THE LANCET  2025/10/06-2025/10/12

1.人工智能衍生的非小細(xì)胞肺癌縱向和多維 CT 分類器用于優(yōu)化新輔助化學(xué)免疫治療決策：一項(xiàng)多中心回顧性研究

AI-derived longitudinal and multi-dimensional CT classifier for non-small cell lung cancer to optimize neoadjuvant chemoimmunotherapy decision: a multicentre retrospective study

（1）背景：本文旨在解決非小細(xì)胞肺癌（NSCLC）新輔助化療免疫治療（NACI）中面臨的個(gè)性化治療決策難題。目前臨床依賴的PD-L1檢測(cè)和RECIST 1.1標(biāo)準(zhǔn)存在明顯的局限性：PD-L1檢測(cè)因組織采樣偏差和程序復(fù)雜性導(dǎo)致準(zhǔn)確性受限，而RECIST標(biāo)準(zhǔn)在評(píng)估臨床反應(yīng)時(shí)與病理學(xué)結(jié)果存在顯著差異，無法有效捕捉治療過程中腫瘤的動(dòng)態(tài)時(shí)空異質(zhì)性。為此，研究團(tuán)隊(duì)開發(fā)并驗(yàn)證了一個(gè)名為L(zhǎng)C-NICER的、基于CT影像的人工智能系統(tǒng)。該系統(tǒng)的核心目的是通過整合縱向CT影像數(shù)據(jù)，并融合多維度特征——包括放射組學(xué)、深度學(xué)和棲息地成像——來構(gòu)建一個(gè)非侵入性的預(yù)測(cè)工具，以期在治療前識(shí)別可能受益于NACI的患者，并在術(shù)前準(zhǔn)確評(píng)估腫瘤消退情況，從而為優(yōu)化治療策略和手術(shù)規(guī)劃提供關(guān)鍵依據(jù)。

（2）解釋：研究的結(jié)論表明，LC-NICER系統(tǒng)在預(yù)測(cè)NACI治療反應(yīng)方面表現(xiàn)出卓越且穩(wěn)健的性能。經(jīng)過多中心回顧性研究（共534名患者）的驗(yàn)證，其最終集成模型（LC-NICERδ）在訓(xùn)練集、內(nèi)部驗(yàn)證集和外部測(cè)試集中的曲線下面積（AUC）分別達(dá)到0.950、0.889和0.870，顯示出強(qiáng)大的泛化能力。更重要的是，該系統(tǒng)顯著優(yōu)于當(dāng)前臨床標(biāo)準(zhǔn)：在治療前預(yù)測(cè)階段，LC-NICERα模型的準(zhǔn)確性（0.722）顯著高于PD-L1檢測(cè)（0.622）；在術(shù)前評(píng)估階段，LC-NICERδ模型的準(zhǔn)確性（0.831）也遠(yuǎn)優(yōu)于基于RECIST標(biāo)準(zhǔn)的臨床完全緩解評(píng)估（0.651）。此外，通過棲息地成像分析，研究成功識(shí)別出與治療反應(yīng)密切相關(guān)的關(guān)鍵腫瘤及瘤周亞區(qū)，并提供了直觀的可視化工具，增強(qiáng)了模型的可解釋性和臨床實(shí)用性。因此，LC-NICER作為一種非侵入性的AI工具，為推進(jìn)NSCLC的精準(zhǔn) oncology 建立了新范式，有望在未來指導(dǎo)個(gè)性化治療、加速適應(yīng)性臨床試驗(yàn)，并最終減少對(duì)侵入性診斷程序的依賴。

2.使用病理圖像分析方法進(jìn)行人工智能輔助診斷腎小球腎炎：一項(xiàng)多中心模型開發(fā)和驗(yàn)證研究

Artificial intelligence-assisted diagnosis of glomerular nephritis using a pathological image analysis approach: a multicentre model development and validation study

（1）背景：本文旨在開發(fā)并驗(yàn)證一種基于人工智能（AI）的輔助診斷模型，用于通過腎臟活檢的數(shù)字組織學(xué)圖像自動(dòng)診斷腎小球腎炎（GN）。研究背景在于當(dāng)前GN診斷依賴病理學(xué)家手動(dòng)分析腎活檢圖像，這一過程主觀性強(qiáng)、勞動(dòng)密集，且存在觀察者間變異性，導(dǎo)致診斷效率低下和可重復(fù)性不足。文章提出一個(gè)多中心研究框架，集成腎小球分割、病變分類和全幻燈片圖像（WSI）級(jí)診斷，以解決這些挑戰(zhàn)。具體目標(biāo)包括：利用光鏡圖像開發(fā)一個(gè)統(tǒng)一模型，能夠準(zhǔn)確識(shí)別四種常見GN類型（IgA腎病、膜性腎病、局灶節(jié)段性腎小球硬化癥和微小病變病），并通過內(nèi)部和外部驗(yàn)證隊(duì)列評(píng)估模型性能，最終為病理學(xué)家提供自動(dòng)化工具，以減少工作量、提高診斷一致性和速度。

（2）解釋：文章結(jié)論表明，所開發(fā)的AI輔助診斷模型在多個(gè)獨(dú)立驗(yàn)證隊(duì)列中表現(xiàn)出強(qiáng)大的性能，能夠有效自動(dòng)化診斷腎小球腎炎。模型基于大量光鏡圖像（共106,988個(gè)腎小球）訓(xùn)練，在外部驗(yàn)證隊(duì)列中實(shí)現(xiàn)了高F1分?jǐn)?shù)（隊(duì)列I為83.86%，隊(duì)列II為85.45%）、精度和召回率，尤其對(duì)膜性腎病的診斷F1分?jǐn)?shù)超過97%。此外，探索性分析顯示，結(jié)合免疫熒光（IF）信息可進(jìn)一步提升模型性能，例如在四分類任務(wù)中F1分?jǐn)?shù)達(dá)到91.00%。模型通過腎小球分割網(wǎng)絡(luò)（GloSNet）和特征融合算法，成功整合了病變特征，減少了診斷變異，并具有潛力輔助病理學(xué)家提高工作效率和準(zhǔn)確性。然而，研究局限性包括模型僅針對(duì)中國(guó)人群和四種GN亞型開發(fā)、依賴單一染色方法以及模型可解釋性不足，未來需擴(kuò)展至更多人群和疾病類型。

3.三陰性乳腺癌識(shí)別和預(yù)后預(yù)測(cè)的人工智能系統(tǒng)的開發(fā)和驗(yàn)證：一項(xiàng)多中心回顧性研究

Development and validation of an artificial intelligence system for triple-negative breast cancer identification and prognosis prediction: a multicentre retrospective study

（1）背景：本文旨在開發(fā)并驗(yàn)證一個(gè)名為TRIP的人工智能系統(tǒng)，用于通過常規(guī)H&E染色病理圖像自動(dòng)識(shí)別三陰性乳腺癌（TNBC）并預(yù)測(cè)其預(yù)后，以解決當(dāng)前依賴免疫組化（IHC）的診斷方法耗時(shí)、成本高的問題，并改善基于傳統(tǒng)臨床病理特征的預(yù)后分層不足。研究采用多中心回顧性設(shè)計(jì)，從中國(guó)多個(gè)三級(jí)醫(yī)院收集大量乳腺癌患者數(shù)據(jù)，開發(fā)端到端的深度學(xué)習(xí)模型，整合病理基礎(chǔ)模型（GPFM）和雙向Mamba編碼器，以提升TNBC識(shí)別和生存預(yù)測(cè)的準(zhǔn)確性、可解釋性及泛化能力。

（2）解釋：研究結(jié)論顯示，TRIP系統(tǒng)在內(nèi)部驗(yàn)證隊(duì)列中TNBC識(shí)別的AUC達(dá)0.980，預(yù)后預(yù)測(cè)的C-index為0.747（無病生存）和0.744（總生存），在外部隊(duì)列中同樣表現(xiàn)優(yōu)異（AUCs為0.860-0.936），并通過注意力熱圖揭示了TNBC的關(guān)鍵組織學(xué)特征，如核異型性、壞死和免疫冷微環(huán)境，與多組學(xué)分析一致，識(shí)別出三種分子亞型，支持其預(yù)后準(zhǔn)確性。

4.優(yōu)化機(jī)器學(xué)習(xí)用于醫(yī)療保健中事件發(fā)生時(shí)間預(yù)測(cè)，應(yīng)用于 ALS 胃造口術(shù)時(shí)機(jī)：一項(xiàng)多中心、回顧性模型開發(fā)和驗(yàn)證研究

Optimised machine learning for time-to-event prediction in healthcare applied to timing of gastrostomy in ALS: a multi-centre, retrospective model development and validation study

（1）背景：開發(fā)一個(gè)優(yōu)化的機(jī)器學(xué)習(xí)模型，用于預(yù)測(cè)肌萎縮側(cè)索硬化（ALS）患者從診斷到需要胃造口術(shù)的精確時(shí)間，其中胃造口術(shù)的需求以體重下降5%為客觀指標(biāo)。研究旨在通過系統(tǒng)比較超過5000種預(yù)測(cè)模型配，利用貝葉斯框架進(jìn)行超參數(shù)調(diào)優(yōu)以避免過擬合，從而選擇最優(yōu)模型。此外，文章還致力于創(chuàng)建一個(gè)可訪問的臨床工具，即“predicTTE”應(yīng)用和在線平臺(tái)，使非專業(yè)用戶能夠在數(shù)據(jù)安全的環(huán)境中使用模型進(jìn)行預(yù)測(cè)，并貢獻(xiàn)新數(shù)據(jù)以持續(xù)改進(jìn)模型。研究基于多中心回顧性數(shù)據(jù)（訓(xùn)練集來自歐洲3000名患者），并強(qiáng)調(diào)在真實(shí)臨床場(chǎng)景中實(shí)現(xiàn)個(gè)體化醫(yī)療決策，以解決當(dāng)前胃造口術(shù)時(shí)機(jī)不確定導(dǎo)致的預(yù)后問題。

（2）解釋：最優(yōu)模型（邏輯風(fēng)險(xiǎn)深度學(xué)習(xí)模型）在內(nèi)部交叉驗(yàn)證和外部獨(dú)立隊(duì)列驗(yàn)證中表現(xiàn)出穩(wěn)定且高精度的預(yù)測(cè)性能，中位絕對(duì)誤差（MAE）為3.7個(gè)月，在結(jié)合六個(gè)月后的縱向體重?cái)?shù)據(jù)后，MAE降至2.6個(gè)月，而對(duì)于最常見患者群體，MAE進(jìn)一步優(yōu)化至1.2個(gè)月。模型在12個(gè)月胃造口術(shù)需求的AUROC達(dá)到0.75，縱向模型提升至0.86，且性能在來自不同人群和臨床背景的外部驗(yàn)證隊(duì)列（美國(guó)n=299；瑞典n=215）中保持一致，證實(shí)了其泛化能力。通過隨機(jī)森林模型（MissForest）有效插補(bǔ)缺失數(shù)據(jù)，模型魯棒性增強(qiáng)，且協(xié)變量分析顯示深度學(xué)習(xí)模型能捕捉非線性交互作用，優(yōu)于傳統(tǒng)樣條模型。這些發(fā)現(xiàn)表明，該預(yù)測(cè)工具可用于指導(dǎo)ALS患者的個(gè)體化胃造口術(shù)決策，但前瞻性研究仍是進(jìn)入常規(guī)臨床實(shí)踐的必要步驟。