床数据，构建预测模型，精准识别最可能从Teliso-V治疗中获益的c-MET高表达患者群体。例如，有研究开发了DL模型，能基于常规病理切片预测MET RNA过表达，曲线下面积（AUC）表现出色。

在疗效监测方面，AI将循环肿瘤DNA（ctDNA）分析与影像组学相结合，克服了实体瘤疗效评价标准（RECIST）在评估ADC药物反应时的滞后性。ctDNA水平的动态变化可实时反映肿瘤负荷和克隆演变，而影像组学特征能在肿瘤体积缩小前捕捉到治疗相关的微观结构改变，两者结合可实现更早期、更精准的疗效评估。

对于Teliso-V与其它疗法（如免疫治疗、靶向治疗）的排序和组合，AI模型能通过分析磷酸化蛋白质组学等大数据，预测药物协同作用，并在虚拟环境中测试不同给药策略，以期在达到最佳疗效的同时将毒性风险降至最低。

挑战与未来展望

尽管前景广阔，Teliso-V与AI的临床整合仍面临挑战。AI模型存在“黑箱”决策、数据偏见、不同机构间数据标准化与互操作性不足等问题，影响其泛化能力和临床采纳。伦理、监管和医生对AI工具的信任度也是需要克服的障碍。

展望未来，随着更多前瞻性随机对照试验（如III期LUMINOSITY试验）数据的公布，以及AI算法的不断优化和验证，Teliso-V有望在更精准的患者群体中发挥更大作用。AI与ADC的深度融合，将推动“智能ADC”等新一代药物的研发，实现真正意义上的动态响应和个体化癌症治疗。