AI工具预测肺癌免疫治疗结局优于PD-L1

一项基于近2400例晚期非小细胞肺癌（NSCLC）患者数据开发的人工智能系统，在预测免疫治疗结局方面优于多个现有生物标志物，并提升了医生预判治疗反应的能力。相关研究发表于《自然·医学》（Nature Medicine），来自I³LUNG国际合作项目，旨在为NSCLC免疫治疗开发基于AI的医生决策支持系统。

研究设计与数据来源

该研究纳入2396例IIIC至IVB期患者，覆盖6个国家6个中心。研究人员将临床与血液检测指标，连同CT影像、数字病理和基因组信息，整合进机器学习和深度学习模型。

常规临床数据展现强预测力

研究最引人注目的发现之一是，临床实践中已常规采集的较简单信息具有可观的预测能力。使用临床和血液数据的模型——包括PD-L1表达、ECOG体能状态、吸烟状态、转移部位、中性粒细胞与淋巴细胞比值以及乳酸脱氢酶——在独立测试集中曲线下面积（AUC）最高达0.77。

这些AI模型显著优于单个预测指标，包括PD-L1、ECOG体能状态、中性粒细胞与淋巴细胞比值、乳酸脱氢酶以及肺免疫预后指数。尽管PD-L1准确区分可获得持久获益患者的能力有限，它仍是NSCLC免疫治疗决策中主要获批的临床生物标志物。

可解释AI提升医生预测能力

研究人员还测试了向医生提供AI预测能否改善临床决策，而非仅比较算法与传统标志物的表现。20名医生（10名肺癌专家和10名非专家）在获得模型预测及特征解释前后，评估了真实患者病例。

在预测疾病控制方面，灵敏度从无AI辅助时的0.72提升至使用可解释AI工具后的0.87，总体准确率从0.57升至0.65。肺癌专家和非专家均有改善，两组之间的一致性在引入AI支持后也有所提高。研究提示，可解释性可能对将预测算法转化为临床工具至关重要，使医生能够审视个体预测背后的因素，而非仅获得一个无解释的风险评分。

更多数据未必带来更好预测

I³LUNG还测试了将临床信息与CT影像、数字病理和基因组数据结合能否进一步改善预测。部分多模态机器学习模型在交叉验证中显示出显著改善，尤其在特定患者亚组中。然而，这些增益在独立测试或外部验证中未能一致重现。深度学习方法同样未从增加额外模态中获得一致益处。

临床数据模型在地理上不同的外部验证队列中表现也有所下降，AUC范围为0.55至0.72，凸显了AI模型在不同患者人群和医疗系统间迁移的挑战。该研究为回顾性研究，研究人员提醒多模态AI的增量价值仍不确定。I³LUNG决策支持系统目前正在2000多名患者中开展前瞻性验证。

若前瞻性结果得到确认，这些发现提示精准免疫治疗未必总需要日益复杂的分子数据集。将常规可得的患者信息与可解释AI结合，可能为个体化治疗决策提供一条更具可扩展性的路径。

来源：Inside Precision Medicine（英文原文，生物航编译，内容以原文为准）