综述：基于传统与人工智能的非小细胞肺癌临床预测模型发展及真实世界验证全景

这篇综述系统梳理了非小细胞肺癌（NSCLC）临床预测模型（CPMs）的发展历程，涵盖早期和转移性（mNSCLC）疾病阶段，重点探讨了人工智能（AI）整合对模型优化的突破性贡献。文章强调CPMs在个性化治疗决策中的潜力，同时指出外部验证不足和前瞻性建模缺失等临床转化挑战。

　　

引言

肺癌（LC）作为全球癌症相关死亡的首要原因，2022年导致180万例死亡。非小细胞肺癌（NSCLC）占LC病例的85%，其治疗策略因分期而异：早期以手术为主，晚期则依赖免疫检查点抑制剂（ICI）或靶向治疗。尽管治疗进步，预后仍不理想，催生了临床预测模型（CPMs）的快速发展。

早期NSCLC预测模型

早期NSCLC的治疗决策高度依赖TNM分期系统，但传统方法存在局限性。近期研究通过整合临床病理特征和血液生物标志物（如中性粒细胞/淋巴细胞比值NLR）提升预测精度。例如，一项针对2052例I-IIIA期患者的多中心研究证实，年龄>68岁、男性、体重下降>5%和III期分期是死亡风险独立预测因子（HR 5.54）。

组织学亚型对预后的影响存在争议。肺鳞癌（SQLC）占NSCLC的25%-30%，其预后模型纳入TNM分期、淋巴结状态和分化程度等变量，可将患者分为低、中、高风险组，5年生存率差异显著（低风险77.3% vs 高风险27.2%）。此外，基于核形态多样性（CellDiv特征）的模型通过量化11项核特征（如面积、偏心度、强度），在LUAD和LUSC中均显示高风险组5年OS显著降低（HR 2.24）。

转移性NSCLC预测模型

晚期NSCLC的预测模型聚焦于基因表达特征和免疫微环境。Chen等开发的17基因缺氧相关特征可区分高低风险组（P=0.0049），而Wang等针对脑转移的11基因模型揭示了免疫抑制性肿瘤微环境（如肿瘤相关巨噬细胞TAMs）与预后的负相关。

血液学指标在免疫治疗预测中表现突出。LIPS-3模型证实NLR<4、ECOG PS 2和激素使用是PD-L1≥50%患者OS的独立预测因子（1年OS 76.6% vs 44.8%）。LITE风险评分则整合ECOG PS、LDH和NLR≥3，将患者分为三组，中位OS差异达26.2个月（28.3 vs 2.1个月）。对于化疗免疫联合治疗，Spinnaker研究提出转移灶≥3个、鳞癌和组织免疫炎症指数SII≥1444是预后不良标志物。

AI驱动的模型革新

人工智能通过机器学习（ML）、深度学习（DL）和自然语言处理（NLP）技术，实现了多模态数据整合。DL生存神经网络DeepSurv的C-index（0.739）显著优于TNM分期（0.706），而XGBoost模型在分析49项临床指标后，对DFS、OS和CSS的预测AUC分别达0.890、0.926和0.960。

影像组学突破传统局限。Huang等的CT放射组学生物标志物将DFS预测C-index提升至0.72，而Zhang等开发的智能预后系统（IPES）通过分析20,333张CT图像，将EGFR基因型与TNM分期结合，验证集C-index达0.817。分子层面，Coudray等的卷积神经网络（CNN）通过病理切片识别STK11、EGFR等突变，AUC高达0.97。

挑战与展望

当前模型面临三大瓶颈：

1. 1.

   仅12%的模型经过前瞻性验证

2. 2.

   化疗免疫联合治疗方案模型稀缺

3. 3.

   临床转化需平衡变量可及性与预测效能

新兴技术如血浆蛋白质组学（PROphet测试）和数字病理（Deep-IO模型）展现出跨维度整合潜力。PROphet联合PD-L1可精准筛选化疗免疫联合治疗获益人群（HR 0.23），而Deep-IO通过H&E图像分析TILs，在PD-L1阴性患者中预测效能（AUC 0.77）超越TMB。

未来需构建开放共享的肺癌数据库，推动跨国多中心验证，并将AI模型嵌入电子病历系统，最终实现从"一刀切"到"量体裁衣"的治疗范式转变。