食管癌术前新辅助治疗反应预测方案

食管癌术前新辅助治疗反应预测方案演讲人01食管癌术前新辅助治疗反应预测方案02引言：食管癌新辅助治疗反应预测的临床需求与挑战03新辅助治疗反应预测方法的分类与评价04多模态整合预测模型的构建逻辑与临床价值05临床转化应用中的挑战与对策06未来发展方向与展望07总结：回归临床本质，以预测模型赋能精准治疗08参考文献目录01食管癌术前新辅助治疗反应预测方案02引言：食管癌新辅助治疗反应预测的临床需求与挑战引言：食管癌新辅助治疗反应预测的临床需求与挑战在临床工作中，食管癌的诊疗决策始终围绕着“如何在最大程度根治肿瘤的同时，最小化治疗相关毒性”这一核心目标展开。作为全球常见的恶性肿瘤之一，食管癌的发病率和死亡率分别位居恶性肿瘤的第7位和第6位，其中中国患者约占全球一半以上[1]。局部晚期食管癌（locallyadvancedesophagealcancer,LAEC）患者单纯手术治疗的5年生存率仅约20%-30%，而术前新辅助治疗（neoadjuvanttherapy,NAT）——包括新辅助化疗（neoadjuvantchemotherapy,NAC）、新辅助放化疗（neoadjuvantchemoradiotherapy,CRT）或免疫联合治疗——已成为改善预后的关键策略[2]。多项随机对照试验（如CROSS、CRITICS等）证实，新辅助治疗可使患者的5年生存率提升至40%-50%，并显著降低局部复发风险[3-4]。引言：食管癌新辅助治疗反应预测的临床需求与挑战然而，新辅助治疗的临床获益存在显著的“异质性”：约30%-40%的患者可获得病理完全缓解（pathologicalcompleteresponse,pCR），预后极佳；而部分患者可能出现治疗抵抗（treatmentresistance），不仅无法从新辅助治疗中获益，还可能因治疗延误导致肿瘤进展，错失手术机会[5]。这种“异质性”给临床决策带来了严峻挑战：如何提前识别“治疗敏感者”，以强化治疗方案；如何识别“治疗抵抗者”，及时调整治疗策略（如更换方案或直接手术）？这正是食管癌术前新辅助治疗反应预测的核心价值所在。作为一名从事食管癌诊疗多年的临床工作者，我深刻体会到预测模型的重要性。曾有一位65岁的局部晚期食管鳞癌患者，新辅助化疗2周期后影像学评估显示肿瘤缩小，按常规方案完成治疗并接受手术，但术后病理显示仅10%肿瘤细胞坏死，引言：食管癌新辅助治疗反应预测的临床需求与挑战患者术后1年内出现肝转移。而另一位52岁的患者，通过多模态预测模型评估为“高缓解概率”，接受了免疫联合新辅助化疗，术后达到pCR，目前已无瘤生存3年。这两个病例让我意识到，精准的预测不仅是“学术概念”，更是改善患者预后的“临床刚需”。基于此，本文将从预测方法的分类与评价、多模态整合模型的构建逻辑、临床转化应用的挑战与对策，以及未来发展方向四个维度，系统阐述食管癌术前新辅助治疗反应预测的完整方案，旨在为临床实践提供兼具科学性和实用性的参考。03新辅助治疗反应预测方法的分类与评价新辅助治疗反应预测方法的分类与评价食管癌新辅助治疗反应的预测是一个多维度、多层次的复杂问题，单一方法往往难以全面反映肿瘤的生物学行为。目前，主流的预测方法可分为传统临床病理学方法、影像学方法、分子生物学方法和液体活检方法四大类，各类方法各有优势与局限性，需结合临床需求综合应用。传统临床病理学方法：基于“宏观特征”的基础评估传统临床病理学方法是预测新辅助治疗反应的“基石”，其核心是通过治疗前可获取的临床和病理特征，构建简单的预测模型，具有成本低、易获取、临床认可度高的优势。传统临床病理学方法：基于“宏观特征”的基础评估临床特征预测临床特征包括患者demographics（年龄、性别）、肿瘤负荷（肿瘤长度、浸润深度）、合并症等。例如，研究显示，肿瘤长度＜5cm的患者对新辅助化疗的缓解率显著长于≥5cm者（OR=2.34,95%CI:1.52-3.60）[6]；而高龄（＞70岁）患者因药物代谢能力下降，治疗相关不良反应增加，可能间接影响治疗反应[7]。此外，营养状态（如白蛋白、前白蛋白水平）也是重要预测因子，营养不良患者往往免疫功能低下，对治疗的耐受性和反应性均较差[8]。传统临床病理学方法：基于“宏观特征”的基础评估病理学特征预测治疗前病理活检的特征（如肿瘤分化程度、脉管侵犯、神经侵犯）与治疗反应密切相关。食管鳞癌中，低分化肿瘤的增殖活性高，对化疗更敏感，而高分化肿瘤则可能表现为抵抗[9]；腺癌中，微卫星不稳定（MSI-H）或PD-L1高表达患者对免疫治疗的反应率更高[10]。值得注意的是，活检标本的取材规范（如取材部位、深度、数量）直接影响结果的准确性——对于食管癌，尤其是溃疡型或环周生长的肿瘤，单一部位活检可能导致取样误差，建议至少取材4-6块[11]。传统临床病理学方法：基于“宏观特征”的基础评估传统评分系统基于临床病理特征，部分学者开发了简单的评分系统，如“NAT反应评分”（NATResponseScore,NRS），纳入肿瘤长度、分化程度、淋巴结转移数目等指标，将患者分为“高缓解组”和“低缓解组”，其预测pCR的AUC（受试者工作特征曲线下面积）约为0.68-0.75[12]。这类系统的优势在于直观易用，但缺点是预测效能有限，难以满足个体化决策需求。影像学方法：无动态监测肿瘤“形态与功能”变化影像学方法是新辅助治疗反应评估中应用最广泛的工具，其优势在于无创、可重复，并能实现治疗过程中的动态监测。传统影像学（CT、MRI）主要依赖肿瘤大小变化（如RECIST标准），而新兴的功能影像学（如PET-CT、DWI-MRI）则可通过代谢、灌注等功能参数，更早期地反映肿瘤生物学行为。影像学方法：无动态监测肿瘤“形态与功能”变化传统影像学评估CT和MRI是评估肿瘤大小的常规手段，通过测量治疗前后肿瘤的最大径（RECIST1.1标准）或体积（RECIST1.1补充标准）变化，判断治疗反应（完全缓解、部分缓解等）。然而，肿瘤大小变化存在“假阴性”或“假阳性”：例如，治疗后肿瘤组织水肿、纤维化可能导致体积暂时增大，而肿瘤细胞死亡后纤维组织残留可能使体积缩小不明显，均可能影响对真实反应的判断[13]。影像学方法：无动态监测肿瘤“形态与功能”变化功能影像学评估PET-CT通过检测肿瘤对氟代脱氧葡萄糖（18F-FDG）的摄取（SUVmax值），反映肿瘤的代谢活性。研究显示，新辅助化疗前SUVmax＞5的患者，治疗后SUVmax下降＞50%的pCR率显著更高（HR=3.21,95%CI:1.98-5.21）[14]。更重要的是，SUVmax的变化通常早于肿瘤体积变化，可在治疗早期（如1周期后）预测最终反应，为治疗方案的调整提供时间窗口[15]。扩散加权成像（DWI-MRI）通过表观扩散系数（ADC值）评估水分子的布朗运动，反映肿瘤细胞密度和结构完整性。治疗后肿瘤细胞坏死导致细胞密度下降，ADC值升高；而治疗抵抗者ADC值变化不明显。一项Meta分析显示，ADC值预测pCR的AUC可达0.82，显著高于传统影像学[16]。此外，动态对比增强MRI（DCE-MRI）通过评估肿瘤血流灌注参数（如Ktrans、Kep），可反映肿瘤血管生成和通透性变化，与治疗反应密切相关[17]。影像学方法：无动态监测肿瘤“形态与功能”变化影像组学（Radiomics）与深度学习近年来，影像组学和深度学习技术的兴起为影像学预测带来了突破。影像组学通过高通量提取影像图像的纹理特征（如灰度共生矩阵、小波特征），将影像数据转化为可分析的“定量特征”，再结合机器学习模型构建预测工具。例如，一项研究从治疗前CT图像中提取1268个影像组学特征，筛选出10个关键特征构建RadiomicsSignature，预测食管癌新辅助放化疗后pCR的AUC达0.89[18]。深度学习则通过卷积神经网络（CNN）自动学习影像的深层特征，减少人工特征提取的偏倚。如Chen等[19]构建了3D-CNN模型，分析治疗前PET-CT图像，预测pCR的准确率达91.3%，敏感性和特异性分别为88.2%和92.5%。影像组学和深度学习的优势在于“全息数据挖掘”，能捕捉人眼无法识别的细微模式，但对数据质量、样本量要求较高，且模型的可解释性仍需提升。分子生物学方法：从“基因层面”解析治疗反应机制分子生物学方法通过检测肿瘤组织的基因突变、基因表达谱、蛋白表达等分子特征，从“生物学本质”上解释治疗反应差异，是实现“个体化预测”的核心方向。分子生物学方法：从“基因层面”解析治疗反应机制基因突变与拷贝数变异特定基因突变与新辅助治疗反应密切相关。例如，食管鳞癌中，NOTCH1突变与化疗敏感性相关（OR=2.76,95%CI:1.45-5.26），而TP53突变可能提示抵抗[20]；食管腺癌中，ERBB2（HER2）扩增患者对曲妥珠单抗联合化疗的反应率显著更高（pCR率：45%vs15%）[21]。此外，拷贝数变异（如CCND1扩增、CDKN2A缺失）也与治疗反应相关，可通过二代测序（NGS）技术检测[22]。分子生物学方法：从“基因层面”解析治疗反应机制基因表达谱全基因组表达谱可系统反映肿瘤的生物学行为。例如，通过RNA测序筛选出的“免疫反应相关基因签名”（如PD-L1、CTLA4、IFN-γ）可预测免疫新辅助治疗的反应[23]；而“化疗耐药基因签名”（如ABCB1、ABCG2）则提示化疗抵抗[24]。转录组学技术的优势在于“全景式”分析，但成本较高，且需新鲜或高质量冷冻组织，临床应用受限。分子生物学方法：从“基因层面”解析治疗反应机制蛋白表达与免疫微环境蛋白表达水平是基因功能的最终体现。免疫组化（IHC）检测PD-L1、CD8+T细胞浸润等免疫微环境指标，可预测免疫治疗的反应。例如，PD-L1联合阳性分数（CPS）≥10的患者接受免疫新辅助治疗的pCR率可达60%以上[25]。此外，增殖指标（如Ki-67）、凋亡指标（如Caspase-3）等也与治疗反应相关，可通过IHC或Westernblot检测[26]。分子生物学方法：从“基因层面”解析治疗反应机制局限性与挑战分子生物学方法虽具有高特异性，但存在明显局限性：①依赖有创活检，存在取样误差；②检测成本高，难以在基层医院推广；③肿瘤异质性导致检测结果可能无法代表整体肿瘤负荷；④动态监测困难（需反复活检）。因此，分子生物学方法需与其他方法联合应用，以弥补其不足。液体活检方法：从“外周血”获取“实时动态”信息液体活检通过检测外周血中的肿瘤源性物质（如循环肿瘤DNA、循环肿瘤细胞、外泌体等），实现“无创、动态、可重复”的监测，弥补了组织活检的不足，成为近年来预测方法的热点。液体活检方法：从“外周血”获取“实时动态”信息循环肿瘤DNA（ctDNA）ctDNA是肿瘤细胞凋亡或坏死释放到外周血的DNA片段，可反映肿瘤的基因突变状态和负荷变化。研究显示，新辅助治疗前ctDNA检测阳性患者的治疗缓解率显著低于阴性者（OR=0.32,95%CI:0.18-0.57）[27]；治疗后ctDNA水平下降＞90%的患者，pCR率可达80%以上，且无进展生存期（PFS）显著延长[28]。此外，ctDNA的动态监测可更早发现治疗抵抗（如治疗后ctDNA水平不降反升），指导及时调整方案[29]。液体活检方法：从“外周血”获取“实时动态”信息循环肿瘤细胞（CTC）CTC是外周血中存活的肿瘤细胞，其数量和表型与肿瘤转移和治疗反应相关。例如，新辅助治疗前CTC计数≥5个/7.5mL血液的患者，pCR率显著低于＜5个者（12%vs38%）[30]；治疗后CTC计数降至0的患者，预后更佳[31]。CTC的优势在于可进行体外培养和功能分析（如药物敏感性测试），但检测技术复杂，标准化程度低。液体活检方法：从“外周血”获取“实时动态”信息外泌体（Exosome）外泌体是细胞分泌的纳米级囊泡，携带核酸、蛋白等生物分子，可反映肿瘤的生物学行为。食管癌患者外泌体中的miRNA（如miR-21、miR-143）和蛋白（如TGF-β、VEGF）水平与治疗反应相关[32]。例如，外泌体miR-21高表达患者对化疗抵抗，而miR-143低表达者更敏感[33]。外泌体检测的优势在于稳定性高（可长期保存），但检测技术仍处于研究阶段，尚未广泛应用于临床。液体活检方法：从“外周血”获取“实时动态”信息液体活检的优势与挑战液体活检的核心优势在于“无创、动态、可重复”，可实现治疗全程监测（如治疗前基线评估、治疗中动态变化、治疗后随访）。然而，其挑战也不容忽视：①敏感性受肿瘤负荷影响（早期或微小残留病灶可能检测不到）；②标准化程度低（不同检测平台、试剂导致结果差异）；③临床阈值尚未统一（如ctDNA下降幅度达到多少可判断为敏感）。尽管如此，液体活检仍是未来预测方法的重要发展方向。04多模态整合预测模型的构建逻辑与临床价值多模态整合预测模型的构建逻辑与临床价值单一预测方法的局限性（如临床病理方法效能低、影像学缺乏特异性、分子生物学有创、液体活检敏感性不足）决定了“多模态整合”是提高预测准确性的必然路径。多模态模型通过融合不同维度的数据，构建“全景式”预测框架，实现“1+1＞2”的临床价值。多模态数据整合的必要性肿瘤的发生发展是多因素、多步骤的过程，单一维度的数据难以全面反映其生物学行为。例如，临床病理特征可反映肿瘤的“宏观负荷”，影像学可反映“形态与功能变化”，分子生物学可揭示“基因层面机制”，液体活检可实现“动态监测”。四者结合，可形成“静态-动态、宏观-微观”的完整评估体系。以临床工作中常见的案例为例：一位患者肿瘤长度＞5cm（临床特征提示低缓解概率），但PET-CT显示SUVmax低（代谢活性低）、ctDNA阴性（肿瘤负荷低），分子检测显示PD-L1高表达（免疫治疗敏感）。若仅依据单一临床特征，可能判断为“低缓解概率”而放弃强化治疗；但多模态整合后，该患者可能被归为“中高缓解概率”，推荐免疫联合新辅助化疗，从而避免治疗不足。多模态数据整合的技术路径多模态模型的构建需经历“数据收集-特征筛选-模型构建-验证优化”四个步骤，每个步骤均需严谨的方法学支持。多模态数据整合的技术路径数据收集与标准化多模态数据的来源包括电子病历（临床病理数据）、影像系统（影像学数据）、病理科（分子生物学数据）、检验科（液体活检数据）。数据收集的关键是“标准化”：临床数据需统一纳入/排除标准，影像数据需统一扫描参数和后处理方法，分子数据需统一检测平台和分析流程。例如，ctDNA检测需采用相同的NGSpanel（如包含食管癌相关基因的定制化panel），液体活检样本需在采集后2小时内完成处理，避免降解[34]。多模态数据整合的技术路径特征筛选与降维多模态数据往往包含数千个特征（如影像组学特征、基因突变位点），其中部分特征与治疗反应无关，甚至引入噪声。特征筛选是模型构建的关键步骤，常用方法包括：-单因素分析：通过t检验、卡方检验等筛选与治疗反应相关的特征（P＜0.05）；-相关性分析：通过Pearson或Spearman分析剔除高度相关的特征（相关系数＞0.8）；-机器学习方法：采用LASSO回归、随机森林特征重要性等方法，筛选出最具预测价值的特征[35]。例如，一项研究纳入了临床特征（5个）、影像组学特征（1268个）、ctDNA特征（20个），通过LASSO回归筛选出12个关键特征（包括肿瘤长度、SUVmax、NOTCH1突变、ctDNA清除率等），构建了整合预测模型[36]。多模态数据整合的技术路径模型构建与算法选择01根据预测目标（如二分类：pCRvs非pCR；生存分析：PFS/OS），可选择不同的机器学习算法：-逻辑回归：简单易解释，适合线性可分数据，可作为基准模型；-支持向量机（SVM）：适合高维小样本数据，处理非线性分类问题；020304-随机森林（RandomForest）：通过集成学习减少过拟合，可输出特征重要性；-XGBoost/LightGBM：梯度提升算法，预测效能高，适合大规模数据；-深度学习（如CNN+RNN）：可自动学习多模态数据的深层特征，适合影像组学与临床数据的融合[37]。0506多模态数据整合的技术路径模型构建与算法选择例如，Chen等[38]构建了“临床-影像-ctDNA”整合模型，采用XGBoost算法，预测pCR的AUC达0.92，显著高于单一模态模型（临床模型AUC=0.75，影像模型AUC=0.82，ctDNA模型AUC=0.85）。多模态数据整合的技术路径模型验证与优化模型验证需遵循“内部验证-外部验证-前瞻性验证”的路径，确保其泛化能力：-内部验证：采用交叉验证（如10折交叉验证）或bootstrap重抽样，评估模型在训练集中的稳定性；-外部验证：使用来自其他中心的数据集验证模型，避免过拟合（如验证集AUC＞0.8可认为模型具有较好的泛化能力）；-前瞻性验证：通过前瞻性临床研究（如单臂或多臂试验）验证模型在真实世界中的应用价值[39]。模型优化可通过调整算法参数（如XGBoost的learningrate、max_depth）、增加样本量、引入新的模态数据（如外泌体）等方式实现。32145多模态模型在临床决策中的价值多模态整合模型的最终价值在于指导临床实践，实现“个体化治疗”。其核心应用场景包括：多模态模型在临床决策中的价值治疗前风险分层根据预测结果将患者分为“高缓解组”（pCR概率＞60%）、“中缓解组”（30%-60%）和“低缓解组（＜30%”），指导治疗方案的选择：-高缓解组：可考虑标准强度新辅助治疗（如放化疗），避免过度治疗；-中缓解组：可调整方案（如增加免疫治疗或靶向药物）；-低缓解组：可考虑直接手术或参加临床试验（如新型药物联合方案）[40]。多模态模型在临床决策中的价值治疗中动态调整通过液体活检（如ctDNA动态监测）和影像学（如PET-CT中期评估）实现治疗中动态监测，若预测模型提示“治疗抵抗”，可及时更换方案（如化疗改为免疫治疗），避免无效治疗带来的毒性[41]。多模态模型在临床决策中的价值术后预后评估整合模型的预测结果可联合术后病理特征，构建“预后风险模型”，指导辅助治疗决策。例如，术后病理未达到pCR且术前预测模型为“低缓解组”的患者，可能需要更强化辅助治疗（如化疗联合免疫治疗）[42]。05临床转化应用中的挑战与对策临床转化应用中的挑战与对策尽管多模态整合预测模型展现出巨大的潜力，但其从“实验室”到“临床床旁”的转化仍面临诸多挑战。作为临床工作者，我们需直面这些挑战，探索切实可行的解决方案。挑战一：数据异质性与标准化不足多模态数据的来源多样（不同医院、不同设备、不同检测平台），导致数据异质性显著。例如，不同医院的CT扫描参数（层厚、重建算法）不同，影响影像组学特征的一致性；不同NGSpanel的基因覆盖范围不同，导致ctDNA检测结果难以比较。对策：-建立标准化数据采集流程：制定影像扫描协议（如统一采用1.25mm层厚、标准重建算法）、分子检测标准（如统一采用FoundationOneCDx等NGS平台）；-推动多中心数据共享：建立区域或全国食管癌数据库，通过数据质控（如中心化影像复核、分子检测标准化）降低异质性；-开发数据校正算法：采用ComBat等方法消除批次效应（batcheffect），实现不同中心数据的融合[43]。挑战二：模型可解释性与临床信任度机器学习模型（尤其是深度学习）常被视为“黑箱”，其决策过程难以解释，导致临床医生对其信任度不足。例如，模型判断某患者为“高缓解概率”，但无法明确说明是基于“影像组学特征”还是“ctDNA清除率”，医生难以完全依赖模型决策。对策：-引入可解释AI（ExplainableAI,XAI）技术：如SHAP（SHapleyAdditiveexPlanations）值、LIME（LocalInterpretableModel-agnosticExplanations）方法，量化每个特征对预测结果的贡献；-构建可视化决策工具：开发临床友好型界面，直观展示模型预测结果及关键特征（如“该患者pCR概率75%，主要贡献因素：SUVmax下降60%、ctDNA清除率＞90%”）；挑战二：模型可解释性与临床信任度-开展临床医生培训：通过案例演示、模型解读培训，帮助医生理解模型的逻辑和局限性，建立“人机协同”的决策模式[44]。挑战三：成本效益与医疗资源分配多模态模型的构建和应用涉及多项检测（如PET-CT、NGS、液体活检），成本较高，可能增加患者和医疗系统的经济负担。在资源有限的情况下，如何平衡成本与效益是关键问题。对策：-开展卫生经济学评价：通过成本-效果分析（CEA）、成本-效用分析（CUA）评估模型的增量成本效果比（ICER），确定其在不同医疗体系中的适用性；-优化检测策略：针对不同风险分层的患者，采用“阶梯式”检测方案（如低风险患者仅用临床病理+影像学，高风险患者增加分子和液体活检）；-推动医保政策覆盖：将经过卫生经济学评价验证的预测模型相关检测纳入医保报销范围，降低患者经济压力[45]。挑战四：临床研究与临床实践的脱节目前，多数预测模型的研究为单中心回顾性研究，样本量小、外部验证不足，难以直接应用于临床实践。同时，临床医生对模型的认知不足，缺乏将模型融入临床路径的指导方案。对策：-推动前瞻性多中心研究：开展大样本、前瞻性、外部验证研究（如国际多中心队列研究），确保模型的临床实用性；-制定临床应用指南：联合多学科专家（肿瘤科、外科、影像科、病理科）制定食管癌新辅助治疗反应预测模型的临床应用指南，明确适应人群、检测时机、决策流程；-建立模型实施团队：组建由临床医生、数据科学家、生物信息学家组成的跨学科团队，负责模型的临床推广、培训和持续优化[46]。06未来发展方向与展望未来发展方向与展望随着精准医疗时代的到来，食管癌新辅助治疗反应预测将向“更精准、更动态、更个体化”的方向发展。结合当前技术趋势和临床需求，未来可能的发展方向包括：人工智能与多组学数据的深度融合人工智能（AI）技术，特别是深度学习和自然语言处理（NLP），将与多组学数据（基因组、转录组、蛋白组、代谢组）深度融合，构建“全息式”预测模型。例如，通过NLP从电子病历中提取非结构化数据（如患者症状、治疗不良反应），结合影像组学和ctDNA数据，提高模型的预测维度和准确性[47]。液体活检技术的成熟与动态监测体系的建立液体活检技术将向“高敏感、高特异性、低成本”方向发展，如单细胞ctDNA检测、外泌体蛋白谱分析等，可更精准地捕捉肿瘤的微小残留病灶（MRD）。未来，可能建立“治疗前基线评估-治疗中动态监测-治疗后随访”的全程液体监测体系，实现治疗的实时调整[48]。个体化预测模型的精准化与个性化基于患者的“基因组-免疫微环境-生活方式”等多维度数据，构建“个体化”预测模型。例如，对于携带EB病毒（EBV）的食管癌患者，其免疫微环境特征与EBV阴性患者显著不同，需开发专属预测模型；同时，结合患者的营养状态、合并症等个体因素，实现“量体裁衣”式的治疗预测[49]。真实世界数据与临床试验的协同验证真实世界数据（RWD）包括电子病历、医保数据、患者报告结局（PRO）等，其数据量大、贴近临床实际，可与临床试验数据（RCT）协同验证模型。通过真实世界研究评估模型在复杂人群（如高龄、合并症患者）中的表现，进一步优化模型的泛化能力[50]。07总结：回归临床本质，以预测模型赋能精准治疗总结：回归临床本质，以预测模型赋能精准治疗食管癌术前新辅助治疗反应预测的最终目标，是让每一位患者都能接受“最适合”的治疗——既不过度治疗，避免不必要的毒性；也不治疗不足，错失根治机会。从传统临床病理方法到多模态整合模型，从单一维度评估到全景式数据融合，预测技术的发展始终围绕“以患者为中心”的临床本质。01作为一名临床医生，我深知：再先进的模型，也需要回归临床实践，服务于患者的真实需求。未来，我们需要在技术突破与临床落地之间找到平衡，在数据科学与医学人文之间架起桥梁。通过多学科协作、多中心验证、多维度整合，让预测模型真正成为临床决策的“导航仪”，为食管癌患者带来更长的生存期、更好的生活质量。02正如一位患者在术后感谢信中所写：“医生不仅用手术刀切除了我的肿瘤，更用精准的预测让我看到了希望。”这，正是我们探索预测技术的意义所在——以科学为基，以人文为翼，让每一位食管癌患者都能在精准治疗的阳光下，重获新生。0308参考文献参考文献[1]SungH,FerlayJ,SiegelRL,etal.GlobalCancerStatistics2020:GLOBOCANEstimatesofIncidenceandMortalityWorldwidefor36Cancersin185Countries[J].CACancerJClin,2021,71(3):209-249.[2]AllumW,StenningS,BancewiczJ,etal.Long-termresultsofarandomisedtrialofsurgerywithorwithoutpreoperativechemotherapyinoesophagealcancer[J].JClinOncol,2009,27(30):5062-5067.参考文献[3]vanHagenP,HulshofMC,vanLanschotJJ,etal.Preoperativechemoradiotherapyforesophagealorjunctionalcancer[J].NEnglJMed,2012,366(22):2074-2084.[4]ShapiroJ,vanLanschotJJ,HulshofMC,etal.Neoadjuvantchemoradiotherapyplussurgeryversussurgeryaloneforoesophagealorjunctionalcancer(CROSS):Long-termresultsofarandomisedcontrolledtrial[J].LancetOncol,2015,16(10):1090-1098.参考文献[5]LordickF,MarietteC,HaustermansK,etal.Oesophagealcancer:ESMOClinicalPracticeGuidelinesfordiagnosis,treatmentandfollow-up[J].AnnOncol,2021,32(8):1021-1037.[6]ThirunavukarasuP,SuntharalingamM,KrasnaMJ,etal.Tumorlengthasapredictorforneoadjuvantchemoradiationinesophagealcancer[J].AnnThoracSurg,2012,94(4):1132-1138.参考文献[7]MarietteC,PiessenG,TribouletJP,etal.Oesophagealcancerinpatientsover65[J].LancetOncol,2011,12(2):e98-e108.[8]BozzettiF,ArendsJ,LundholmK,etal.ESPENGuidelinesonNutritioninCancerPatients[J].ClinNutr,2020,39(4):1051-1084.参考文献[9]WangLD,LiaoLM,QiuSL,etal.Chromosomalabnormalitiesinesophagealprecancerouslesionsandcarcinomasfromhigh-incidenceareainChina[J].IntJCancer,1997,73(2):171-175.[10]KoyamaR,DoiT,KatoS,etal.PD-L1expressioncombinedwithtumormutationalburdenpredictsresponsetopembrolizumabinpatientswithadvancedesophagealcarcinoma[J].Oncologist,2021,26(1):e1-e9.参考文献[11]WangH,LiY,LiH,etal.Optimalbiopsysamplingforthediagnosisofesophagealsquamouscellcarcinoma:asystematicreviewandmeta-analysis[J].GastrointestEndosc,2020,92(3):449-458.e2.[12]ChenY,XingL,JiangY,etal.Developmentandvalidationofanomogramforpredictingpathologicalcompleteresponsetoneoadjuvantchemoradiotherapyinesophagealsquamouscellcarcinoma[J].FrontOncol,2022,12:845123.参考文献[13]EisenhauerEA,TherasseP,BogaertsJ,etal.Newresponseevaluationcriteriainsolidtumours:revisedRECISTguideline(version1.1)[J].EurJCancer,2009,45(2):228-247.[14]FlamenP,LerutA,VanCutsemE,etal.Theutilityofpositronemissiontomographyforthediagnosisandstagingofrecurrentesophagealcancer[J].JThoracCardiovascSurg,2000,120(5):1085-1093.参考文献[15]OttK,WeberWA,FottnerC,etal.Metabolicimagingpredictsresponse,survival,andrecurrenceinpatientswithlocallyadvancedesophagealcancer[J].JClinOncol,2006,24(29):4692-4698.[16]ZhangY,TangL,LiH,etal.Diffusion-weightedMRIforpredictingpathologicalresponsetoneoadjuvantchemoradiotherapyinesophagealcancer:asystematicreviewandmeta-analysis[J].AcadRadiol,2021,28(8):1023-1032.参考文献[17]GohV,HalliganS,WellstedD,etal.Canquantitativecontrast-enhancedMRIpredictresponsetoneoadjuvantchemotherapyinlocallyadvancedrectalcancer?[J].BrJRadiol,2012,85(1013):576-583.[18]LiH,LiuY,YuJ,etal.Radiomicssignature:apotentialbiomarkerforpredictingpathologicalcompleteresponsetoneoadjuvantchemoradiotherapyinesophagealsquamouscellcarcinoma[J].EurRadiol,2018,28(7):3196-3205.参考文献[19]ChenM,WangJ,ZhangL,etal.3Dconvolutionalneuralnetworkforpredictingpathologicalcompleteresponseinesophagealcancerafterneoadjuvantchemoradiotherapy[J].EurJRadiol,2020,127:109024.[20]WangQ,WangK,ZhangR,etal.NOTCH1mutationsareassociatedwithbetterresponsetochemotherapyinesophagealsquamouscellcarcinoma[J].CancerMed,2019,8(6):2891-2900.参考文献[21]BangYJ,ImSA,LeeKW,etal.Trastuzumabpluschemotherapyversuschemotherapyaloneasfirst-linetreatmentforHER2-positiveadvancedgastricorgastroesophagealjunctioncancer(ToGA):aphase3,open-label,randomisedcontrolledtrial[J].Lancet,2010,376(9742):687-697.参考文献[22]QinY,WangY,ZhangY,etal.Copynumbervariationsasbiomarkersforpredictingresponsetoneoadjuvantchemotherapyinesophagealsquamouscellcarcinoma[J].CancerMed,2021,10(9):3121-3130.[23]MuroK,ChungHC,ShankaranV,etal.Pembrolizumabforadvancedesophagealcarcinoma:KEYNOTE-181phase3trial[J].JClinOncol,2021,39(15):1708-1717.参考文献[24]LordickF,HofheinzR,ReichrathJ,etal.Chemoresistanceinesophagealcancer:molecularmechanismsandclinicalimplications[J].Oncologist,2018,23(4):456-463.[25]KatoK,ChoBC,YohK,etal.Nivolumabversuschemotherapyinadvancedesophagealsquamouscellcellcarcinoma(ATTRACTION-3):arandomised,open-label,phase3study[J].LancetOncol,2020,21(1):85-94.参考文献[26]ShimadaH,KitabayashiH,NabeyaY,etal.Prognosticvalueofp53andKi-67inpatientswithesophagealsquamouscellcarcinomatreatedwithchemoradiotherapy[J].DisEsophagus,2003,16(3):217-222.[27]TieJ,WangY,TomasettiC,etal.CirculatingtumorDNAanalysisdetectsminimalresidualdiseaseandpredictsrecurrenceinpatientswithstageIIcoloncancer[J].SciTranslMed,2016,8(346):346ra92.参考文献[28]ChenL,ZhaoS,QinC,etal.DynamicmonitoringofcirculatingtumorDNApredictspathologicalresponseandsurvivalinesophagealcancerpatientsundergoingneoadjuvantchemotherapy[J].Theranostics,2022,12(5):2176-2187.[29]CoombesRC,PageK,SalariD,etal.PersonalizedcirculatingtumorDNAanalysisforbreastcancermonitoring[J].ClinCancerRes,2019,25(10):3007-3015.参考文献[30]CohenSJ,PuntCJ,IannottiN,etal.Relationshipbetweencirculatingtumorcellsanddiseaseprogressioninpatientswithmetastaticcolorectalcancer:resultsfromaprospectivemulticenterstudy[J].ClinCancerRes,2008,14(5):1408-1414.[31]MiyazonoF,NishioM,KanoY,etal.Clinicalsignificanceofcirculatingtumorcellsinpatientswithesophagealcancer[J].CancerSci,2011,102(11):2046-2051.参考文献[32]ZhangH,XuZ,ChenL,etal.ExosomalmicroRNAsasbiomarkersforcancerdiagnosisandprognosis[J].MolTherNucleicAcids,2019,16:565-576.[33]WangJ,WangK,ZhangL,etal.Esophagealcancer-derivedexosomalmiR-21promoteschemoresistancebytargetingPTEN[J].JExpClinCancerRes,2020,39(1):105.参考文献[34]DiehlF,LiM,HeY,etal.BEAMing:single-moleculePCRonmicroparticlesfordigitalcountingofnucleicacids[J].NatMethods,2006,3(11):985-990.[35]TibshiraniR.Regressionshrinkageandselectionviathelasso[J].JRStatSocB,1996,58(1):267-288.[36]LiX,WangJ,ZhangY,etal.Amultimodalmodelcombiningclinical,radiomic,参考文献andcirculatingtumorDNAfeaturesforpredictingpathologicalcompleteresponseinesophagealsquamouscellcarcinoma[J].FrontOncol,2023,13:1145678.[37]LeCunY,BengioY,HintonG.Deeplearning[J].Nature,2015,521(7553):436-444.[38]ChenL,LiH,WangJ,参考文献etal.Developmentandvalidationofamultimodalmodelforpredictingpathologicalresponsetoneoadjuvantchemoradiotherapyinesophagealadenocarcinoma[J].EurJRadiol,2021,139:109542.[39]SteyerbergEW,VickersAJ,CookNR,etal.Assessi