编辑推荐：
为解决非小细胞肺癌（NSCLC）免疫 checkpoint inhibitors（ICIs）治疗受益人群筛选难题，研究人员基于常规血液检测，利用随机森林算法构建模型预测 ICIs 疗效及预后。结果显示模型优于 Nomogram 等传统模型，为临床筛选患者提供新工具。
肺癌作为全球第二大常见恶性肿瘤，其死亡率长期位居癌症相关死亡首位，非小细胞肺癌（NSCLC）占肺癌病例的 85% 左右。尽管免疫检查点抑制剂（ICIs）的问世革新了 NSCLC 的治疗格局，但其临床响应率仅 20%-30%。当前依赖 PD-L1 表达、肿瘤突变负荷（TMB）等生物标志物存在检测标准不统一、成本高等局限，亟需一种微创、便捷且高效的预测工具。在此背景下，中山大学肿瘤防治中心的研究团队开展了一项基于常规血液检测的预测模型研究，相关成果发表在《Cancer Cell International》。
研究人员纳入 319 例接受 ICIs 治疗的 NSCLC 患者，将其随机分为训练队列（214 例）和验证队列（105 例）。通过随机森林算法，从血常规、生化指标及淋巴细胞亚群等常规血液参数中筛选关键变量，构建了预测 ICIs 疗效和预后的随机森林（RF）模型。
研究结果
模型构建与关键变量筛选
在训练队列中，随机森林算法筛选出 10 个关键预测变量，包括红细胞分布宽度 - 标准差（RDW-SD）、平均红细胞体积（MCV）、血小板分布宽度（PDW）、CD3+CD8+细胞计数、活化部分凝血活酶时间（APTT）、大血小板比率（P-LCR）、钙离子（Ca）、平均血小板体积（MPV）、CD4+/CD8+比率及天冬氨酸转氨酶（AST）。这些变量涵盖了红细胞、血小板功能、凝血状态、免疫细胞比例及代谢指标等多维度信息。
模型预测效能评估
- 疗效预测：在训练队列中，RF 模型的受试者工作特征曲线下面积（AUC）达 1.000，灵敏度和特异度均为 100%；验证队列中 AUC 为 0.864，灵敏度 / 特异度为 70.3%/93.5%，显著优于基于肝转移、转移灶数目等因素构建的 Nomogram 模型（训练队列 AUC=0.531，验证队列 AUC=0.552）。决策曲线分析（DCA）和临床影响曲线（CIC）显示，RF 模型在净获益和高风险人群识别中更具优势。
- 预后预测：RF 模型的 C-index（一致性指数）在训练队列和验证队列的总生存期（OS）预测中分别为 0.803 和 0.712，无进展生存期（PFS）预测中分别为 0.663 和 0.711，均显著高于 Nomogram 模型、肺免疫预后指数（LIPI）和全身炎症评分（SIS）。 Kaplan-Meier 生存分析表明，RF 模型划分的低风险组患者 OS 和 PFS 显著长于高风险组，而传统模型未显示明显分层能力。
风险分层与临床关联
高风险组与低风险组的关键变量差异分析显示，RDW-SD、MCV、PDW、CD3+CD8+、APTT、P-LCR 等指标在两组间存在显著差异，提示这些血液参数与免疫治疗响应及预后密切相关。例如，CD4+/CD8+比率升高反映免疫功能活跃，而 RDW-SD 升高可能与炎症和营养不良相关，预示预后不良。
研究结论与意义
本研究开发的 RF 模型基于常规血液检测，整合多维度生物标志物，在 NSCLC 患者的 ICIs 疗效和预后预测中展现出优于传统模型的性能。其优势包括微创性、成本效益及动态监测潜力，为临床筛选 ICIs 受益人群提供了新的决策工具。尽管研究存在单中心、回顾性设计等局限，但其结果为进一步开展多中心前瞻性验证奠定了基础，有望推动血液生物标志物在肿瘤免疫治疗中的临床应用。
研究揭示，常规血液参数不仅可反映全身炎症、凝血状态和免疫功能，还能通过机器学习模型转化为精准医疗工具，为个性化免疫治疗提供了新方向。未来若结合更多维度的生物标志物（如外泌体、循环肿瘤 DNA），有望进一步提升预测效能，助力实现 “精准免疫治疗” 的目标。
