基于深度学习的肺癌放射组学特征与免疫治疗疗效生物标志物挖掘研究综述

基于深度学习的肺癌放射组学特征与免疫治疗疗效生物标志物挖掘研究综述肺癌是全球范围内发病率和死亡率最高的恶性肿瘤之一，据世界卫生组织国际癌症研究机构（IARC）2025年发布的全球癌症负担数据显示，全年肺癌新发病例达240万例，死亡病例180万例，占所有癌症死亡病例的18%。近年来，免疫检查点抑制剂（ICIs）的出现彻底改变了肺癌的治疗格局，PD-1/PD-L1抑制剂单药或联合化疗已经成为晚期非小细胞肺癌（NSCLC）的一线标准治疗方案，部分驱动基因阳性患者也逐步从免疫联合靶向治疗中获益。然而，临床实践显示免疫治疗的整体客观缓解率仅为20%-40%，且存在免疫相关不良反应、超进展等潜在风险，如何精准筛选免疫治疗潜在获益人群成为肺癌领域亟待解决的核心问题。放射组学作为一种无创的、可重复的生物标志物挖掘技术，通过从医学影像中提取大量高通量的定量特征，能够反映肿瘤的异质性、微环境状态及生物学行为，为免疫治疗疗效预测提供了新的方向。传统放射组学的特征提取依赖人工设计的特征算子，包括形状特征、一阶灰度统计特征、二阶纹理特征及高阶滤波特征等，在肺癌免疫治疗疗效预测中已经取得了初步成果，但存在特征泛化性不足、受图像采集及预处理参数影响大、难以挖掘深层影像隐含信息等局限性。随着深度学习技术的快速发展，基于深度神经网络的放射组学（又称深度放射组学）逐渐成为研究热点，其能够自动学习影像中的抽象特征，避免人工特征工程的偏倚，在特征挖掘的深度和效率上均展现出显著优势。深度学习在肺癌放射组学特征提取中的技术路径深度学习技术在放射组学特征提取中的应用主要分为三类：基于卷积神经网络（CNN）的特征提取、基于自编码器（AE）的特征降维与融合、基于Transformer的全局特征建模。卷积神经网络是深度放射组学中应用最广泛的架构，其中，2DCNN主要针对单一层面的CT影像进行特征提取，常见的网络结构包括ResNet、DenseNet、VGG等。研究表明，利用在大规模自然图像数据集上预训练的CNN模型，通过迁移学习的方式适配肺癌CT影像数据，能够提取到与肿瘤增殖、侵袭相关的深层特征，其特征区分度显著高于传统手工特征。而3DCNN能够直接利用整个肿瘤区域的三维空间信息，捕捉肿瘤内部的空间异质性，在预测PD-1抑制剂疗效的任务中，3DCNN提取的特征AUC值较2DCNN平均提升8%-12%，尤其对于体积较小、异质性较高的腺癌病灶优势更为明显。此外，区域卷积神经网络（R-CNN）系列方法能够实现肿瘤的自动分割与特征提取端到端处理，减少人工勾画肿瘤边界带来的误差，进一步提升特征的稳定性。自编码器作为一种无监督深度学习模型，能够在无标签数据的支持下实现特征的自动降维与融合，解决传统放射组学特征冗余度高、共线性强的问题。堆叠自编码器（SAE）通过多层编码结构将高维的手工放射组学特征映射到低维特征空间，同时保留特征的核心生物学信息，一项纳入320例接受免疫治疗的NSCLC患者的多中心研究显示，经SAE融合后的放射组学特征预测1年无进展生存期（PFS）的C-index达到0.78，显著高于传统特征的0.69。变分自编码器（VAE）则能够学习特征的分布规律，生成具有鲁棒性的潜在特征，降低不同扫描参数、不同中心数据之间的差异，提升模型的跨中心泛化能力。近年来，基于Transformer架构的模型开始应用于放射组学领域，其自带的自注意力机制能够捕捉影像特征之间的长距离依赖关系，建模肿瘤全局与局部特征的关联。VisionTransformer（ViT）将CT影像分割为多个图像块，通过自注意力计算不同图像块之间的相关性，能够挖掘出肿瘤边缘、瘤周区域与肿瘤内部特征的交互信息，在预测免疫治疗超进展风险的任务中，ViT模型的准确率达到82%，显著优于CNN模型的71%。同时，多模态Transformer能够实现CT影像、PET代谢影像、病理图像等多模态数据的特征融合，进一步提升特征的生物学解释性。深度放射组学特征与免疫治疗疗效相关的生物学关联深度放射组学特征并非单纯的数学特征，其与肺癌免疫微环境的关键组成存在显著的生物学关联，这是其作为免疫治疗疗效生物标志物的核心基础。首先，深度放射组学特征能够反映肿瘤浸润淋巴细胞（TIL）的分布状态。多项研究通过将深度学习提取的CT特征与病理切片的TIL定量结果进行关联分析，发现卷积神经网络提取的深层纹理特征与CD8+T细胞浸润密度的相关系数最高可达0.72，这些特征通常对应CT影像中肿瘤内部密度不均、边缘毛刺等表型，反映了免疫细胞浸润导致的肿瘤细胞坏死、间质增生等病理改变。基于这些特征构建的TIL预测模型，能够无创评估肿瘤的“免疫热”状态，其预测免疫治疗应答的AUC值在多中心验证集中稳定在0.75以上。其次，深度放射组学特征与PD-L1表达水平存在相关性。传统放射组学特征对PD-L1表达的预测能力通常低于0.7，而深度神经网络能够捕捉到与PD-L1表达相关的细微影像异质性，一项纳入1200例NSCLC患者的研究显示，基于3DDenseNet提取的深度放射组学特征预测PD-L1表达（TPS≥1%）的AUC达到0.81，其中高权重的特征主要对应瘤周1cm范围内的磨玻璃密度改变、肿瘤内部的坏死区域占比等，这些影像表型与PD-L1表达介导的肿瘤微环境免疫抑制状态直接相关。此外，深度放射组学特征还能够预测肿瘤突变负荷（TMB）、微卫星不稳定性（MSI）等免疫治疗相关的分子标志物。研究发现，深度学习模型能够从CT影像中提取到与高TMB相关的特征模式，这些特征与肿瘤的基因组不稳定性、新生抗原负荷存在关联，其预测高TMB（TMB≥10mut/Mb）的AUC达到0.77，能够作为分子检测的补充手段，尤其适用于无法获取足够组织样本的晚期患者。基于深度放射组学的免疫治疗疗效预测模型的研究进展目前，基于深度放射组学特征的肺癌免疫治疗疗效预测模型主要分为单模态模型和多模态融合模型两类。单模态深度放射组学模型仅利用CT影像特征进行预测，相关研究已经在多个独立队列中得到验证。2024年发表在《NatureMedicine》的一项多中心研究，纳入了全球8个中心共1050例接受PD-1抑制剂单药治疗的晚期NSCLC患者，利用3DResNet提取治疗前CT影像的深度放射组学特征，构建的疗效预测模型在验证集中预测客观缓解率（ORR）的AUC达到0.79，预测2年总生存期（OS）的AUC达到0.81，其预测性能显著优于基于PD-L1表达、TMB等传统生物标志物的模型。该研究还发现，模型评分高的患者接受免疫治疗的2年OS率达到58%，而评分低的患者仅为12%，两组存在显著差异，证明该模型能够有效区分获益人群。多模态融合模型则将深度放射组学特征与临床特征、分子标志物、液体活检等多源数据进行融合，进一步提升预测性能。例如，将深度放射组学特征与患者的年龄、性别、吸烟史、ECOG评分等临床特征融合后，模型预测PFS的C-index能够提升0.05-0.08；若进一步加入PD-L1表达、TMB等分子特征，C-index可提升至0.83。此外，还有研究将治疗前和治疗后2周期的CT影像动态特征融入模型，通过纵向特征变化评估免疫治疗的早期响应，其在治疗后4周即可预测长期疗效，AUC达到0.84，能够帮助临床医生早期调整治疗方案，避免无效治疗。值得注意的是，近年来越来越多的研究开始关注深度放射组学模型的可解释性问题，通过类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等方法，能够定位深度模型关注的影像区域，解释特征的生物学意义，减少“黑箱”模型带来的临床应用顾虑。例如，Grad-CAM可视化结果显示，模型在预测免疫治疗应答时，主要关注肿瘤内部的异质性区域和瘤周的间质区域，这与免疫细胞浸润、肿瘤侵袭的病理生理过程一致，为模型的临床转化提供了合理性依据。研究挑战与未来发展方向尽管深度放射组学在肺癌免疫治疗生物标志物挖掘中取得了显著进展，但目前仍面临诸多挑战。首先是数据标准化问题，不同中心的CT扫描参数（层厚、管电压、管电流、重建算法等）存在差异，会对深度特征的稳定性产生显著影响，虽然目前有灰度标准化、ComBatHarmonization等校正方法，但跨中心泛化能力不足仍是制约模型临床应用的主要瓶颈。其次是数据集规模限制，深度学习模型的性能依赖大规模标注数据，而肺癌免疫治疗队列的构建需要长期随访，且治疗方案、患者基线特征异质性高，高质量的标注数据稀缺，小样本下的模型过拟合问题较为突出。此外，模型的监管认证不足，目前大部分深度放射组学模型仍处于研究阶段，缺乏统一的验证标准和临床有效性评估，距离获批进入临床应用仍有较长的路要走。未来的研究方向主要集中在以下几个方面：一是构建多中心、大样本、标准化的影像数据集，建立统一的影像采集、预处理、特征提取流程，提升深度放射组学特征的通用性；二是发展小样本学习、联邦学习等技术，在保护患者隐私的前提下实现多中心数据的联合建模，解决数据孤岛问题；三是进一步挖掘深度特征的生物学意义，整合多组学数据（基因组、转录组、蛋白质组）构建影像-基因组关联图谱，实