人工智能驱动的肿瘤与周围组织分析预测肺癌EGFR靶向治疗及免疫治疗反应：一项多中心归因研究

　　本研究针对EGFR-TKI治疗预后不佳的难题，由中国和美国多中心研究人员开发了整合人工智能框架（IFAI），通过融合影像组学与深度学习特征，成功实现对EGFR突变（19Del/L858R/T790M）及PD-1/PD-L1的高精度预测（AUC>0.9），为肺癌精准治疗提供新范式。

　　

在癌症治疗领域，肿瘤细胞异质性和动态变化显著影响基因测序和免疫组化染色结果。尤其值得关注的是，接受表皮生长因子受体（EGFR）-酪氨酸激酶抑制剂（TKI）治疗的患者尚未展现出良好的长期预后。为此，本研究提出人工智能整合框架（IFAI），旨在探索新型分子检测方法。

研究团队整合了来自中美三家机构的506例非小细胞肺癌（NSCLC）患者数据。为了融合肿瘤及周围组织的影像组学评分与深度网络特征，开发了以注意力机制DenseNet 121为核心网络的IFAI系统，并进一步探索了IFAI与临床因素结合的协同模型（IFAI-C）。通过分析患者RNA测序数据，深入解析了IFAI的生物学机制。

在独立测试数据中，IFAI-C展现出卓越的预测性能：EGFR曲线下面积（AUC）达0.912，外显子19缺失（19Del）为0.911，外显子21突变（L858R）为0.905，T790M耐药突变为0.911，程序性死亡蛋白1（PD-1）及其配体1（PD-L1）预测达0.904。这种能力是对基因测序和免疫组化等传统方法的重要补充。分析表明IFAI中的影像组学特征与EGFR基因型、耐药突变及免疫分子表达显著相关，这些特征还与多种耐药基因型和癌症进展机制存在强关联。

IFAI-C不仅提供了具有性能优势的新方法，其生物学分析更证明了从肿瘤及周围组织中提取基因型和免疫分子信息的能力，这一发现对指导肺癌治疗决策具有潜在价值。