综述：非小细胞肺癌免疫治疗疗效预测的叙事性回顾：人工智能视角

这篇综述系统评估了人工智能（AI）在整合放射组学（radiomics）、病理组学（pathomics）和多组学（multi-omics）数据中的突破性作用，旨在解决非小细胞肺癌（NSCLC）免疫治疗中PD-L1和肿瘤突变负荷（TMB）等传统生物标志物的异质性和敏感性局限。AI通过量化肿瘤微环境（TME）动态和克隆演化，为个体化疗效预测提供了新范式，但临床转化仍需解决过拟合风险和伦理挑战。

　　

引言

肺癌仍是男性癌症相关死亡的首要原因，非小细胞肺癌（NSCLC）占病例的85%。免疫检查点抑制剂（ICIs）如PD-1/PD-L1阻断剂虽革新了治疗格局，但疗效差异显著。传统生物标志物PD-L1表达和TMB因检测异质性和动态演变面临临床瓶颈，而人工智能（AI）驱动的多模态分析正成为破局关键。

生物标志物的局限与AI突破

PD-L1作为首个FDA批准的预测标志物，其临床效用受限于免疫组化（IHC）量化方法的变异性和<70%的敏感度/特异度。AI通过CT放射组学预测PD-L1状态（AUC 0.8）和TMB≥10 mut/Mb（AUC 0.85），显著优于传统检测。肿瘤浸润淋巴细胞（TILs）的预后价值被深度学习进一步量化——CD39⁺
/CD8⁺
T细胞占比>31.05%时，免疫治疗客观缓解率（ORR）达64%。液体活检中ctDNA动态监测可预测耐药，早期清除组无进展生存期（PFS）延长2.7倍。

放射组学的技术革新

从CT图像中提取的1692个放射组学特征，经LASSO回归筛选后构建的模型可区分免疫"热"肿瘤（AUC 0.76）。周界分析揭示，距肿瘤边缘15-30mm的Gabor纹理特征与TIL密度强相关。值得注意的是，PET/CT代谢参数SUV_max
熵联合临床性别因素，可预测CD8⁺
T细胞浸润（准确率82%）。

病理组学的微观解码

计算病理学通过H&E切片实现PD-L1无创评分（AUC 0.8），而U-ResNet架构直接从染色图像预测TMB（AUC 0.82）。免疫微环境分型系统将TME分为" inflamed/desert/excluded "三型，其中PD-L1^≥50%
的" inflamed "型ORR提升3倍。

多组学整合的协同效应

动态注意力网络（DyAM）融合CT纹理、PD-L1评分和突变特征，预测效能较单一标志物提升7%。新辅助治疗中，Δ-放射组学模型通过基线-术前CT变化预测主要病理缓解（MPR，AUC 0.85），而空间转录组学发现CXCL13⁺
淋巴聚集与pCR显著相关。

挑战与未来方向

当前模型仍受限于小样本过拟合（中位训练集n=423）和跨中心验证差异。解决方案包括：1）联邦学习框架解决数据孤岛；2）可解释AI技术如Grad-CAM热图解析决策依据；3）前瞻性试验验证CMRS多组学模型（HR=3.21, P<0.001）。

结论

AI通过解构肿瘤免疫生态系统的时空异质性，正重塑NSCLC精准免疫治疗范式。从放射组学的宏观量化到病理组学的微观解码，再到多组学的动态整合，这一技术演进将推动个体化治疗决策进入新纪元。