肝癌预后模型的个体化治疗指导

肝癌预后模型的个体化治疗指导演讲人2026-01-10

04/肝癌预后模型的构建方法与技术路径03/肝癌预后模型的基础理论与分类02/引言：肝癌治疗困境与预后模型的价值01/肝癌预后模型的个体化治疗指导06/当前预后模型面临的挑战与未来展望05/肝癌预后模型在个体化治疗指导中的临床应用目录07/总结：预后模型引领肝癌个体化治疗新纪元01ONE肝癌预后模型的个体化治疗指导02ONE引言：肝癌治疗困境与预后模型的价值

引言：肝癌治疗困境与预后模型的价值作为一名长期深耕肝癌临床与基础研究的工作者，我深刻体会到肝癌治疗的复杂性与挑战性。原发性肝癌是全球第六大常见癌症，第三大癌症相关死亡原因，其中肝细胞癌（HepatocellularCarcinoma,HCC）占比超过90%。我国是肝癌高发国家，占全球新发病例的45%和死亡病例的51%，临床面临的现实困境是：同一分期、相似病理特征的患者，对同一治疗方案的响应和生存结局可能存在显著差异。这种“异质性”使得传统“一刀切”的治疗模式难以满足个体化需求，而肝癌预后模型的兴起，正是破解这一困境的关键钥匙。预后模型是通过整合患者临床、病理、影像、分子等多维度信息，构建预测特定临床结局（如生存期、复发风险、治疗响应）的数学工具。在肝癌领域，其核心价值在于：量化肿瘤生物学行为的复杂性，识别不同预后风险层级，指导治疗决策的优化。

引言：肝癌治疗困境与预后模型的价值从早期的巴塞罗那临床肝癌（BarcelonaClinicLiverCancer,BCLC）分期，到多参数列线图（Nomogram），再到整合分子标志物的机器学习模型，预后模型的发展始终围绕“个体化”这一核心目标，推动肝癌治疗从“经验医学”向“精准医学”跨越。本文将系统阐述肝癌预后模型的构建方法、临床应用、挑战与展望，旨在为临床工作者提供从理论到实践的全面指导。03ONE肝癌预后模型的基础理论与分类

预后模型的核心概念与要素预后模型本质上是一个“预测工具”，其科学性依赖于三个核心要素：终点事件定义、预测变量选择、模型验证方法。

预后模型的核心概念与要素终点事件的明确性肝癌预后模型的终点事件需具有临床意义且可量化，常见包括：总生存期（OverallSurvival,OS）、无进展生存期（Progression-freeSurvival,PFS）、复发风险（RecurrenceRisk）、治疗响应率（ResponseRate,RR）等。例如，对于接受手术切除的早期肝癌患者，“术后5年复发风险”是关键的终点事件；而对于晚期系统治疗患者，“中位OS”更能直接反映治疗价值。终点事件的定义需基于临床问题，避免混杂因素干扰——例如，OS可能受后续治疗影响，而PFS更能直接评估初始疗效。

预后模型的核心概念与要素预测变量的多维性肝癌的异质性决定了单一变量难以准确预测预后，需整合多维度信息：-临床变量：年龄、性别、肝功能Child-Pugh分级、BCLC分期、病毒性肝炎史、肝硬化背景等；-病理变量：肿瘤大小、数量、血管侵犯（MacrovascularInvasion,MVI）、分化程度、包膜完整性等；-影像变量：MRI/CT的影像组学特征（如纹理分析、强化模式）、影像报告数据标准（LiverImagingReportingandDataSystem,LI-RADS）分级；-分子变量：基因突变（如TP53、CTNNB1）、循环肿瘤DNA（ctDNA）、外泌体标志物、免疫微环境指标（如PD-L1表达、TILs浸润）等。

预后模型的核心概念与要素模型验证的严谨性一个可靠的预后模型需经过严格的验证流程：内部验证（通过bootstrap重抽样或交叉验证评估模型在原始数据中的泛化能力）和外部验证（在独立、多中心队列中测试模型性能）。此外，还需评估模型的临床实用性——即是否比传统分期（如BCLC）提供更精准的预测，能否真正指导治疗决策。

肝癌预后模型的分类基于预测变量的类型和建模方法，肝癌预后模型可分为以下四类，每类均有其适用场景与局限性：

肝癌预后模型的分类临床模型临床模型是最早应用于肝癌预后评估的工具，仅依赖易于获取的临床和病理变量，具有操作简单、成本低廉的优势。代表性模型包括：-CLIP评分（CanceroftheLiverItalianProgram）：整合Child-Pugh分级、肿瘤形态、AFP水平、肿瘤数量，适用于接受局部治疗或系统治疗的HCC患者，对早期和中期患者均有较好的预测价值；-BCLC分期：虽然本质是分期系统，但通过整合肿瘤负荷、肝功能、状态评分，可直接指导治疗选择并预测生存，是全球应用最广泛的临床模型；-JIS评分（JapanIntegratedStaging）：结合Child-Pugh分级和TNM分期，更侧重于亚洲人群，对预测术后生存价值较高。局限性：临床变量难以完全反映肿瘤的生物学侵袭性（如MVI微小灶、分子异质性），可能导致预测精度不足。

肝癌预后模型的分类分子模型0504020301随着分子生物学的发展，基因突变、表观遗传、蛋白组学等分子标志物逐渐成为预后模型的核心变量。例如：-基因突变模型：TP53突变与晚期肝癌的侵袭性相关，CTNNB1突变与肿瘤生长速度相关，整合多个基因突变的“突变签名”可预测术后复发风险；-液体活检模型：ctDNA的突变丰度、甲基化标志物（如RASSF1A、p16）可实时反映肿瘤负荷和克隆演化，用于动态监测预后；-免疫微环境模型：肿瘤浸润淋巴细胞（TILs）、巨噬细胞极化（M1/M2）、PD-L1表达等指标，可预测免疫治疗的响应率和生存获益。优势：直接反映肿瘤的生物学行为，能弥补临床模型的不足；局限性：检测成本高、操作复杂，部分标志物（如组织PD-L1）需依赖有创活检，临床普及难度较大。

肝癌预后模型的分类影像模型影像模型通过提取医学影像（MRI/CT/PET-CT）的定量特征，实现无创预后评估。近年来，影像组学（Radiomics）和深度学习（DeepLearning）的发展极大推动了影像模型的进步：-传统影像特征：如肿瘤的边缘是否光滑、有无包膜、动脉期强化模式等，LI-RADS分级本身也包含预后信息；-影像组学特征：从影像中提取上千个定量特征（如纹理、形状、强度分布），通过降维和筛选构建预测模型，例如基于T2WI纹理特征预测MVI风险，或基于增强MRI特征预测TACE治疗的完全坏死率；-深度学习模型：利用卷积神经网络（CNN）自动学习影像的深层特征，例如“LiverNet”模型通过术前MRI预测术后1年复发风险，AUC可达0.85以上。

肝癌预后模型的分类影像模型优势：无创、可重复、能全面评估肿瘤空间异质性；局限性：影像质量（如伪影、扫描参数差异）可能影响特征提取，模型泛化能力依赖多中心数据验证。

肝癌预后模型的分类混合模型混合模型是当前预后模型发展的主流方向，通过整合临床、分子、影像等多维度变量，实现“1+1>2”的预测效果。例如：-“临床+影像”混合模型：将BCLC分期与MRI影像组学特征结合，构建预测术后复发的列线图，较单一模型提升C-index约0.1；-“临床+分子”混合模型：整合Child-Pugh分级、AFP水平与ctDNA突变谱，系统治疗患者的生存预测AUC达0.78，显著优于单一变量模型；-多组学整合模型：同时分析基因组、转录组、蛋白组和影像组数据，通过多模态学习构建“全景式”预后模型，是目前最前沿的方向。核心价值：通过多维度信息互补，克服单一维度变量的局限性，提升模型的预测精度和临床实用性。04ONE肝癌预后模型的构建方法与技术路径

肝癌预后模型的构建方法与技术路径预后模型的构建是一个系统工程，需遵循“数据收集-特征选择-模型开发-验证优化”的标准化流程。本节将结合临床实践，详细阐述各环节的技术要点与注意事项。

数据收集与预处理：模型的“基石”数据来源与标准化1高质量的数据是模型成功的先决条件。理想数据应来自多中心、大样本、前瞻性队列，以减少选择偏倚和中心效应差异。数据收集需遵循标准化流程：2-临床数据：通过电子病历系统（EMR）提取，需统一变量定义（如“MVI”需基于病理报告明确有无微血管侵犯）、时间节点（如“诊断时间”以首次影像学或病理诊断为标准）；3-影像数据：从PACS系统获取原始DICOM图像，需统一扫描参数（如MRI的场强、序列、层厚）和重建算法，避免因扫描差异导致特征伪影；4-分子数据：实验室检测需遵循标准化操作流程（SOP），如ctDNA检测需明确样本采集时间（治疗前、治疗中、治疗后）、提取方法（磁珠法或柱层析法）、测序深度（建议≥500x）。

数据收集与预处理：模型的“基石”数据清洗与缺失值处理真实世界数据常存在缺失、异常值等问题，需通过以下方法处理：-缺失值处理：若缺失率<5%，可直接删除样本；若5%<缺失率<20%，可采用多重插补法（MultipleImputation）或基于机器学习的预测填充（如随机森林）；若缺失率>20%，需考虑该变量的临床意义，必要时剔除；-异常值处理：通过箱线图、Z-score等方法识别异常值，结合临床判断（如AFP>100000ng/mL可能为检测误差），确认后予以修正或剔除；-数据平衡：当终点事件（如术后复发）的发生率较低时（<10%），可采用SMOTE算法进行过采样，或使用加权逻辑回归避免模型偏向多数类。

特征选择：从“高维”到“核心”的降维过程肝癌预后模型常涉及数百个潜在变量（如影像组学特征可达上千个），直接建模会导致过拟合。特征选择旨在筛选与终点事件显著相关的“核心变量”，常用方法包括：

特征选择：从“高维”到“核心”的降维过程单因素分析采用卡方检验（分类变量）、t检验或Mann-WhitneyU检验（连续变量）初步筛选P<0.1的变量，作为多因素分析的候选变量。例如，在一项纳入500例肝癌切除术的研究中，单因素分析显示肿瘤大小（P=0.032）、MVI（P<0.001）、AFP（P=0.008）与术后复发显著相关，进入后续多因素分析。

特征选择：从“高维”到“核心”的降维过程传统多因素回归通过Cox比例风险模型（生存分析）或Logistic回归（二分类终点）进一步筛选独立预后因素。例如，CLIP评分最终纳入Child-Pugh分级、肿瘤形态、AFP、肿瘤数量四个变量，均通过多因素分析验证为独立预测因子。

特征选择：从“高维”到“核心”的降维过程机器学习特征选择传统方法难以捕捉变量间的非线性关系，机器学习方法可更高效地筛选关键特征：-LASSO回归：通过L1正则化将系数压缩至0，自动剔除冗余变量，适用于高维数据（如影像组学特征）；-随机森林：计算变量的重要性得分（基于Gini指数或排列重要性），选择Top20-30个特征；-递归特征消除（RFE）：通过迭代训练模型，每次剔除最不重要的特征，直至达到预设数量。案例：在一项基于MRI影像组学的研究中，研究者通过LASSO回归从1016个影像特征中筛选出10个与MVI相关的核心特征，构建的预测模型AUC达0.89，显著优于传统临床模型（AUC=0.72）。

模型开发：算法选择与参数优化根据终点事件类型选择合适的建模算法，是模型开发的核心环节：

模型开发：算法选择与参数优化生存分析模型适用于OS、PFS等时间-事件数据，常用算法包括：-Cox比例风险模型：最经典的生存分析模型，假设风险比（HR）与时间无关，可解释性强（各变量的HR值直接反映风险程度），是列线图构建的基础；-随机生存森林（RSF）：基于集成学习的生存分析算法，可处理非线性关系和交互作用，适用于复杂数据；-深度生存模型（DeepSurv）：基于神经网络构建，能自动学习高维特征的复杂交互，但可解释性较差。

模型开发：算法选择与参数优化分类模型适用于二分类终点（如“是否复发”“是否响应治疗”），常用算法包括：-逻辑回归：简单、可解释性强，适合线性可分数据；-支持向量机（SVM）：通过核函数处理非线性问题，适合小样本、高维数据；-XGBoost/LightGBM：基于梯度提升决策树（GBDT），擅长处理特征交互和非线性关系，是目前预测精度最高的机器学习算法之一。

模型开发：算法选择与参数优化参数优化与过拟合控制模型开发需避免过拟合（模型在训练集表现优异，但在验证集表现差），常用方法包括：-交叉验证（Cross-Validation）：将数据分为k份（通常k=5或10），轮流用k-1份训练、1份验证，取平均性能作为模型评估指标；-正则化：在损失函数中加入L1/L2正则化项，限制模型复杂度；-早停（EarlyStopping）：在模型训练过程中，当验证集性能不再提升时提前终止训练。

模型评价与验证：科学性的“试金石”区分度（Discrimination）衡量模型区分不同结局患者的能力，常用指标包括：-C-index（ConcordanceIndex）：生存分析中常用，表示预测生存时间与实际生存时间排序一致的概率，C-index>0.7表示模型区分度良好，>0.8表示优秀；-AUC（AreaUnderROCCurve）：分类模型中常用，AUC>0.8表示预测价值较高。

模型评价与验证：科学性的“试金石”校准度（Calibration）衡量预测概率与实际发生概率的一致性，常用校准曲线（CalibrationCurve）评估：理想状态下曲线应沿45对角线分布，可通过Hosmer-Lemeshow检验量化校准度（P>0.05表示校准度良好）。

模型评价与验证：科学性的“试金石”临床实用性即使区分度和校准度良好，若模型无法指导临床决策，也缺乏实际价值。常用决策曲线分析（DecisionCurveAnalysis,DCA）评估：通过计算不同阈值概率下的净获益，判断模型是否比“全部治疗”或“不治疗”策略更优。例如，一项预测术后复发风险的模型，DCA显示在阈值概率10%-40%区间内，模型指导的个体化治疗策略净获益显著高于传统BCLC分期。05ONE肝癌预后模型在个体化治疗指导中的临床应用

肝癌预后模型在个体化治疗指导中的临床应用预后模型的最终价值在于指导临床决策。本节将结合肝癌不同治疗阶段（早期、中期、晚期），阐述预后模型如何实现“个体化治疗”的精准落地。

早期肝癌（可切除/移植）：治疗决策的“精细标尺”早期肝癌（BCLCA期）以根治性治疗为目标，但部分患者术后仍会复发，预后模型可帮助优化手术、肝移植、局部消融的选择，并指导术后辅助治疗。

早期肝癌（可切除/移植）：治疗决策的“精细标尺”手术切除与肝移植的选择对于符合米兰标准（单个肿瘤≤5cm，或多发肿瘤≤3个且最大≤3cm，无大血管侵犯和肝外转移）的早期肝癌，肝移植与手术切除均可达到根治效果，但肝移植供体稀缺，需严格筛选获益人群。预后模型可通过量化复发风险，指导选择：12-“影像+临床”混合模型：一项研究纳入MRI影像组学特征与BCLC分期，构建的肝移植选择模型AUC达0.91，较米兰标准提升15%的预测精度，帮助避免“过度移植”（低风险患者接受不必要的肝移植）和“移植不足”（高风险患者未及时移植）。3-MSKCC复发评分：整合肿瘤大小、血管侵犯、AFP水平，将患者分为低、中、高风险组，低风险组（0-1分）术后5年复发率<20%，优先选择手术切除；高风险组（≥2分）复发率>50%，更推荐肝移植（因肝移植可同时切除肝内病灶和肝硬化背景）；

早期肝癌（可切除/移植）：治疗决策的“精细标尺”局部消融的适应证扩展对于肿瘤≤3cm、不适合手术的患者，射频消融（RFA）是标准治疗，但邻近大血管或膈肌的肿瘤易残留。预后模型可通过预测消融完全性，指导是否联合治疗：01-基于MRI纹理的模型：通过T2WI序列提取肿瘤异质性特征（如熵、不均匀性），预测消融后完全坏死率，AUC=0.86，对于预测坏死率<80%的患者，建议联合TACE或术中消融；01-临床模型：CLIP评分中“肿瘤形态（浸润型vs.包裹型）”是独立预测因子，浸润型肿瘤消融后复发风险是包裹型的2.3倍，此类患者需更密切随访或考虑联合靶向治疗。01

早期肝癌（可切除/移植）：治疗决策的“精细标尺”术后辅助治疗的风险分层早期肝癌术后5年复发率高达40%-70%，预后模型可识别高复发风险人群，指导辅助治疗（如靶向、免疫、抗病毒治疗）：-“临床+分子”模型：整合MVI状态、AFP水平与ctDNA甲基化标志物（RASSF1A），构建的术后复发预测模型C-index=0.83，高风险模型（1年内复发概率>40%）接受仑伐替尼辅助治疗可降低35%的复发风险；-列线图模型：将肿瘤大小、数量、分化程度、Child-Pugh分级整合为可视化列线图，临床医生可快速计算个体化复发风险，例如：一名62岁、Child-PughA级、单发3cm、中分化肝癌患者，列线图预测术后1年复发概率为25%，属于低风险，可暂不辅助治疗，密切随访；而另一名45岁、Child-PughB级、多发肿瘤（2个，最大4cm）、低分化患者，1年复发概率达65%，需立即启动辅助治疗。

中期肝癌（不可切除/局部进展）：治疗策略的“优化引擎”中期肝癌（BCLCB期）以局部治疗（如TACE、TARE）为主，但仅40%-60%患者可获益，预后模型可筛选敏感人群，并指导联合靶向/免疫治疗。

中期肝癌（不可切除/局部进展）：治疗策略的“优化引擎”TACE/TARE的获益人群筛选TACE通过栓塞肿瘤供血动脉发挥疗效，但富血供、无包膜、MVI阳性的肿瘤易形成侧支循环，导致治疗失败。预后模型可通过预测TACE后完全坏死率和生存获益，优化选择：-影像组学模型：基于增强CT动脉期特征（如肿瘤强化程度、坏死比例），预测TACE后完全坏死率，AUC=0.88，对于预测坏死率<50%的患者，建议直接联合靶向治疗（如TACE+仑伐替尼），而非重复TACE；-临床模型：ALBI（LiverDamage）联合AFP模型，将患者分为三组：ALBI1级+AFP<400ng/mL（中位OS32个月）、ALBI2级+AFP<400ng/mL（中位OS18个月）、ALBI2-3级+AFP≥400ng/mL（中位OS9个月），仅第一组患者从单纯TACE中显著获益，第二、三组需联合系统治疗。

中期肝癌（不可切除/局部进展）：治疗策略的“优化引擎”局部治疗与系统治疗的联合时机对于超出TACE适应证（如肿瘤负荷大、血管侵犯）但未达晚期标准的中期肝癌，“局部+系统”联合是趋势，但需平衡疗效与安全性。预后模型可指导联合时机：01-“动态预后模型”：通过治疗前、后（如TACE术后1个月）的AFP变化和影像学评估，构建动态预测模型，若术后AFP下降>50%且肿瘤坏死率>70%，可继续局部治疗；若未达标，需及时联合靶向/免疫治疗；02-分子模型：ctDNA检测显示ctDNA清除（治疗后检测不到）的患者，联合免疫治疗的中位OS可达28个月，显著高于ctDNA持续阳性者（12个月），提示ctDNA可作为动态调整治疗的“生物标志物”。03

晚期肝癌（系统治疗为主）：药物选择的“精准导航”晚期肝癌（BCLCC期）以系统治疗（靶向、免疫）为核心，但不同药物/方案的疗效和毒性差异大，预后模型可帮助选择最优治疗策略。

晚期肝癌（系统治疗为主）：药物选择的“精准导航”靶向药物的选择一线靶向药物（索拉非尼、仑伐替尼、多靶点TKI）的客观缓解率（ORR）仅30%-40%，需通过模型筛选优势人群：-仑伐替尼优势人群模型：整合肿瘤数量、血管侵犯、AFP水平，构建的预测模型仑伐替尼较索拉非尼的HR=0.65（P=0.002），优势人群（肿瘤≤3个、无血管侵犯、AFP<400ng/mL）中位OS达18个月，非优势人群仅11个月；-TKI耐药预测模型：通过基线ctDNA突变谱（如BAP1突变、TERT启动子突变）预测TKI耐药风险，BAP1突变患者中位PFS仅3.2个月，建议一线直接联合免疫治疗。

晚期肝癌（系统治疗为主）：药物选择的“精准导航”免疫治疗与联合策略的响应预测免疫治疗（PD-1/PD-L1抑制剂）在肝癌中展现出持久疗效，但响应率仅15%-20%，模型可预测免疫敏感人群并指导联合：-免疫评分模型：整合PD-L1表达、TMB（肿瘤突变负荷）、TILs浸润，将患者分为“免疫激活型”（PD-L1≥1%、TMB≥10mut/Mb、TILs≥10%）、“免疫excluded型”（TILs主要分布于肿瘤边缘）、“免疫desert型”（TILs极少），仅“免疫激活型”单药免疫治疗ORR>30%，联合抗血管生成药物（如“T+A”方案）可进一步提升至40%-50%；-“液体活检+影像”动态模型：治疗2个月后，若ctDNA阴性且肿瘤缩小≥30%，提示治疗有效，可继续原方案；若ctDNA阳性且肿瘤进展，需及时更换治疗方案（如从TKI+PD-1转换为双免疫治疗+TKI）。

晚期肝癌（系统治疗为主）：药物选择的“精准导航”特殊人群的个体化管理晚期肝癌常合并肝功能不全、高龄等特殊情况，预后模型可帮助平衡疗效与安全性：-Child-PughB级患者：传统模型多基于Child-PughA级数据，通过调整变量权重（如降低INR、白蛋白的权重），构建的Child-PughB级预后模型显示，仑伐替尼较索拉非尼的HR=0.58（P=0.01），但出血风险增加2.1倍，需严格监测血常规和肝功能；-老年患者（≥75岁）：整合年龄、合并症（如糖尿病、心血管疾病）、PS评分的模型，预测老年患者接受免疫治疗3级以上免疫相关不良事件（irAE）的风险，若风险>20%，建议起始剂量减量或选择TKI单药。06ONE当前预后模型面临的挑战与未来展望

当前预后模型面临的挑战与未来展望尽管肝癌预后模型已取得显著进展，但在临床转化中仍面临诸多挑战。作为一名临床研究者，我认为这些挑战既是瓶颈，也是未来突破的方向。

当前面临的主要挑战数据异质性与泛化能力不足肝癌病因多样（乙肝、丙肝、酒精性、非酒精性脂肪肝等），地域差异显著（亚洲以乙肝为主，欧美以丙肝和酒精性为主），不同中心的数据标准、治疗方案、随访策略存在差异，导致模型在跨中心、跨人群应用时性能下降（外部验证C-index常从0.8降至0.6-0.7）。例如，欧美人群开发的预后模型直接应用于中国患者时，常因乙肝背景、肝功能状态不同而低估复发风险。

当前面临的主要挑战模型可解释性与临床信任度低复杂机器学习模型（如深度学习、集成学习）虽精度高，但呈现“黑箱”特性，临床医生难以理解其决策逻辑，导致接受度低。例如，一个基于1000个影像组学特征构建的深度学习模型，若无法解释“哪些特征（如纹理异质性）驱动了预测结果”，临床医生可能更倾向于依赖经验判断。

当前面临的主要挑战动态更新需求与模型时效性肝癌进展快，治疗手段不断更新（如双免疫治疗、ADC药物上市），静态模型（基于历史数据训练）难以适应治疗策略的演变。例如，2020年前的预后模型未纳入免疫治疗相关变量，无法预测当前“免疫+靶向”联合方案的疗效，导致模型“过时”。

当前面临的主要挑战临床转化障碍与操作复杂性部分高精度模型依赖多组学数据（如基因组+影像组），检测成本高、周期长（如ctDNA检测需1-2周），难以在临床常规开展；此外，模型常需要专业编程人员实现，临床医生操作不便，限制了普及应用。

未来发展方向与展望多中心协作与标准化数据平台解决数据异质性的关键在于建立全球肝癌预后数据库，统一数据采集标准（如REMARK指南用于预后报告）、共享多中心数据。例如，国际肝癌协会（ILCA）正在推动“全球肝癌预后研究网络（GLOPAC）”，计划纳入10万例肝癌患者的临床、影像、分子数据，构建泛化能力强的通用模型。

未来发展方向与展望可解释人工智能（XAI）与模型透明化通过SHAP（SHapleyAdditiveexPlanations）、LIME（LocalInterpretableModel-agnosticExplanations）等XAI技术，将复杂模型的决策过程可视化，帮助临床医生理解“模型为何做出该预测”。例如，一个预测免疫治疗响应的深度学习模型，可通过SHAP图展示“高TMB、PD-L1阳性、低肿瘤负荷”是驱动预测的关键特征，增强临床信任度。

未来发展方向与展望动态预后模型与实时监测结合液体活检（ctDNA、循环肿瘤细