编辑推荐：
本综述聚焦深度学习（DL）在提升生物标志物免疫治疗工具预测肺癌免疫表型中的应用，系统分析多模态数据整合的 DL 模型，探讨关键生物标志物如 PD-L1、TMB 等，评估研究方法学质量，凸显 DL 在精准肿瘤学中的价值。
肺癌作为全球最致命的恶性肿瘤之一，其精准诊疗需求迫切。免疫治疗通过激活免疫系统对抗肿瘤，但仅 20-40% 患者响应，故精准预测免疫表型至关重要。本综述系统探讨深度学习（DL）技术在增强生物标志物免疫治疗工具、预测肺癌患者免疫表型中的应用。
肺癌病理与分类
肺癌起源于肺组织，主要分为小细胞肺癌（SCLC）和非小细胞肺癌（NSCLC），后者占比超 80%。临床症状包括气短、胸腔和心包积液等。研究显示，NSCLC 患者血清总巯基（TT）、天然巯基（NT）和二硫键（SS）水平显著低于健康对照，提示氧化还原失衡可能参与发病。此外，肿瘤微环境中的免疫细胞浸润与患者预后密切相关，如护士同理心与患者 B 细胞和自然杀伤（NK）细胞百分比呈正相关，凸显免疫调节的重要性。
文献综述流程
研究通过明确的研究问题（LCRQ1-LCRQ5）和 PRISMA 指导的筛选流程，从多数据库检索 2016-2024 年英文文献，最终纳入 80 篇研究。采用纽卡斯尔 - 渥太华量表（NOS）和批判性评价技能计划（CASP）评估研究质量，分为高（7-9 分）、中（4-6 分）、低（1-3 分）三级，确保方法学严谨性。
免疫表型与生物标志物
肺癌患者存在多种免疫表型，如炎症型、非炎症（冷）型、耗竭型、免疫抑制型等。炎症型表型与较高的免疫细胞浸润和免疫治疗响应相关，而非炎症型则与免疫耐受和 EGFR 突变相关。关键生物标志物包括：
- PD-L1 表达：其与 PD-1 结合抑制免疫反应，高表达患者对 PD-1/PD-L1 抑制剂响应较好，但存在表达异质性。
- 肿瘤突变负荷（TMB）：高 TMB 与新抗原生成增加相关，联合其他指标可提高预测准确性。
- 微卫星不稳定性（MSI）：MSI-H 肿瘤因突变负荷高，对免疫治疗敏感，虽多见于结直肠癌，在肺癌中研究渐增。
- APOBEC 突变特征：APOBEC3B 高表达与免疫细胞浸润和 ICI 响应正相关，可作为预测标志物。
深度学习技术应用
DL 通过模式识别和多数据整合提升预测准确性，常用模型包括：
- 卷积神经网络（CNN）：用于影像分析，如从 CT 图像预测 PD-L1 表达，AUC 达 0.75 以上。
- 循环神经网络（RNN）：分析纵向肿瘤生物标志物数据，预测免疫治疗无响应，特异性达 95%。
- 图卷积网络（GCN）：整合基因组数据，分层患者亚组，提升免疫治疗响应预测。
- 生成对抗神经网络（GAN）：分析基因表达差异，识别罕见亚型。
研究显示，多模态数据（影像、基因组、转录组）整合模型性能优于单一数据类型，如结合临床和放射基因组数据的 LSTM 模型，均方误差（MSE）低至 2.197，预测效果显著。
挑战与展望
当前研究面临数据规模有限、模型泛化性不足等挑战。未来需发展通用模型，减少数据工程依赖，提升大数据预测准确性。同时，需标准化研究设计、扩大样本量、开展多中心验证，以推动 DL 工具临床转化，实现肺癌精准免疫治疗。
本综述强调 DL 在整合生物标志物、优化免疫治疗中的变革性作用，为肺癌个性化诊疗提供新方向，有望通过多维度生物标志物 panel 和 AI 框架提升患者分层和治疗效果。
