《Cancer Management and Research》：Longitudinal Imaging and Temporal Deep Learning for Dynamic Risk Prediction in Lung Cancer: Current Progress and Future Perspectives
编辑推荐：
专业摘要翻译
肺癌是一种动态演变的疾病，其特征是在肿瘤进展、治疗反应、耐药性发展和临床结局方面存在显著的时间异质性。然而，现有的大多数人工智能（AI）系统仍然主要依赖单时间点影像，这对其表征疾病演变和捕捉持续变化的风险状态的能力施加了固有约束。纵向影像数据的日
专业摘要翻译
肺癌是一种动态演变的疾病，其特征是在肿瘤进展、治疗反应、耐药性发展和临床结局方面存在显著的时间异质性。然而，现有的大多数人工智能（AI）系统仍然主要依赖单时间点影像，这对其表征疾病演变和捕捉持续变化的风险状态的能力施加了固有约束。纵向影像数据的日益可及性，加上时间深度学习的持续进展，正在推动肺癌AI从静态图像解读向动态风险预测转变。在这篇叙述性综述中，研究人员通过检索PubMed/MEDLINE、Web of Science核心合集和Scopus数据库从建库至2026年9月的相关文献，使用与肺癌、纵向影像、时间深度学习和动态风险预测相关的术语，并根据方法学相关性、临床应用及其对临床转化的意义筛选代表性研究。纵向影像随时间追踪疾病轨迹，为表征肿瘤生长动力学、治疗诱导的变化和不断演变的复发风险提供了独特机遇。时间深度学习则能够建模传统静态方法难以处理的复杂时间依赖性关系。该领域已从早期双时间点分析发展到长程时间建模、多模态时间融合和连续风险更新，其应用涵盖肺结节管理、治疗反应评估、复发监测、生存预测和个体化疾病管理等多个令人鼓舞的方向。尽管如此，仍存在重大障碍，包括大规模纵向数据集的稀缺、不规则时间采样、模型泛化能力有限、因果可解释性不足，以及缺乏支持真实世界临床部署的有力证据。应对这些挑战需要各方协同努力，建立标准化的纵向数据基础设施、连续时间建模框架、多模态整合策略，并使AI系统更紧密地契合临床工作流程。综上所述，纵向影像和时间深度学习正引导肺癌AI从静态图像分析走向动态疾病管理，有潜力在整个肺癌诊疗谱系中支持持续风险评估，并可能为适应性临床决策提供依据。
论文主体内容总结
从静态预测到动态预测
现有大多数肺癌AI系统依赖单时间点影像进行当前疾病状态表征，但肿瘤的生长、治疗反应、获得性耐药、复发和转移均是随时间连续演变的动态过程。患者即便基线影像表现相似，后续临床轨迹也可能截然不同。因此，风险并非病灶的固定属性，而是随病程演变的时变特征。动态预测旨在通过整合纵向观测来刻画疾病轨迹并持续估计未来风险，而非给出单一固定预测。从状态识别到轨迹建模的转变构成了肺癌时序AI的理论基础。
从影像表征到轨迹建模
纵向医学影像是同一患者在多次随访中获取的系列检查，形成疾病演变的时间有序记录。其临床价值不仅在于拥有多次扫描，更在于这些扫描之间的时间关系。纵向影像可直接观察肿瘤生长动力学、治疗诱导变化、复发模式及瘤内异质性的演变。从方法论角度看，引入时间维度后，影像数据从孤立的空间观测转变为时间依赖序列，需同时建模特定时间点的影像特征及其随时间的变化方式。纵向数据集的不规则随访间隔、可变序列长度和缺失观测使得时间结构本身成为分析框架的核心组成部分。
从状态识别到风险估计
总生存期（OS）、无进展生存期（PFS）、无病生存期（DFS）和无事件生存期（EFS）等临床终点本质上具有时间依赖性，代表持续演变的风险过程而非固定标签。患者的复发、进展或死亡风险会因治疗、肿瘤演变、新发耐药等因素而动态变化。仅基于基线影像的模型虽可提供初始风险估计，但无法纳入后续疾病演变信息。纵向建模框架则可持续整合更新后的观测，并在整个病程中动态修正风险估计，这对于治疗反应、复发和获得性耐药通常逐渐显现的肺癌尤为关键。
从视觉评估到Delta特征
临床实践中最早利用纵向影像的方式依赖放射科医师的主观判读，以RECIST 1.1为代表的标准化评价体系奠定了纵向影像反应评估的基础。随着影像组学和计算机辅助分析的发展，研究者开始量化纵向影像变化，常用方法包括计算特征差异、分析变化率以及串联多个时间点的特征。这一阶段标志着从主观评估向定量建模的过渡，但这些方法仍局限于有限时间点间的显式差异比较，未能真正建模疾病进展的连续动态。
时序建模的必要性
基于差异的特征建模虽部分弥补了静态分析的不足，但在方法论上仍属于扩展的静态框架。简单的特征拼接或差值计算忽略了各时间点间的依赖关系，难以捕捉历史状态对当前风险的累积效应。此外，不均衡的随访间隔、缺失观测和删失结局在临床实践中普遍存在，使得纵向数据本质上是未完全观测的时间-事件过程。当研究目标从当前状态分类转向未来风险预测时，基于差异特征的模型难以生成时间依赖的风险函数或动态预测曲线，因此亟需从离散时间点特征建模转向连续时间过程建模。
双时间点建模
双时间点建模通过比较基线和随访扫描来捕捉肿瘤特征的时序变化，是纵向影像分析中最早期的时序学习形式。早期研究主要采用delta-影像组学策略，提取不同时间点的影像组学特征并通过特征差异、变化率或特征串联来分析肿瘤演变。例如，Barabino等分析了接受免疫治疗的33例非小细胞肺癌（NSCLC）患者基线CT与首次疗效评估CT之间的变化，发现27个delta-影像组学特征能区分部分缓解（PR）、疾病稳定（SD）和疾病进展（PD），其中9个delta特征与假性进展相关。Xie等基于97例III-IV期NSCLC患者增强CT构建了基线、治疗后和delta-影像组学模型预测免疫检查点抑制剂（ICI）治疗后的PFS，delta模型在训练集和验证集中的C指数分别达0.80和0.78，优于基线模型和单次治疗后模型。近期基础模型的兴起进一步推动了双时间点分析，Petrochuk等利用基础模型从102例NSCLC患者治疗前后CT中提取高维特征，基于嵌入空间的时序变化进行生存预测，发现纳入双时间点信息可改善预测性能。
顺序建模
随着纵向随访数据的积累，肺癌风险预测从双时间点比较逐步演进至全序列建模，需学习整个疾病轨迹中的时间依赖关系。循环神经网络（RNN）是最早用于序列数据分析的深度学习框架之一，Xu等开发了基于179例III期NSCLC患者581次系列CT的卷积神经网络（CNN）-RNN模型，通过顺序纳入治疗前和随访影像动态更新OS、复发和远处转移的风险估计。为解决RNN在处理长序列时的梯度消失和爆炸问题，长短期记忆网络（LSTM）通过输入门、遗忘门和输出门实现有效的信息调控，Zhang等将LSTM与Cox模型结合，C指数达0.90。门控循环单元（GRU）进一步简化了LSTM架构，在样本量有限的医学纵向研究中具有优势。从RNN到LSTM再到GRU的演进反映了从短期时序关联学习到长期动态记忆建模的发展脉络。
时序卷积
时序卷积网络（TCN）采用一维因果卷积并行建模整个序列的时间关系，通过空洞卷积扩大感受野以捕获长程依赖，适用于跨度较长的肺癌随访数据。Shi等开发了多尺度时序卷积框架预测呼吸性肿瘤运动，网络更新时间减少约60%，展示了时序卷积在胸廓肿瘤学中建模动态信号的潜力。然而，TCN在真实世界纵向肺癌影像中的应用仍受限于其固定感受野，对不规则间隔观测的自适应加权能力有限。
Transformer
Transformer基于自注意力机制直接建模序列全局关系，不受序列距离限制，可通过位置编码和注意力机制动态量化各时间点对风险预测的贡献。Li等提出了时间距离视觉变换器（TD-ViT），显式编码系列CT扫描的时间间隔信息用于肺结节分类，在NLST队列中AUC约0.786，优于传统CNN模型。Gan等开发了基于Transformer的框架，整合多时间点CT、多参数影像和病理组学特征预测新辅助免疫化疗后的主要病理反应（MPR），外部验证集AUC达0.858。
时空建模
疾病进展应被视为时空过程而非简单的时间状态转换序列。常见策略包括结合3D CNN与RNN或Transformer的混合框架、卷积长短期记忆网络（ConvLSTM）和时空注意力机制。Sako等基于1830例晚期NSCLC患者的纵向CT开发了系列CT风险评分（CTRS）深度学习模型，联合建模空间影像特征和时间变化预测OS，在RECIST判定为SD的患者中也能进一步区分高低风险人群。Farina等开发了基于卷积循环神经网络和全局时序注意力的时空深度学习框架用于不确定肺结节分类，独立测试集AUC达0.954。
不规则时间建模
真实临床中影像检查受疾病状态、治疗策略和患者依从性影响，导致不规则随访间隔和不一致就诊频率。时间感知LSTM（T-LSTM）引入时间衰减机制动态调整历史状态的贡献，相位LSTM则通过时间门基于实际事件时间周期性控制状态更新。潜在常微分方程（Latent ODE）框架利用神经常微分方程（Neural ODE）建模连续潜在动力学，自然处理不规则采样和缺失时间点，相比传统离散时间模型能更真实地呈现疾病轨迹。
多模态时间融合
疾病演变不仅受影像变化影响，还与治疗策略、实验室检查、分子特征和电子健康记录（EHR）中的纵向事件密切相关。Salehjahromi等将纵向CT影像组学与临床危险因素结合，基于122例患者系列CT数据开发的动态风险预测模型C指数为0.69。Ye等开发的AI衍生纵向多维CT分类器纳入系列CT扫描、治疗相关变量和临床信息预测NSCLC新辅助免疫治疗反应，外部测试集AUC达0.870，预测准确性从治疗前的0.722提升至纳入纵向信息后的0.831。
