肺癌是全球癌癥相關(guān)死亡的首要原因。對于能夠檢測特定基因突變以實(shí)現靶向治療且經(jīng)濟實(shí)惠、無(wú)創(chuàng )的方法的需求，以及預測患者生存結果的需求，凸顯了提升診斷和預后能力的重要性。當前的肺癌診斷模型常常無(wú)法整合多樣化的患者數據，導致臨床評估不全面。
2025 年 7 月 2 日，溫州醫科大學(xué)附屬第一醫院黃曉穎教授、北京大學(xué)未來(lái)技術(shù)學(xué)院王勁卓、溫州醫科大學(xué)張康、四川大學(xué)華西醫院王成弟等，在 Cell 子刊 Cell Reports Medicine 上發(fā)表了題為：AI-enabled molecular phenotyping and prognostic predictions in lung cancer through multimodal clinical information integration 的研究論文。
該研究開(kāi)發(fā)了一款多模態(tài)集成 AI 模型--LUCID，通過(guò)多模態(tài)臨床信息整合，實(shí)現了肺癌分子表型分析及預后預測。
肺癌是全球癌癥死亡的首要原因，其全球疾病負擔在醫療保健領(lǐng)域構成了重大挑戰。近期人工智能（AI）領(lǐng)域的進(jìn)步為改善肺癌的診斷、治療規劃以及預后預測帶來(lái)了前所未有的機遇。AI 驅動(dòng)的解決方案與臨床實(shí)踐的融合，在提高診斷準確性和治療效果方面展現出巨大潛力，標志著(zhù)腫瘤治療模式的重大轉變。
在肺癌管理方面，AI 在多個(gè)領(lǐng)域取得了重大的技術(shù)突破。深度學(xué)習算法在分析包括 X 光、計算機斷層掃描（CT）、正電子發(fā)射斷層掃描和磁共振成像在內的醫學(xué)影像數據方面表現出色，能夠發(fā)現人類(lèi)可能忽略的細微模式和特征，從而實(shí)現更早、更準確的診斷。此外，AI 在處理復雜的分子數據方面也展現出了卓越的能力，包括基因組特征和生物標志物信息，這有助于更精確地對患者進(jìn)行分層，并制定個(gè)性化的治療策略。
醫學(xué)數據固有的多模態(tài)特性，在肺癌護理中既帶來(lái)了挑戰也帶來(lái)了機遇。通過(guò)同時(shí)分析多種類(lèi)型的數據，多模態(tài) AI 方法能夠對疾病有更全面的理解。高質(zhì)量配對數據集的日益增多加速了復雜多模態(tài)融合技術(shù)的發(fā)展和應用。這些多模態(tài)模型提高了從初步診斷到治療規劃和預后預測等各種應用中 AI 系統的可靠性和準確性。它們還使臨床醫生能夠基于綜合、個(gè)性化的建議做出更明智的決策，這些建議考慮了患者數據的多個(gè)方面。
EGFR 基因突變是某些類(lèi)型非小細胞肺癌發(fā)生和發(fā)展的關(guān)鍵驅動(dòng)因素。這些突變會(huì )導致 EGFR 信號通路過(guò)度激活，促進(jìn)腫瘤細胞不受控制地增殖、存活和轉移。特定的 EGFR 基因突變，例如 19 號外顯子缺失和 21 外顯子的 L858R 突變，已被確立為 EGFR 酪氨酸激酶抑制劑（TKI）的明確治療靶點(diǎn)，這些抑制劑可直接抑制異常的 EGFR 活性。EGFR-TKI 在攜帶這些突變的患者中已顯示出顯著(zhù)的臨床療效，與傳統化療相比，能提供更好的治療效果和更少的副作用。
除了突變識別之外，準確的生存時(shí)間預測仍是優(yōu)化肺癌治療策略的關(guān)鍵組成部分。這種預后信息使臨床醫生能夠制定更個(gè)性化的治療方案，同時(shí)為患者及其家屬提供未來(lái)規劃的重要見(jiàn)解。預測過(guò)程整合了多種臨床參數，包括腫瘤特征、疾病分期、患者人口統計學(xué)特征以及整體健康狀況，所有這些因素都對生存結果有著(zhù)顯著(zhù)影響。此外，強大的預測模型有助于更有效地分配資源，幫助優(yōu)化干預措施，從而提高生活質(zhì)量并增強治療效果。
為解決肺癌治療中的這些關(guān)鍵需求，研究團隊推出了 LUCID，這是一種新型的兩階段多模態(tài)集成模型，旨在以更高的準確性預測 EGFR 突變類(lèi)型和患者生存時(shí)間。LUCID 模型利用了一個(gè)包含 5175 名患者的綜合數據集，整合了包括肺部 CT 圖像、患者自述癥狀、實(shí)驗室檢查結果和人口統計信息在內的多種數據模式。LUCID 的集成方法不僅在預測性能上優(yōu)于傳統模型，還通過(guò)其促進(jìn)更個(gè)性化治療策略的能力，突顯了 AI 在醫療保健領(lǐng)域的變革潛力。
該研究的關(guān)鍵貢獻在于其多模態(tài)方法，該方法利用定制設計的 Transformer 框架來(lái)分析四種不同的數據模態(tài)，以預測肺癌患者的 EGFR 突變類(lèi)型和生存時(shí)間。廣泛的實(shí)驗驗證表明，LUCID 與傳統的單模態(tài)方法相比具有更優(yōu)越的性能。該模型在 EGFR 突變預測方面實(shí)現了 0.851-0.881 的受試者工作特征曲線(xiàn)（AUC）得分，在生存時(shí)間預測方面實(shí)現了 0.821-0.912 的得分。在獨立數據集上的外部驗證也顯示了其穩健的性能。值得注意的是，盡管 LUCID 是在配對的多模態(tài)數據上進(jìn)行訓練的，但在單模態(tài)輸入或模態(tài)缺失的情況下仍能保持穩健的性能。這些結果代表了 AI 驅動(dòng)的肺癌診斷和預后領(lǐng)域的重大進(jìn)展。
該研究的亮點(diǎn)：
論文鏈接：
https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00289-7
合作咨詢(xún)
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國際展覽有限公司版權所有（保留一切權利）
滬ICP備05034851號-57
