Nivolumab

☝ 点击上方 一键预约 ☝   最新最热的医药健康新闻政策 随着各大MNC陆续披露2024年业绩，全球新的药物格局已经逐渐清晰。 全球销售额TOP 10的名单中，共有2款GLP-1药物、3款自免药物、2款抗肿瘤药物。默沙东的“王牌”Keytruda（K药）继续称雄，诺和诺德的Ozempic（司美格鲁肽）和赛诺菲/再生元的Dupixent分类二三位。整体来看，肿瘤药物的热度正在消退，GLP-1药物、自免药物已然成为全球药物新的发展方向。 图：2025年全球药物TOP 10，来源：锦缎研究院 当然，这只是当下全球药物的销售情况，仅代表已经发生的过去。对于投资者而言，更重要的是找到哪些尚未爆发的潜在机会，这也是本文研究的初衷。经过全面的系统复盘，我们努力形成了一份十大MNC未来的增长点清单。 01 默沙东：紧抱K药 好消息是，默沙东的K药太强了！坏消息是，除了K药之外，默沙东几乎没有新的增长点。 凭借K药的强势表现，默沙东在2024年取得641.68亿美元的营收，同比增长7%。但公司整体营收增速是要明显低于K药18%增速的，这意味着默沙东K药之外的产品表现不尽如人意。所有肿瘤产品中，唯有HIF - 2α抑制剂Welireg表现亮眼，实现同比增长133%，不过其营收规模仅为5.09亿美元，尚不能成为公司的核心增量。 图：默沙东核心药物一览，来源：锦缎研究院 一直以来，疫苗业务都是默沙东重要的第二增长点，但随着HPV疫苗在中国市场的饱和，进而造成默沙东整体疫苗业务失速，HPV疫苗Gardasil/Gardasil 9的全年营收为85.83亿美元，同比下降3%。 默沙东虽然拥有K药这个大杀器，但后续管线潜力不足。目前公司唯一的战略就是竭力放大K药的营收，但这也加剧了K药遭遇专利悬崖后的风险。 02 礼来：GLP-1全面爆发 GLP-1药物的全面爆发，造就了礼来全球药王的地位。 2024年，礼来全球营收450.43亿美元，同比增长32%，主要受GLP-1药物爆发带动。礼来的两款GLP-1药物Mounjaro（替尔泊肽糖尿病版）和Zepbound（替尔泊肽减重版）合计贡献营收164.66亿美元，同比暴增208%。Zepbound上市的第一个完整年度就爆卖49.26亿美元，几乎复刻当初Mounjaro的奇迹。 图：礼来核心药物一览，来源：锦缎研究院 除GLP-1药物的爆发外，礼来的CDK4/6抑制剂Verzenio也取得惊喜。凭借2023年3月率先拿下早期乳腺癌适应症，Verzenio成功超越辉瑞的Ibrance，成为全球最成功的CDK4/6抑制剂。SGLT2抑制剂Jardiance也有不错的增长，但由于其合作方BI尚未公布财报，因此暂不列入讨论范畴。 放眼未来，GLP-1药物将成为礼来持续增长的核心，同时礼来的阿尔兹海默症新药Donanemab在去年上市，或将进一步助推礼来业绩的爆发。基于此，礼来极有可能霸占“药王”宝座很长时间。 03 诺和诺德：做深GLP-1 不同于礼来突然爆发，诺和诺德则是持续深耕GLP-1药物的各种场景。 在GLP-1药物的带动下，诺和诺德2024年营收约405亿美元，同比增长25%。具体来看，诺和诺德销售额前三的产品分别是Ozempic、Wegovy（司美格鲁肽减重版）、Rybelsus（司美格鲁肽口服版），仅司美格鲁肽一款产品就累计贡献近280亿美元的营收。 图：诺和诺德核心药物一览，来源：锦缎研究院 诺和诺德值得称道的地方，就在于能够持续挖掘用户的需求，在司美格鲁肽传统版本基础上，持续迭代出减重版与口服版，以拥抱更多的用户群去进行竞争。不过，除了司美格鲁肽这单一爆款外，诺和诺德其他产品的亮点并不多，这也是为何其股价不及礼来的地方。 尽管诺和诺德短板明显，但其向来以实用主义著称，谁也不知道其未来会迭代出怎样具有想象力的产品。 04 强生：成熟稳健 纵观所有MNC企业，强生绝对是最成熟稳健的一家。 整个2024年，强生总营收达888亿美元，同比增长4.3%。其中创新药营收569.64亿美元，医疗器械营收318.57亿美元，营收增速均在4%以上。这里我们暂不考虑医疗器械，仅聚焦于强生创新药产品。 虽然强生并没有K药和GLP-1那样吸睛的药物，但其却拥有两款年营收额突破100亿美元的产品。这也就意味着，强生并没有特别依赖于某一款产品，而是依靠丰富的产品矩阵创造营收，保证强生在Imbruvica、Stelara、Remicade、Simponi营收下滑的情况下仍能够继续增长。 图：强生核心药物一览，来源：锦缎研究院 纵观强生产品线，涵盖肿瘤、自免、抗病毒、CAR-T、CNS（中枢神经系统）等众多赛道。其中，治疗前列腺癌的Erleada、治疗抑郁症的SPRAVATO，以及治疗血液瘤的CARVYKTI有望担任营收增量角色，它们均在2024年取得喜人的数据。 尤其是强生在收购了Intra-Cellular后，或将进一步增加对于CNS赛道的投入力度。收购而来的Caplyta，或将与SPRAVATO形成产品共振，构建属于强生自己的抗抑郁护城河。 05 阿斯利康：增长周期 “骗保窝案”让阿斯利康中国深陷“舆论中心”，但其全球业务却增长喜人。 如果说强生的产品组合成熟稳健的话，那么阿斯利康的产品组合则彰显出朝气蓬勃。在2024年，阿斯利康共实现营收540.73亿美元，同比增长21%。与强生类似，阿斯利康的营收也并非由大单品贡献，而是凭借丰富的管线构建所实现。 图：阿斯利康核心药物一览，来源：锦缎研究院 具体来看，阿斯利康的所有管线中，虽没有营收突破百亿美元的“大爆款”，但却有多达7款核心产品的营收实现20%以上的同比增长，其中还没有包括EGFR抑制剂奥希替尼以及PD-L1抑制剂Imfinzi。尤其在癌症领域，阿斯利康拥有奥希替尼、Imfinzi、Enhertu、Calquence等多个重量级产品，核心竞争力极强。 仅从业务层面而论，阿斯利康构建起的产品矩阵正处于上升周期，有望在未来数年持续增长，进而助推公司更上一层台阶。 06 辉瑞：并购带动增长 新冠红利消退、核心药物失速、RSV疫苗未达预期，辉瑞似乎麻烦不断。不过，辉瑞交出的2024年答卷却并没有那么糟糕。 整个2024年，辉瑞共实现营收636.27亿美元，同比增长7%，没有消息面那样悲观。辉瑞最大的惊喜在于，新冠特效药Paxlovid的反弹，在2023年其营收跌至12.79亿美元后，Paxlovid在去年迅速反弹至57.16亿美元，成为2024年最让人惊喜的营收增量。此外，罕见病氯苯唑酸类药物Vyndaqel销售额54.51亿美元，同比增长64%，也助推了辉瑞的增长。 图：辉瑞核心药物一览，来源：锦缎研究院 当然，辉瑞营收增长不错还有另外一重推力，那就是持续并购所带来的新增量。依靠新冠红利，辉瑞赚得盆满钵满，并拿出一部分利润去进行连续收购。偏头疼药物Vydura、Nectin-4 ADC药物Padcev、CD30 ADC药物Adcetris均是辉瑞通过收购Biohaven公司和Seagen得来，这也使得辉瑞营收重新活力。 一直以来，我们都认为辉瑞是一个机会主义者，其正在利用新冠时积累的红利释放增长。 07 BMS：重新激活PD-1 在与K药的PD-1争夺战中，Opdivo（O药）败下阵来，但这并不耽误O药成为一款百亿美元级别的“爆款”。与默沙东类似，BMS的核心策略也是围绕O药这款“基石”产品做文章。 整个2024年，BMS共实现营收483亿元，同比增长7.3%，这一成绩是明显强于去年的（2023年营收同比降低2.5%）。除传统业务的增长外，BMS的核心增长点主要在两方面，其一罕见药Reblozyl的持续爆发；其二O药矩阵的重新激活。 图：BMS核心药物一览，来源：锦缎研究院 Reblozyl是一款治疗罕见血液病β地中海贫血的药物，并作为对红细胞生成刺激剂（ESA）如促红细胞生成素等常规治疗无应答的骨髓增生异常综合征（MDS）患者的二线治疗。2023年8月，Reblozyl获批用于MDS一线疗法，极大地提升了这款药物的产业价值，这也是为何其能够在2024年营收同比暴增近76%的原因。 另一方面，BMS围绕O药进行了一系列联用，无论是Yervoy的增长，还是Opdualag（PD-1+LAG-3复方制剂）的爆发，本质都是BMS试图利用联用疗法重新激活O药增长。这也有望成为BMS未来的核心增长点。 08 诺华：拥抱未来 小核酸药物、核药，这两大类新兴药物赛道中，诺华已经成为绝对的龙头公司。 积极拥抱未来的同时，诺华现阶段的核心药物增长势头同样迅猛。在2024年诺华实现营收503.17亿美元，同比增长12%。整个产品矩阵中，诺华共有4款产品营收增速突破40%，多达7款产品营收增速突破20%。 图：诺华核心药物一览，来源：锦缎研究院 营收增速突破40%的4款产品中，Kesimpta在多发性硬化症药物取得超预期表现，CDK4/6抑制剂Kisqali刚在欧洲获批早期乳腺癌，Pluvicto是最炙手可热的核药产品，Leqvio则是新一代降血脂的小核酸药物。这四款药物均有望在未来持续延续增长。 从我们的视角观测，诺华的研发策略始终不拘一格，也是所有MNC中拥抱未来做得最好的。 09 不可或缺的替代疗法 修美乐跌落神坛后，曾有不少投资者认为艾伯维将会一蹶不振，但谁也没有想到仅用两年时间就恢复元气。 2024年度，艾伯维共实现营收563.34亿美元，同比增长3.7%。从表面上看，艾伯维3.7%的增速似乎并不高，但若考虑修美乐过去两年蒸发的122亿美元营收，投资者就能知道艾伯维这个业绩得来的不容易，而且艾伯维还是在自免领域重新恢复的增长。 图：艾伯维核心药物一览，来源：锦缎研究院 进一步聚焦，艾伯维的核心增长来自两款自免产品，IL-23单抗Skyrizi和JAK1抑制剂Rinvoq的爆发式增长，两者均在2024年实现50%的同比增速。能够如此短时间就让自免赛道重回增长，可见当初修美乐的成功并非偶然，艾伯维依然在自免领域建立极为深厚的商业化渠道和产业护城河。 除两款自免新锐的爆发外，艾伯维的抗抑郁症药物Vraylar也实现18.4%的同比增长，目前其正是全球最热门的抗抑郁药物。BCL-2抑制剂Venclexta增速稳定，销售额达到25.83亿美元，同比增长12.9%。 放眼未来，自免与血液瘤，仍是艾伯维的核心阵地，目前艾伯维也正在通过持续BD去进一步深化在这两个领域的布局。此外，87亿美元收购Cerevel后，CNS也将成为艾伯维未来布局的重点。“自免+血液瘤+CNS”这将是艾伯维未来的方向。 10 罗氏：重塑增长 凭借“单抗三驾马车”，罗氏成为当年最炙手可热的创新药公司，但当生物类似药逐渐多起来后，罗氏的关注度也正在下降。目前，罗氏的核心战略就是重塑增长。 在2024年中，罗氏共实现营收约688.92亿美元，其中制药营收业务约525.8亿美元，同比增长8%。罗氏的四大核心产品实则都遭遇营收放缓的问题：CD20单抗Ocrevus营收同比增速降至5.7%；FIXa/FX双抗Hemlibra营收增速降至8.6%；PD-L1单抗Tecentriq营收同比下降3.3%；HER2单抗Perjeta营收同比下降4%。 图：罗氏核心药物一览，来源：锦缎研究院 但幸运的是，核心产品增长放缓的同时，罗氏已经找到了破局方向。Vabysmo是全球首款眼科双抗药物，在去年实现64%的营收增长，已经成为40亿美元级别的产品；Phesgo则是一款Perjeta+Herceptin的复方药物，重新激活了罗氏在HER2单抗领域的增长。 业绩放缓的同时，罗氏的新产品也在放量，重塑增长将是罗氏未来一段时间的核心任务。 (来源：医曜  作者：林药师） 药闻康策 新媒体矩阵微信公众号 点击下方  一键关注 【免责声明】 1.“药闻康策”部分文章信息来源于网络转载是出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性。如对内容有疑议，请及时与我司联系。2.“药闻康策”致力于提供合理、准确、完整的资讯信息，但不保证信息的合理性、准确性和完整性，且不对因信息的不合理、不准确或遗漏导致的任何损失或损害承担责任。3.“药闻康策”所有信息仅供参考，不做任何商业交易或医疗服务的根据，如自行使用“药闻康策”内容发生偏差，我司不承担任何责任，包括但不限于法律责任，赔偿责任。 欢迎转发分享、点赞、点在看

点击蓝字 关注我们 引用本文：李卓苒，赵杰，王志杰．人工智能在肿瘤标志物研究领域中的应用[J/CD]．肿瘤综合治疗电子杂志，2025，11（1）：26-35． 通信作者：王志杰 E-mail ：jie_969@163.com 【摘要】 近年来，人工智能（artificial intelligence，AI）技术飞速发展，在肿瘤领域得到广泛应用，且AI技术在肿瘤的诊断、疗效预测、预后分析等多方面均展现出可观的性能。本文主要从数字病理学、放射组学、基因组学、蛋白质组学等多种组学数据出发，论述如机器学习、深度学习等AI算法在肿瘤标志物方面的研究进展，并归纳AI技术在临床应用中的优势和局限性。 【关键词】 人工智能；肿瘤标志物；数字病理学；放射组学 1 人工智能概述 人工智能（artificial intelligence，AI）可被理解为智能主体的研究与设计，即研究如何使计算机具备模仿人类、进行自主性学习、理解、创造、解决问题以及做出决定判断等能力的科学技术方法。计算机辅助诊断（computer-aided diagnosis，CAD）的应用可追溯至20世纪50年代，通过数学模型与临床医学结合，利用计算机储存信息及分析的能力对肿瘤等疾病进行诊断[1-3]。AI技术目前在肿瘤学方面的应用主要包括机器学习（machine learning，ML）、深度学习（deep learning，DL）、强化学习等技术，其中DL和强化学习属于ML的范畴[2]。ML可自动识别临床变量、特点并完成分析，从而协助诊断和治疗[2]。DL技术将神经网络作为其基础算法，通过自动且持续的学习过程调整参数、优化模型，从而获得最佳输出结果[2]。传统的ML仍需要人工注释定义组织特征，而DL能基于原始数据自动学习，通过连续层次的识别获得最终输出结果[4]。基于DL的AI方法已逐渐应用于医学成像领域，相较于传统ML，DL在大数据的支持下对研究特征有更强大的提取能力。强化学习被广泛应用于肿瘤的定位、分割、分类中[5]。DL模型与强化学习算法相结合，形成了Deep Q-learning和Deep Q-networks等算法，在肿瘤精准定位、个体化治疗等方面取得了显著的进展[6]。基于训练方式分类，ML可分为监督学习、无监督学习和半监督学习3种主要类型。监督学习包括使用标记好的数据训练模型，无监督学习、不涉及数据标记，而半监督学习则结合已标记及未标记数据进行分析。标记过程由人工完成，虽然相对耗时，但可提高模型效能[7]。值得注意的是，AI以其非侵入性操作模式，对肿瘤标志物的持续监测，以及对结果的精准判读等优势为临床生物标志物的探寻、监测及应用带来了新的机遇[8-9]。 2 人工智能在肿瘤生物标志物中的应用 2.1  AI在病理学中的应用 全载玻片图像（whole slide image，WSI）能提供高分辨率图像及像素化信息，实现对信息的定量分析，为AI在肿瘤病理学中的应用奠定基础[10]。AI技术在病理学中的应用能检测受体表达、探寻遗传学和表观遗传学变化（如基因易位、甲基化等），为理解肿瘤生物学提供了关键信息。DL算法在病理图像处理中应用广泛，可用于肿瘤检测[11-12]、分类诊断[13]、病理分型及基因突变预测[14]、肿瘤标志物水平检测[15]、预后预测[16-17]等。另外，AI有助于辅助新肿瘤标志物的挖掘，已有研究利用可解释性DL网络框架（PathFinder）辅助潜在生物标志物的定位和辨识[18]。 2.1.1 病理学AI与免疫治疗疗效预测标志物 免疫治疗相关生物标志物主要包括程序性死亡受体配体1（programmed death-ligand 1，PD-L1）、肿瘤突变负荷（tumor mutation burden，TMB）、微卫星不稳定性、DNA错配修复、循环肿瘤DNA（circulating tumor DNA，ctDNA）、T细胞炎性基因表达谱、肿瘤浸润淋巴细胞（tumor infiltrating lymphocytes，TILs）等，检测标本包括组织、细胞或血液[19-21]。常见免疫治疗药物包括免疫检查点抑制剂、嵌合抗原受体T细胞和肿瘤疫苗等。 大量研究发现，通过数字化图像分析技术，能识别免疫组织化学图像等病理学特征，从而判断PD-L1表达水平，结果与病理学家人工识别结果具有高度相似性，一致率可达80%～90%[22-24]。Kapil等[25]基于DL模型，减少了对人工注释的依赖，通过半监督生成学习模式在非小细胞肺癌（non-small cell lung cancer，NSCLC）样本中自动评估PD-L1表达，结果与人工评分高度相符，lin一致系数达0.94。基于自动化ML Optra图像分析，Taylor等[26]在NSCLC细胞中建立了自动评估PD-L1免疫组织化学染色的方法，相比传统病理学家阅片，lin一致系数达0.70～0.80。Wu等[27]通过DL模型自动评估NSCLC中PD-L1肿瘤比例分数，其结果的准确度与特异度分别高达93.2%和96.4%，与病理学家计算结果具有高度一致性（R＝0.94～0.95）。Humphries等[28]通过数字化图像分析发现高PD-L1表达与三阴性乳腺癌预后有关，基于PD-L1表达对患者进行分层可预测患者预后。Koelzer等[29]在皮肤黑色素瘤中，通过ML算法排除炎症浸润混杂信号，发现PD-L1阳性率与CD8+T淋巴细胞浸润相关，评估结果具有高度重复性，可用于患者分层。研究证实，数字病理学（digital pathology，DP）的应用有助于提高PD-L1定量评分的精准性和可重复性。基于WSI信息的AI技术在自动评估PD-L1精准评分中具有极大的应用潜力，且不同抗体信息间的迁移学习为多抗体条件下AI模型构建提供了可能性。 在其他免疫微环境相关肿瘤标志物中，AI同样取得了一定的进展。大鼠叉头框蛋白P3（forkhead box protein P3，FOXP3）是肿瘤微环境中的重要成分，能调控调节性T淋巴细胞的生长和分化。Jiang等[30]在Ⅰ～Ⅲ期小细胞肺癌患者中基于XGBoost算法，构建了基于FOXP3、TILs PD-L1、CD8的免疫风险评分，曲线下面积（area under the curve，AUC）达0.715，提示该评分模型对小细胞肺癌患者的复发及生存具有预测作用。Bang等[31]在晚期接受程序性死亡受体1（programmed death-1，PD-1）抑制剂治疗的胆道癌患者中，基于苏木素-伊红（hematoxylin-eosin，HE）染色的WSI信息，通过AI辅助的免疫表型分析对TILs进行分类，发现炎症型患者预后较好。 总体来说，基于生物标志物预测免疫治疗疗效的AI技术近年来蓬勃发展，从最初依赖于人工注释，到逐步提升模型的自主学习能力，AI算法在病理图像的识别方面取得了极大的进步。但在实现免疫疗效精准预测方面，仍需要更为深入的挖掘，且更新的预测性生物标志物亟待探索，从而进一步推动个体化免疫治疗，改善患者预后。 2.1.2 病理学AI与靶向治疗疗效预测标志物 目前，活检仍是检测基因突变的“金标准”，但侵入性活检仍存在假阴性结果的风险，且重复活检可能增加局部转移的风险，在临床应用中亟须无创且准确的基因突变检测和靶向疗效预测方法，从而改善患者治疗体验及预后。AI在病理学中的应用能进一步提升信息利用度，在明确诊断、预测预后方面具有极大的应用价值。 基于WSI的多项研究证实了AI通过组织病理学信息分析推测基因突变的潜力。Yang等[32]基于卷积神经网络（convolutional neural network，CNN）的DeepLRHE框架，利用癌症基因图谱（the cancer genome atlas，TCGA）的WSI数据，实现对TP53、EGFR、DNMT3A、PBRM1和STK11等基因突变的预测，其中TP53的预测效果最好，AUC达0.87。另一项研究基于DL算法（DeepIMLH），通过深度卷积高斯混合模型、CNN和残差网络等方法，利用HE染色图片识别突变基因，如MET、FGFR1、FGFR2、HRAS、AKT1等，获得了较好的预测效果[33]。Coudray等[14]在肺腺癌中利用深度卷积神经网络（inception v3）基于WSI预测STK11、EGFR、FAT1、SETBP1、KRAS和TP53这6个基因状态，AUC为0.733～0.856。Chen等[34]通过DL系统提取WSI信息，预测免疫组织化学表型及EGFR、KRAS突变状态，AUC为0.525～0.917。另外也可预测CK7、TTF-1、Napsin A、CK5/6、P63、P40、CD56、突触素和CGA等9种亚型特异性生物标志物的免疫组织化学状态，总体诊断准确率为0.887～0.925。EL Nahhas等[35]建立了基于自监督注意力机制的弱监督回归方法，在9种肿瘤组织中预测生物标志物状态，如同源重组修复缺陷（homologous recombination deficiency，HRD）评分及一些在肿瘤微环境中发挥关键作用的生物标志物。结果提示，该方法可明显提高对多种常见肿瘤标志物（如HRD）的预测能力，为数字病理学中生物标志物的连续预测分析提供了新的可能。Sadhwani等[36]利用DL模型基于肺腺癌HE染色WSI预测TMB状态，在外部验证集中AUC达0.78～0.98，相比仅应用临床数据模型的TMB预测效果更好。 基于人表皮生长因子受体2（human epidermal growth factor receptor-2，HER-2）靶点的药物方兴未艾，DL能利用病理信息识别HER-2及HRD状态，从而指导治疗。在抗HER-2治疗耐药性方面，Chen等[37]在胃癌患者中利用DL方法构建多模数据库模型，结合放射组学、病理学、临床特征等信息，对抗HER-2治疗（AUC为0.821）、抗HER-2联合免疫治疗（AUC为0.914）疗效及患者预后进行精准预测。HER-2检测在乳腺癌的靶向治疗中发挥关键作用，有研究基于DL方法对乳腺癌中HER-2分子表达进行评分从而指导靶向治疗，结果与病理学专家审核结果一致性达83%[38]。在卵巢癌诊治中，HRD的识别同样对个体化治疗具有重要意义。Frenel等[39]通过深度神经网络方法，基于WSI信息，预测卵巢癌患者的HRD状态，基于TCGA的外部验证集AUC为0.67。 2.1.3 病理学AI与预后标志物 Ki-67是乳腺癌筛查和分级中的重要生物标志物之一。由于病理染色中细胞核形态、颜色和强度存在差异，人工主观评分耗时且结果波动较大。为此，多种ML算法已应用于Ki-67的评估，Saha等[40]在乳腺癌研究中基于DL构建Gamma混合模型，精确度达93%。为进一步克服Ki-67非特异性分布，有研究在胰腺神经内分泌瘤中通过构建DL模型自动识别肿瘤相关Ki-67染色，模型对肿瘤预后预测的敏感度和特异度分别高达97.8%和88.8%[41]。 2.2  基于放射组学的AI 放射组学通过从医学图像中自动提取高通量定量特征，并通过ML算法选取最佳影像学特征，依据其与生物标志物表达水平相关性建立预测模型[42]。利用AI技术基于放射组学信息对生物标志物的分析相较于传统检测方法，具有非侵入性、可体现肿瘤内分子表达时空异质性等特点，在临床应用中具有极大的潜力。 2.2.1 放射组学AI与免疫疗效预测标志物 目前，PD-L1检测主要依赖于免疫组织化学染色，但该方法为侵入性检查，且对PD-L1在肿瘤组织中分布的时空异质性反应不足[43]。随着AI技术的发展，非侵入性医学成像技术在一定程度上有助于实现对PD-L1状态的动态监测[44-45]。 有研究发现，特定的影像学特征，如纹理、形状、强度及空间分布特征等信息，与PD-L1等免疫标志物表达密切相关[46]。基于放射组学的信息提取最常用计算机断层扫描（computed tomography，CT）影像信息，正电子发射体层摄影/CT（positron emission tomography/CT，PET/CT）作为肿瘤常见检测手段也可作为DL的载体从而对疗效及预后进行预测。在NSCLC中基于CT放射组学构建模型，预测PD-L1表达的AUC超过0.75[47-49]。Jiang等[50]通过人工选取肿瘤区域并提取特征，基于ML构建预测模型，在外部队列中对PD-L1预测的AUC达0.85。另一项研究也通过从NSCLC患者中提取CT图像中的放射性特征，提出PD-1/CD8比值是肿瘤微环境特征中对患者预后最佳预测因子[51]。而基于PET/CT影像学信息，Monaco等[52]通过ML算法预测PD-L1表达水平敏感度和特异度分别为81%和82%，但依据PD-L1＞1%标准对患者进行分类时模型表现并不令人满意。Mu等[53]基于PET/CT信息，通过DL构建SResCNN模型预测PD-L1表达状态及患者预后，PD-L1阳性预测AUC ≥0.82。 有研究通过三维密集连接卷积网络方法，在接受免疫检查点抑制剂治疗的患者CT影像数据中预估靶肿瘤区域，从而区分患者TMB高、低分组， 测试集AUC达0.81。通过建立TMB放射性生物标志物（TMB radiomic biomarker，TMBRB），研究者据此将患者分为高风险组和低风险组，两组患者总生存（overall survival，OS）率（HR＝0.54，95%CI为0.31～0.95，P＝0.030）和无进展生存率（HR＝1.78，95%CI为1.07～2.95，P＝0.023）存在显著差异，可辅助临床对免疫检查点抑制剂适用患者的筛选[54]。联合肿瘤免疫微环境、临床病理学及影像学特征，研究者构建的多参数预后模型（AUC为0.83～0.91）在NSCLC预后风险评估方面表现优于pTNM分期（AUC为0.66）[55]。Vaidya等[47]利用随机森林分类，在NSCLC患者CT信息中选取与免疫治疗后超进展最相关的组织纹理及脉管特征，对超进展预测的AUC为0.85～0.96。以上研究结果表明，基于放射组学及AI的应用，可进一步推动免疫相关标志物的检测及分析，对未来更精准化的治疗提供理论基础。 2.2.2 放射组学AI与靶向治疗疗效预测标志物 在EGFR基因检测方面，有研究显示，CT图像特征如肿块大小、形状、边缘、肺部磨玻璃影（ground-glass opacity，GGO）、胸膜凹陷、空气支气管征、血管集束征等与EGFR突变有关[56-57]。多项研究证实，依据影像学信息可预测EGFR突变状态并预测EGFR酪氨酸激酶抑制剂（tyrosine kinase inhibitor，TKI）疗效，且基于增强CT的放射组学研究结果优于普通CT[58]。 基于CT的放射组学可以自动提取和分析影像学特征，从而使EGFR突变预测的敏感度和特异度最大化。研究者在NSCLC患者中提取肺腺癌患者术前CT影像学特征，结合临床风险因素构建列线图，验证队列AUC达0.74，提示CT影像学特征的提取和分析可以作为预测EGFR突变的非侵入性手段，且可提示对TKI的疗效和预后[57]。Cheng等[59]通过梯度提升决策树技术在存在GGO的肺腺癌患者中，提取了1476个放射组学特征，最终构建了包含102个特征的模型预测EGFR突变，外部验证集AUC达0.803。临床特征的加入并未提高放射组学模型在预测结果方面的优势。在存在不可切除GGO肺腺癌患者中证实该模型进一步提高了患者EGFR-TKI治疗的效能，反应率提升至53.8%[59]。 在肺癌患者中，研究者基于肺部CT构建了全自动人工智能系统（fully automated artificial intelligence system，FAIS），用于预测EGFR基因突变亚型及EGFR-TKI疗效，在多组队列中AUC达0.748～0.813[60]。基于全肺CT影像分析，FAIS发现了29个预后相关DL特征，从而实现对TKI高耐药风险EGFR突变的识别。FAIS的表现优于基于肿瘤组织的DL方法，提示影像学特征可作为基因突变类型和预后信息的获得途径之一。FAIS联合临床因素构建FAIS-C模型，发现模型预测的EGFR野生型患者中位无复发生存时间短于突变组患者（8.4个月∶12.3个月），FAIS-C模型的表现优于FAIS[60]。Wang等[61]构建了多任务AI系统，包含DL模块及放射组学模块，结合临床特征，在区分EGFR突变亚型（AUC为0.928）、明确PD-L1状态（AUC为0.905）方面表现出令人满意的结果。继发性EGFR突变是患者应用一代和二代EGFR-TKI治疗后产生获得性耐药的重要原因之一。在NSCLC患者中，EGFR Thr790Met突变与患者耐药密切相关[21]。Rossi等[62]通过建立ML模型，从CT图像中提取到17个与EGFR T790M突变相关的放射组学特征，验证集中对EGFR突变预测准确率高于76.6%。 基于磁共振成像（magnetic resonance imaging，MRI）的放射组学同样具有预测EGFR-TKI疗效的潜力，尤其是在伴有EGFR突变的脑转移NSCLC患者中。Wang等[63]研究证实，基于MRI放射学模型可以预测肺腺癌患者的EGFR状态，且多序列模型（AUC为0.838）表现优于单序列模型（AUC为0.655～0.805）。另一项研究同样证实在肺腺癌脑转移患者中，基于MRI影像学信息可辨别EGFR突变，其中T2-FLAIR序列表现最优（AUC为0.987）[64]。PET/CT在肺癌复发预测和生物标志物识别方面具有潜在价值[65]。EGFR信号通路在肺腺癌细胞中参与有氧糖酵解，提示18F-氟代脱氧葡萄糖（18F-fluor-odeoxyglucose，18F-FDG）成像信息可反映EGFR基因状态[66]。在NSCLC患者中基于18F-FDG PET/CT纹理特征的ML模型检测EGFR突变，该模型可区分EGFR exon 19与exon 21突变亚型，AUC达0.86[67]。 2007年研究发现了EML4-ALK融合基因在肺部的致癌作用，ALK-TKI在ALK融合基因的NSCLC患者中能改善预后[68]。ALK基因重排的精准识别有助于指导治疗及评估远期获益。Song等[69]基于DL模型，结合CT图像信息及临床病理数据预测NSCLC患者中ALK基因突变融合状态，验证集中AUC达0.775。基于CT信息和临床病理学特征的模型在预测ALK基因突变方面效果更佳，验证集中AUC达0.848，模型预测为ALK阳性的患者接受靶向治疗后预后更好。在肺癌脑转移患者中，Chen等[70]基于脑部MRI图像，利用随机森林分类器算法，通过影像学和临床信息共同构建模型，预测EGFR、ALK、KRAS突变状态，AUC为0.912～0.985。Chang等[71]基于PET/CT影像学特点和临床特征，通过ML方法预测ALK突变状态，测试集AUC达0.88，临床特征的加入并未明显改善模型的效能。ALK具有多种融合基因突变类型，且继发性突变可能是导致TKI耐药的原因之一，目前基于放射组学及AI方法在ALK融合突变亚型的识别方面的研究仍有较大挖掘空间。 其他肺癌中常见的突变基因包括KRAS等，可能是潜在的抗肿瘤靶点。Rios Velazquez等[72]利用AI技术，通过筛选放射组学特征，成功区分EGFR突变病例（AUC＝0.69），结合临床特征可进一步提高预测准确性（AUC＝0.75），在判别EGFR和KARS突变阳性的肿瘤中表现良好（AUC＝0.80）。另外，Zhuang等[73]利用ML对胶质瘤患者MRI信息进行特征识别，并构建模型。通过建立放射肿瘤学和放射集富集分析2个新方法后发现，基于MRI影像的区域体积及纹理特征异质性特点，可构建DNA甲基化图谱，从而有助于临床分子诊断和肿瘤治疗。 以上研究证明，AI应用于放射组学在肿瘤标志物的持续性检测中具有极高的临床应用潜力，但目前研究多局限于回顾性研究且样本量相对有限，更大的标准化数据支持下的相关研究仍有待开展。 2.3  基于多组学、多模式的AI应用 2.3.1 AI在蛋白质组学中的应用 蛋白质组学已成为识别肿瘤生物标志物、预测疗效的关键技术之一。蛋白质组学最早由澳大利亚科学家Marc Wilkins在1994年提出，旨在全面解析基因组编码蛋白，揭示其生物学功能[74]。目前，蛋白质组学的研究方向聚焦于对蛋白质的系统性和大规模分析，其中质谱分析技术是核心研究手段[75]。Muller等[76]利用ML技术开发了血清蛋白分类工具，通过质谱法检测蛋白质组学信息，并结合临床数据，在接受纳武利尤单抗治疗的NSCLC人群中，将患者分为对免疫治疗反应良好（敏感）、中等、不良（耐药）三组。研究结果表明，与接受纳武利尤单抗治疗的不敏感患者相比，敏感患者的OS时间明显更长（HR＝0.58，P＝0.009）。另一项研究基于AI技术，以差异蛋白糖基化作为生物标志物，从而实现对患者预后的预测[77]。相比基因组和转录组学，蛋白质组学在揭示肿瘤微环境中分子间复杂交互关系方面，具有更直接和更精确的优势。 2.3.2 AI在液体活检中的应用 液体活检通过检测体液中游离DNA，从而揭示患者的基因状态和TMB水平。该技术较传统检测更方便，能更全面地反映肿瘤时空异质性特点。然而，血液中游离DNA浓度较低等因素增加了检测难度[78-80]。小细胞外囊泡（small extracellular vesicles，sEVs）携带来源细胞的分子信息，是肿瘤诊断的理想生物标志物。Li等[81]通过ML算法开发了一种双标记检测方法，分析血清sEVs中EGFR和CXCR4分子表达水平，在NSCLC患者中发挥指导诊断、评估疗效、预测复发的作用，基于这2种分子标记的ML模型在验证集中的诊断准确率达91.7%。Liang等[82]通过建立ML模型，能在ctDNA丰度较低时识别甲基化状态，在肺癌患者中检测到52%～81%的患者处于ⅠA～Ⅲ期，特异度达96%，提示ML辅助深度甲基化测序技术在癌症筛查和治疗评估方面展现出显著优势。有研究者通过AI辅助的表面增强拉曼光谱（intelligence-assisted surface-enhanced raman spectroscopy，SERS）方法，通过CNN模型非标签性刻画血浆外泌体（exosomes）特征图谱，实现对早期肺癌的精准诊断，该方法对原位腺癌识别的敏感度、特异度分别为83.3%、83.3%，AUC达0.84[83]。 2.3.3 AI在转录组学中的应用 SELECT是一种精准肿瘤学框架，利用转录组信息通过基因相互作用预测疗效。SELECT已在10种不同肿瘤类型中的35项靶向和免疫临床试验中被检验，其中在80%的临床试验和多臂WINTHER试验中SELECT均可预测患者药物有效性[84]。已有研究利用RNAseq数据通过神经网络检测MET基因14号外显子跳跃性突变，其检出率＞94%[85]。 2.3.4 AI在肿瘤多模态数据集中的应用 多组学研究整合多层面信息，如基因组学、转录组学、放射组学、蛋白质组学、表观组学等，能更全面地展示肿瘤特性[86]。Huang等[87]应用QSMART模型和神经网络架构，整合多组学数据，预测肿瘤细胞系中药物敏感性。在应用PD-1/PD-L1抑制剂治疗的NSCLC患者中，研究利用ML结合RNA、DNA信息及免疫组织化学检测数据构建模型，基于治疗前后数据变化，预测免疫检查点抑制剂治疗的敏感度[88]。 基于AI的多模型整合有助于进一步提高模型预测性能。Qin等[89]通过人工神经网络模型整合临床、病理学、影像学信息预测EGFR突变状态， 预测结果较好。Chen等[90]通过ML模型提取组织病理学图像特征，并与影像学特征、转录组学和蛋白质组学相结合，在肺腺癌患者中成功预测患者ALK（AUC为0.879）、BRAF（AUC为0.847）、EGFR（AUC为0.855）、ROS1（AUC为0.848）等基因突变情况，并成功预测患者预后。现有研究结果提示放射组学、病理学、临床特征等多层面数据的整合分析在临床预测方面具有研究潜力，但多模型数据是否优于单模型数据，如何克服数据稳定性及标准化等问题仍有待更深入的研究。 3 人工智能临床应用存在的问题 AI在临床的广泛应用仍面临许多挑战和瓶颈：①增强对抗噪声数据的鲁棒性、提升输入数据的稳定性仍是AI在实际应用中亟待解决的关键性问题。目前，由于缺乏权威且统一的肿瘤病理图像、影像学图像数据库，医疗资源不均导致检测方法和程序一致性较低等因素，AI需具备对跨地域、多源数据库高效集成与统一识别的能力，以应对多样化数据形式与复杂背景下的精准分析需求，这对AI的临床应用提出了更高的要求。标准化过程规范、预测结果稳定性及可重复性是AI临床应用的基石。②AI 系统在处理复杂的病理学、影像学数据时，尽管展现了初步潜力，但其敏感度和特异度仍需进一步优化。如何寻找特异度和敏感度间的理想平衡点，仍是当前研究的核心挑战之一。③目前大多数AI研究类型为回顾性研究，数据样本相对较小，无偏倚模型难以建立。综合考虑临床信息数字化成本较高等因素，均是AI应用受限的原因之一。④可解释性问题仍是制约AI在临床应用中广泛推广的关键障碍。尽管已有多项研究表明，AI诊断及预测的精度与经验丰富的医生相当，但由于其决策过程缺乏透明性和可解释性，“黑匣子”属性降低了其临床应用的可信度[5,91]。 4 总结与展望 传统病理学检测为侵入性检查，耗时较长，对组织量要求较高，结果一定程度受到医生主观因素的影响。同时，传统病理学染色难以有效揭示肿瘤免疫微环境的复杂性，如细胞间的相互作用、免疫标志物共定位等，尤其在多重染色分析中，往往难以快速识别及整合不同生物标志物信息。AI相比传统人工检测技术，在肿瘤生物标志物的检测、疗效评价、预后预测等方面具有明确优势，能捕捉肉眼无法解析的深层特征，可高质量复现复杂任务，同时，可整合多模态数据构建综合评估模型，从而更全面地解析病情。例如，基于放射组学的AI技术通过非侵入性方式，实现对肿瘤表型的持续性监测，在体现分子表达时空异质性方面具有极大的优势。然而，AI在临床中的应用仍面临较多问题，更多前瞻性研究的探索仍有待开展，更为完善的多中心大型公共数据库仍有待建立，如何把控参数稳定性，平衡数据精确度及特异度及平衡传统检测方法与AI预测的关系等问题仍有待解决。未来，AI将进一步拓展应用的广度及深度，向标准化、规范化应用迈进，以更好地提升临床AI辅助诊断及预测的可靠性及实用性。 参考文献 向上滑动查看 [1] HUANG S, YANG J, SHEN N, et al. Artificial intelligence in lung cancer diagnosis and prognosis: Current application and future perspective[J]. Semin Cancer Biol, 2023, 89:30-37. [2] WONG D, YIP S. Machine learning classifies cancer[J]. Nature, 2018, 555(7697):446-447. [3] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553):436-444. [4] GHESU F C, GEORGESCU B, ZHENG Y, et al. Multi-scale deep reinforcement learning for real-time 3D-landmark detection in CT scans[J]. IEEE Trans Pattern Anal Mach Intell, 2019, 41(1):176-189. [5] LIU Z, YAO C, YU H, et al. Deep reinforcement learning with its application for lung cancer detection in medical internet of things[J]. Futur Gener Comp Syst, 2019, 97:1-9. [6] LEDLEY R S, AND LUSTED L B. Reasoning foundations of medical diagnosis; symbolic logic, probability, and value theory aid our understanding of how physicians reason[J]. Science, 1959, 130(3366):9-21. [7] SVOBODA E. Artificial intelligence is improving the detection of lung cancer[J]. Nature, 2020, 587(7834):S20-S22. [8] WEBB S. Deep learning for biology[J]. Nature, 2018, 554(7693):555-557. [9] SALTO-TELLEZ M, MAXWELL P, HAMILTON P. Artificial intelligence-the third revolution in pathology[J]. Histopathology, 2019, 74(3):372-376. [10] NIAZI M K K, PARWANI A V, GURCAN M N. Digital pathology and artificial intelligence[J]. Lancet Oncol, 2019, 20(5):e253-e261. [11] EHTESHAMI BEJNORDI B, VETA M, JOHANNES VAN DIEST P, et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer[J]. JAMA, 2017, 318(22):2199-2210. [12] CRUZ-ROA A, GILMORE H, BASAVANHALLY A, et al. Accurate and reproducible invasive breast cancer detection in whole-slide images: a deep learning approach for quantifying tumor extent[J]. Sci Rep, 2017, 7:46450. [13] SHARMA H, ZERBE N, KLEMPERT I, et al. Deep convolutional neural networks for automatic classification of gastric carcinoma using whole slide images in digital histopathology[J]. Comput Med Imaging Graph, 2017, 61:2-13. [14] COUDRAY N, OCAMPO P S, SAKELLAROPOULOS T, et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning[J]. Nat Med, 2018, 24(10):1559-1567. [15] KATHER J N, PEARSON A T, HALAMA N, et al. Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer[J]. Nat Med, 2019, 25(7): 1054-1056. [16] MOBADERSANY P, YOUSEFI S, AMGAD M, et al. Predicting cancer outcomes from histology and genomics using convolutional networks[J]. Proc Natl Acad Sci U S A, 2018, 115(13):E2970-E2979. [17] COURTIOL P, MAUSSION C, MOARII M, et al. Deep learning-based classification of mesothelioma improves predi-ction of patient outcome[J]. Nat Med, 2019, 25(10):1519-1525. [18] LIANG J, ZHANG W, YANG J, et al. Deep learning supported discovery of biomarkers for clinical prognosis of liver cancer[J]. Nat Mach Intell, 2023, 5(4):408-420. [19] HERBST R S, BAAS P, KIM D W, et al. Pembrolizumab versus docetaxel for previously treated, PD-L1-positive, advan-ced non-small-cell lung cancer (KEYNOTE-010): a randomised controlled trial[J]. Lancet, 2016, 387(10027):1540-1550. [20] GIUSTINI N, BAZHENOVA L. Recognizing prognostic and predictive biomarkers in the treatment of non-small cell lung cancer (NSCLC) with immune checkpoint inhibitors (ICIs)[J]. Lung Cancer, 2021, 12:21-34. [21] YIN X, LIAO H, YUN H, et al. Artificial intelligence-based prediction of clinical outcome in immunotherapy and targeted therapy of lung cancer[J]. Semin Cancer Biol, 2022, 86(Pt 2): 146-159. [22] WIDMAIER M, WIESTLER T, WALKER J, et al. Comparison of continuous measures across diagnostic PD-L1 assays in non-small cell lung cancer using automated image analysis[J]. Mod Pathol, 2020, 33(3):380-390. [23] CHOI S, CHO S I, MA M, et al. Artificial intelligence-powered programmed death ligand 1 analyser reduces interobserver variation in tumour proportion score for non-small cell lung cancer with better prediction of immunotherapy response[J]. Eur J Cancer, 2022, 170:17-26. [24] KIM H N, JANG J, HEO Y J, et al. PD-L1 expression in gastric cancer determined by digital image analyses: pitfalls and correlation with pathologist interpretation[J]. Virchows Arch, 2020, 476(2):243-250. [25] KAPIL A, MEIER A, ZURAW A, et al. Deep semi supervised generative learning for automated tumor proportion scoring on NSCLC tissue needle biopsies[J]. Sci Rep, 2018, 8(1):17343. [26] TAYLOR C R, JADHAV A P, GHOLAP A, et al. A multi-institutional study to evaluate automated whole slide scoring of immunohistochemistry for assessment of programmed death-ligand 1 (PD-L1) expression in non-small cell lung cancer[J]. Appl Immunohistochem Mol Morphol, 2019, 27(4):263-269. [27] WU J, LIU C, LIU X, et al. Artificial intelligence-assisted system for precision diagnosis of PD-L1 expression in non-small cell lung cancer[J]. Mod Pathol, 2022, 35(3):403-411. [28] HUMPHRIES M P, HYNES S, BINGHAM V, et al. Automated tumour recognition and digital pathology scoring unravels new role for PD-L1 in predicting good outcome in ER-/HER2+ Breast Cancer[J]. J Oncol, 2018, 2018:2937012. [29] KOELZER V H, GISLER A, HANHART J C, et al. Digital image analysis improves precision of PD-L1 scoring in cutaneous melanoma[J]. Histopathology, 2018, 73(3):397-406. [30] JIANG M, WU C, ZHANG L, et al. FOXP3-based immune risk model for recurrence prediction in small-cell lung cancer at stages Ⅰ-Ⅲ[J]. J Immunother Cancer, 2021, 9(5):e002339. [31] BANG Y H, LEE C K, BANG K, et al. Artificial intelligence-powered spatial analysis of tumor-infiltrating lymphocytes as a predictive biomarker for immune checkpoint inhibitors in biliary tract cancer[J]. Clin Cancer Res, 2024, 30(20):4635- 4643. [32] YANG Y, YANG J, LIANG Y, et al. Identification and valid-ation of efficacy of immunological therapy for lung cancer from histopathological images based on deep learning[J]. Front Genet, 2021, 12:642981. [33] HUANG K, MO Z, ZHU W, et al. Prediction of target-drug therapy by identifying gene mutations in lung cancer with histopathological stained image and deep learning techniques[J]. Front Oncol, 2021, 11:642945. [34] CHEN Y, YANG H, CHENG Z, et al. A whole-slide image (WSI)-based immunohistochemical feature prediction system improves the subtyping of lung cancer[J]. Lung Cancer, 2022, 165:18-27. [35] EL NAHHAS O S M, LOEFFLER C M L, CARRERO Z I, et al. Regression-based deep-learning predicts molecular biomarkers from pathology slides[J]. Nat Commun, 2024, 15(1):1253. [36] SADHWANI A, CHANG H W, BEHROOZ A, et al. Comparative analysis of machine learning approaches to classify tumor mutation burden in lung adenocarcinoma using histopathology images[J]. Sci Rep, 2021, 11(1):16605. [37] CHEN Z, CHEN Y, SUN Y, et al. Predicting gastric cancer response to anti-HER2 therapy or anti-HER2 combined immunotherapy based on multi-modal data[J]. Signal Transduct Target Ther, 2024, 9(1):222. [38] VANDENBERGHE M E, SCOTT M L, SCORER P W, et al. Relevance of deep learning to facilitate the diagnosis of HER2 status in breast cancer[J]. Sci Rep, 2017, 7:45938. [39] FRENEL J S, BOSSARD C, RYNKIEWICZ J, et al. Artificial intelligence to predict homologous recombination deficiency in ovarian cancer from whole-slide histopathological images[J]. J Clin Oncol, 2024, 42(Suppl 16):5578. [40] SAHA M, CHAKRABORTY C, ARUN I, et al. An advanced deep learning approach for Ki-67 stained hotspot detection and proliferation rate scoring for prognostic evaluation of breast cancer[J]. Sci Rep, 2017, 7(1):3213. [41] NIAZI M K K, TAVOLARA T E, AROLE V, et al. Identifying tumor in pancreatic neuroendocrine neoplasms from Ki67 images using transfer learning[J]. PLoS One, 2018, 13(4): e0195621. [42] BERA K, BRAMAN N, GUPTA A, et al. Predicting cancer outcomes with radiomics and artificial intelligence in radiology[J]. Nat Rev Clin Oncol, 2022, 19(2):132-146. [43] FAN Z, WU C, CHEN M, et al. The generation of PD-L1 and PD-L2 in cancer cells: From nuclear chromatin reorganization to extracellular presentation[J]. Acta Pharm Sin B, 2022, 12(3):1041-1053. [44] VAN DEN BOSSCHE V, ZARYOUH H, VARA-MESSLER M, et al. Microenvironment-driven intratumoral heterogeneity in head and neck cancers: clinical challenges and opportunities for precision medicine[J]. Drug Resist Updat, 2022, 60:100806. [45] TREBESCHI S, DRAGO S G, BIRKBAK N J, et al. Predicting response to cancer immunotherapy using noninvasive radiomic biomarkers[J]. Ann Oncol, 2019, 30(6):998-1004. [46] JIANG M, SUN D, GUO Y, et al. Assessing PD-L1 expression level by radiomic features from PET/CT in nonsmall cell lung cancer patients: an initial result[J]. Acad Radiol, 2020, 27(2):171-179. [47] VAIDYA P, BERA K, PATIL P D, et al. Novel, non-invasive imaging approach to identify patients with advanced non-small cell lung cancer at risk of hyperprogressive disease with immune checkpoint blockade[J]. J Immunother Cancer, 2020, 8(2):e001343. [48] ZHU Y, LIU Y L, FENG Y, et al. A CT-derived deep neural network predicts for programmed death ligand-1 expression status in advanced lung adenocarcinomas[J]. Ann Transl Med, 2020, 8(15):930. [49] TIAN P, HE B, MU W, et al. Assessing PD-L1 expression in non-small cell lung cancer and predicting responses to immune checkpoint inhibitors using deep learning on computed tomography images[J]. Theranostics, 2021, 11(5):2098-2107. [50] JIANG Z, DONG Y, YANG L, et al. CT-based hand-crafted radiomic signatures can predict PD-L1 expression levels in non-small cell lung cancer: a two-center study[J]. J Digit Imaging, 2021, 34(5):1073-1085. [51] TRENTINI F, MAZZASCHI G, MILANESE G, et al. Validation of a radiomic approach to decipher NSCLC immune microenvironment in surgically resected patients[J]. Tumori, 2022, 108(1):86-92. [52] MONACO L, DE BERNARDI E, BONO F, et al. The "digital biopsy" in non-small cell lung cancer (NSCLC): a pilot study to predict the PD-L1 status from radiomics features of 18F FDG PET/ CT[J]. Eur J Nucl Med Mol Imaging, 2022, 49(10):3401-3411. [53] MU W, JIANG L, SHI Y, et al. Non-invasive measurement of PD-L1 status and prediction of immunotherapy response using deep learning of PET/CT images[J]. J Immunother Cancer, 2021, 9(6):e002118. [54] HE B, DONG D, SHE Y, et al. Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker[J]. J Immunother Cancer, 2020, 8(2):e000550. [55] MAZZASCHI G, MILANESE G, PAGANO P, et al. Integrated CT imaging and tissue immune features disclose a radio-immune signature with high prognostic impact on surgically resected NSCLC[J]. Lung Cancer, 2020, 144:30-39. [56] ZHANG H, CAI W, WANG Y, et al. CT and clinical charac-teristics that predict risk of EGFR mutation in non-small cell lung cancer: a systematic review and meta-analysis[J]. Int J Clin Oncol, 2019, 24(6):649-659. [57] ZHANG G, ZHANG J, CAO Y, et al. Nomogram based on preoperative CT imaging predicts the EGFR mutation status in lung adenocarcinoma[J]. Transl Oncol, 2021, 14(1):100954. [58] HONG D, XU K, ZHANG L, et al. Radiomics signature as a predictive factor for EGFR mutations in advanced lung adenocarcinoma[J]. Front Oncol, 2020, 10:28. [59] CHENG B, DENG H, ZHAO Y, et al. Predicting EGFR mutation status in lung adenocarcinoma presenting as ground-glass opacity: utilizing radiomics model in clinical translation[J]. Eur Radiol, 2022, 32(9):5869-5879. [60] WANG S, YU H, GAN Y, et al. Mining whole-lung information by artificial intelligence for predicting EGFR genotype and targeted therapy response in lung cancer: a multicohort study[J]. Lancet Digit Health, 2022, 4(5):e309-e319. [61] WANG C, MA J, SHAO J, et al. Predicting EGFR and PD-L1 status in NSCLC patients using multitask ai system based on CT Images[J]. Front Immunol, 2022, 13:813072. [62] ROSSI G, BARABINO E, FEDELI A, et al. Radiomic detection of EGFR mutations in NSCLC[J]. Cancer Res, 2021, 81(3):724-731. [63] WANG Y, WAN Q, XIA X, et al. Value of radiomics model based on multi-parametric magnetic resonance imaging in predicting epidermal growth factor receptor mutation status in patients with lung adenocarcinoma[J]. J Thorac Dis, 2021, 13(6):3497-3508. [64] WANG G, WANG B, WANG Z, et al. Radiomics signature of brain metastasis: prediction of EGFR mutation status[J]. Eur Radiol, 2021, 31(7):4538-4547. [65] SHEIKHBAHAEI S, MENA E, MARCUS C, et al. 18F-FDG PET/CT: therapy response assessment interpretation (hopkins criteria) and survival outcomes in lung cancer patients[J]. J Nucl Med, 2016, 57(6):855-860. [66] MAKINOSHIMA H, TAKITA M, MATSUMOTO S, et al. Epidermal growth factor receptor (EGFR) signaling regulates global metabolic pathways in EGFR-mutated lung adeno-carcinoma[J]. J Biol Chem, 2014, 289(30):20813-20823. [67] NAIR J K R, SAEED U A, MCDOUGALL C C, et al. Radiogenomic models using machine learning techniques to predict egfr mutations in non-small cell lung cancer[J]. Can Assoc Radiol J, 2021, 72(1):109-119. [68] FELIP E, SHAW A T, BEARZ A, et al. Intracranial and extracranial efficacy of lorlatinib in patients with ALK-positive non-small-cell lung cancer previously treated with second-generation ALK TKIs[J]. Ann Oncol, 2021, 32(5):620-630. [69] SONG Z, LIU T, SHI L, et al. The deep learning model combining CT image and clinicopathological information for predicting ALK fusion status and response to ALK-TKI therapy in non-small cell lung cancer patients[J]. Eur J Nucl Med Mol Imaging, 2021, 48(2):361-371. [70] CHEN B T, JIN T, YE N, et al. Radiomic prediction of mutation status based on MR imaging of lung cancer brain metastases[J]. Magn Reson Imaging, 2020, 69:49-56. [71] CHANG C, SUN X, WANG G, et al. A machine learning model based on PET/CT radiomics and clinical characteristics predicts ALK rearrangement status in lung adenocarcinoma[J]. Front Oncol, 2021, 11:603882. [72] RIOS VELAZQUEZ E, PARMAR C, LIU Y, et al. Somatic mutations drive distinct imaging phenotypes in lung cancer[J]. Cancer Res, 2017, 77(14):3922-3930. [73] ZHUANG Z, LIN J, WAN Z, et al. Radiogenomic profiling of global DNA methylation associated with molecular phenotypes and immune features in glioma[J]. BMC Med, 2024, 22(1):352. [74] WILKINS M R, SANCHEZ J C, GOOLEY A A, et al. Progress with proteome projects: why all proteins expressed by a genome should be identified and how to do it[J]. Biotechnol Genet Eng Rev, 1996, 13:19-50. [75] PARK Y, KIM M J, CHOI Y, et al. Role of mass spectrometry-based serum proteomics signatures in predicting clinical outcomes and toxicity in patients with cancer treated with immunotherapy[J]. J Immunother Cancer, 2022, 10(3):e003566. [76] MULLER M, HUMMELINK K, HURKMANS D P, et al. A serum protein classifier identifying patients with advanced non-small cell lung cancer who derive clinical benefit from treatment with immune checkpoint inhibitors[J]. Clin Cancer Res, 2020, 26(19):5188-5197. [77] XU G, RICE R, HUANG H, et al. Abstract 387: glycoprot-eomics as a powerful liquid biopsy-based predictor of check-point-inhibitor treatment response[J]. Cancer Res, 2021, 81(Suppl 13):387. [78] IGNATIADIS M, SLEDGE G W, JEFFREY S S. Liquid biopsy enters the clinic-implementation issues and future challenges[J]. Nat Rev Clin Oncol, 2021, 18(5):297-312. [79] STADLER J C, BELLOUM Y, DEITERT B, et al. Current and future clinical applications of ctDNA in immuno-oncology[J]. Cancer Res, 2022, 82(3):349-358. [80] ZHU C, ZHUANG W, CHEN L, et al. Frontiers of ctDNA, targeted therapies, and immunotherapy in non-small-cell lung cancer[J]. J Immunother Cancer, 2022, 10(3):e003566. [81] LI W, ZHU L, LI K, et al. Machine learning-assisted dual-marker detection in serum small extracellular vesicles for the diagnosis and prognosis prediction of non-small cell lung cancer[J]. Nanomaterials, 2022, 12(5):809. [82] LIANG N, LI B, JIA Z, et al. Ultrasensitive detection of circulating tumour DNA via deep methylation sequencing aided by machine learning[J]. Nat Biomed Eng, 2021, 5(6):586-599. [83] LU D, SHANGGUAN Z, SU Z, et al. Artificial intelligence-based plasma exosome label-free SERS profiling strategy for early lung cancer detection[J]. Anal Bioanal Chem, 2024, 416(23):5089-5096. [84] LEE J S, NAIR N U, DINSTAG G, et al. Synthetic lethality-mediated precision oncology via the tumor transcriptome[J]. Cell, 2021, 184(9):2487-2502.e2413. [85] NOSI V, LUCA A, MILAN M, et al. MET exon 14 skipping: a case study for the detection of genetic variants in cancer driver genes by deep learning[J]. Int J Mol Sci, 2021, 22(8):4217. [86] HASIN Y, SELDIN M, LUSIS A. Multi-omics approaches to disease[J]. Genome Biol, 2017, 18(1):83. [87] HUANG L C, YEUNG W, WANG Y, et al. Quantitative structure-mutation-activity relationship tests (QSMART) model for protein kinase inhibitor response prediction[J]. BMC Bioinformatics, 2020, 21(1):520. [88] SONG P, CUI X, BAI L, et al. Molecular characterization of clinical responses to PD-1/PD-L1 inhibitors in non-small cell lung cancer: predictive value of multidimensional immunomarker detection for the efficacy of PD-1 inhibitors in Chinese patients[J]. Thorac Cancer, 2019, 10(5):1303-1309. [89] QIN X, WANG H, HU X, et al. Predictive models for patients with lung carcinomas to identify EGFR mutation status via an artificial neural network based on multiple clinical information[J]. J Cancer Res Clin Oncol, 2020, 146(3):767- 775. [90] CHEN L, ZENG H, XIANG Y, et al. Histopathological images and multi-omics integration predict molecular characteristics and survival in lung adenocarcinoma[J]. Front Cell Dev Biol, 2021, 9:720110. [91] HUTSON M. Has artificial intelligence become alchemy?[J]. Science, 2018, 360(6388):478. 声明：本文由“肿瘤界”整理与汇编，欢迎分享转载，如需使用本文内容，请务必注明出处。 编辑：lagertha 审核：松月