综述：人工智能在预测免疫疗法疗效和毒性中的应用、挑战与未来方向

这篇综述系统探讨了人工智能（AI）在免疫检查点抑制剂（ICIs）疗效预测中的前沿应用，涵盖放射组学、基因组学和病理学等多模态数据整合。文章重点分析了AI如何通过深度学习（DL）算法提升PD-1/PD-L1等生物标志物的预测精度，同时指出当前模型对回顾性数据的依赖性和免疫相关不良事件（irAEs）预测的挑战，为肿瘤精准免疫治疗提供了创新视角。

　　

AI在医学与癌症免疫治疗中的进展
人工智能（AI）通过机器学习（ML）和深度学习（DL）算法，正逐步改变癌症免疫治疗的决策模式。以免疫检查点抑制剂（ICIs）为代表的免疫疗法虽在非小细胞肺癌（NSCLC）等多种肿瘤中展现显著疗效，但个体反应差异和免疫相关不良事件（irAEs）仍是临床痛点。传统PD-L1肿瘤比例评分（TPS）因采样异质性和主观性受限，而AI能从放射影像、基因序列等高维数据中挖掘潜在预测标志。

AI预测免疫治疗疗效的概述
通过整合多组学数据，AI模型可识别对ICIs敏感的亚群。例如，抗CTLA-4抗体ipilimumab在黑色素瘤中的成功，揭示了AI在优化联合疗法（如化疗+PD-1抑制剂）中的潜力。然而，肿瘤异质性和动态免疫微环境仍是算法优化的关键障碍。

影像组学驱动的疗效预测
CT/MRI等影像特征经AI解析后，可量化肿瘤浸润淋巴细胞空间分布或新生血管模式，补充活检的局限性。一项研究通过卷积神经网络（CNN）提取的纹理特征，成功预测了atezolizumab治疗患者的无进展生存期。

挑战与未来方向
当前AI模型仍依赖回顾性数据，且缺乏标准化验证流程。未来需前瞻性临床试验验证算法泛化性，并探索循环肿瘤DNA（ctDNA）等动态标志物与AI的协同作用。

结论
AI为免疫治疗精准化提供了非侵入性解决方案，但其临床转化需跨学科协作以克服数据碎片化和算法透明度问题。

（注：全文严格基于原文内容缩编，未新增非原文信息）