综述：多组学时代下的肺结节预测：整合放射组学、人工智能、液体活检与气道分类技术

《Critical Reviews in Oncology/Hematology》：Pulmonary nodule prediction in the multi-omics era: integrating radiomics, AI, liquid biopsy, and airway classifiers

　　

李燕|卢冠宇|刘向亮|陆津|宋伟|崔九伟

中国吉林省长春市吉林大学第一医院癌症中心，邮编130061

摘要

低剂量CT肺癌筛查虽能显著降低死亡率，但也大幅增加了肺结节的检出率。这些结节大多为良性，导致假阳性率很高，进而引发不必要的侵入性检查以及患者的焦虑情绪，这凸显出需要更精准的无创诊断工具。目前，单独使用的单一模态液体活检生物标志物，如循环肿瘤细胞、游离DNA突变或特定微RNA，其灵敏度和特异性均不足，难以独立用于临床。因此，有必要转向多模态分子整合方法，通过结合多种互补的生物标志物来克服单一分析物的局限性。传统的临床预测模型（梅奥模型、VA模型、布洛克模型、赫尔德模型）可帮助评估恶性风险，但其准确性仍有限。新兴方法则利用放射组学和人工智能从胸部CT扫描中提取高维图像特征，从而提升风险分层精度，超越仅依靠人类判断的水平。与此同时，微创液体活检生物标志物也为检测隐匿的恶性信号提供了另一种途径。此外，支气管气道基因表达分类器还能利用正常呼吸上皮中的“损伤区域”效应，帮助识别肺癌，即便无法直接对结节进行活检取样。将这类放射学和分子学数据整合到多组学框架中，有望提高对难以判断性质的肺结节的诊断精度，更准确地区分良性和恶性病变。不过，这些新兴工具大多尚未在大型前瞻性试验中得到验证，同时还存在技术障碍以及实际应用方面的挑战。本综述主要聚焦于低剂量CT筛查发现的肺结节，同时在相关情况下也会提及偶然发现的结节及其他难以判断性质的结节群体在基于CT的诊疗中的应用情况。通过总结放射组学、人工智能、液体活检、气道分类器以及多组学整合方面的最新进展，我们强调了开展前瞻性验证及跨学科合作的重要性，只有这样才能将这些方法转化为实用的临床手段，从而提高肺癌的早期发现率，减少不必要的干预，进而改善患者预后。

章节节选

引言：肺结节预测模型的研究背景与意义

肺癌仍是全球最致命的恶性肿瘤之一，每年新增病例约220万例，死亡病例约180万例，五年生存率低于20%（Sung等人，2021；Zhou等人，2022）。尽管在免疫疗法和靶向疗法方面已取得一定进展（Y. Chen等人，2024；Duan等人，2024；Lahiri等人，2023；S. Zhao等人，2025），但早期诊断和治疗仍然是改善预后的关键（Henderson等人，2025；Jeon等人，2025；Pepe等人）。

整合影像特征、临床数据与人工智能：构建肺结节预测模型的核心基础

传统的肺结节预测模型主要依赖临床信息以及影像学特征，包括患者的年龄、吸烟史、家族史，以及结节的大小、位置和形态等特征（Qi等人，2024）。过去五年中，不同国家基于影像特征和临床数据构建的预测模型详见表1。本节将介绍几种广为认可的预测模型，并重点阐述它们的方法学特点。

液体活检生物标志物：用于肺结节预测的多维度方法

液体活检是一种先进的分子诊断方法，能够检测体液中的肿瘤衍生成分，如循环肿瘤细胞、游离DNA、蛋白质、非编码RNA和外泌体。它具有无创、实时反映肿瘤生物学特性的优势（Afridi等人，2025；Dama等人，2025；Han等人，2025；Jia等人，2025；Li等人，2022；Peng等人，2025；Poh等人，2025；S. Wang等人，2024；Zhao等人，2023；Zhao等人，2024），在肺结节检测领域具有重要价值。

气道分类器：基于气道上皮基因表达预测肺结节

由于能够检测可获取的气道上皮细胞中的癌症相关分子变化，这种方法为开发微创诊断生物标志物奠定了基础（Billatos等人，2018）。在怀疑存在恶性肿瘤时，支气管镜检查常被用于诊断难以判断性质的肺结节。虽然支气管镜检查的特异性较高，但对于较小或位于更外围位置的结节，其敏感性可能较低。因此，需要改进支气管镜下的取样方法。

多组学整合：提升肺结节预测的准确性与灵敏度

目前大多数肺结节预测模型仍然高度依赖影像学检查结果。虽然从CT扫描中提取的放射组学特征具有很高的信息量，但由于变量数量众多，尤其是在训练样本量较少的情况下，很容易出现过拟合问题。将临床数据与分子生物标志物相结合，相比仅依赖影像学或仅依赖临床数据的模型，具有诸多优势。首先，将临床变量与液体活检分析结果相结合，能够显著提升预测性能。

有效肺结节生物标志物的标准

若要让某种生物标志物真正有助于预测肺结节的恶性潜能，就需要满足若干标准。首先，极高的灵敏度和特异性是必不可少的。该标志物必须能够检测出大多数恶性结节，包括癌前病变或早期侵袭性病变，同时将其与良性或炎症性改变区分开来。只有这样，才能最大程度减少假阴性和假阳性，这对于保障患者安全以及合理利用医疗资源至关重要。其次，该标志物还需要具备良好的稳定性……

批判性观点

本综述采用了整体性、跨模态的综合分析方法，系统地阐述了人工智能辅助的放射组学、多维度液体活检、气道基因表达分类器以及多组学融合技术，而非孤立地分析这些技术。与以往的研究不同，我们在深入剖析传统及新型预测模型的技术原理的同时，也对实际应用中存在的各种障碍进行了批判性评估，这些障碍包括前瞻性验证不足、人群异质性以及临床应用中的其他问题。

伦理审批与参与同意

不适用

发表同意书

不适用

未引用参考文献

（Chen等人，2021；Chen等人，2024；Glandorf和Vogel-Claussen，2024；Wang等人，2025；Wang等人，2024；Zhao等人，2025）

资金支持

本研究得到了中国国家自然科学基金的支持（项目编号：82303211、82541026）。

CRediT作者贡献说明

李燕：概念设计、数据整理、初稿撰写；卢冠宇和刘向亮：数据整理；陆津和宋伟：数据整理；崔九伟：概念设计、审稿与编辑。

利益冲突

作者声明没有利益冲突。

致谢

不适用。

发表同意书

不适用。

利益冲突

作者声明没有利益冲突。

利益冲突声明

作者声明自己不存在任何可能影响本综述所汇报工作的已知利益冲突或个人关系。

李燕，博士，吉林大学第一医院肿瘤科主治医师。她的研究方向主要为肺癌及免疫疗法。