在非小细胞肺癌（NSCLC）的治疗领域，一场由人工智能（AI）和多组学技术引领的变革正在悄然发生。尽管围绕AI的讨论常常伴随着炒作，但数字病理学、放射组学和多参数模型的审慎整合，已经开始在临床中展现出真正的实用价值，尤其是在新辅助治疗（术前治疗）方面，为患者带来了新的希望。
加州大学圣地亚哥分校（UCSD）的Sandip Patel博士在第26届国际肺癌年会上指出，AI赋能的影像学和数字病理学在预测治疗反应方面潜力巨大，而多组学和机器学习则可用于毒性预测和风险分层。他强调，AI应被视为临床肿瘤学中的辅助工具，而非自主决策者。
AI赋能影像与病理：提升NSCLC诊断精度
AI在肺癌诊疗中一个杰出的例子是Sybil模型。这个由麻省总医院（MGH）开发的AI模型，专为低剂量CT肺癌筛查设计，能够通过深度学习识别出即使是专家也可能忽略的模式。值得注意的是，Sybil展现了“建设性幻觉”的能力——即AI标记出人类医生最初未能发现的结节，而这些结节在后续检查中确实发展为可见病灶。这种在病变显现前就“预见”其存在的能力，为早期诊断和监测开辟了新途径。
Patel博士解释说：“AI产生的一切都是一种‘幻觉’，关键在于哪些是有用的幻觉。MGH的数据显示，在肺癌筛查人群中，Sybil识别出了多个被两名放射科医生认为风险低甚至不存在的结节，而这些地方在几个月后确实出现了病灶。”这证明了AI在提高放射学诊断敏感性方面的巨大潜力。
同样，AI在数字病理学领域也发挥着变革性作用，尤其是在评估新辅助治疗反应方面。传统的病理反应评估主观性很强，而AI驱动的计算机视觉算法则可以更客观、标准化地量化肿瘤的消退程度。例如，在LCMC3 II期临床试验中，研究人员使用AI来评估新辅助治疗药物阿替利珠单抗（Atezolizumab, Tecentriq）的病理反应。结果表明，由AI判定的“数字主要病理反应”在预测患者预后方面，甚至优于人类病理学家的主观判断。
多组学与放射组学：精准预测疗效与毒副作用
除了诊断，AI在整合多源数据以预测治疗副作用方面也显示出巨大价值。免疫治疗相关性肺炎是常见的严重副作用之一。通过结合放射组学（从医学影像中提取高维数据）和多参数模型，医生有望在症状出现前识别出高风险患者。
研究表明，通过分析影像特征、电子病历和基线实验室数据，可以构建预测肺炎风险的模型。有趣的是，除了影像指标，种族和中性粒细胞计数也成为强有力的预测因子。这种模型的高阴性预测值（0.93）使其成为一个有价值的工具，可以帮助医生排除高风险，避免不必要的治疗中断。
这一点在新辅助治疗中尤为重要。有时，影像上观察到的淋巴结“闪烁”可能并非疾病进展，而是免疫细胞浸润的表现。放射组学可以帮助医生区分这两种情况，从而做出继续或停止免疫治疗的正确决策。
此外，放射组学特征未来还有望帮助筛选出最能从新型药物中获益的患者，例如抗体偶联药物（ADC）德达博妥单抗（Datopotamab deruxtecan, Datroway）。通过AI辅助的定量免疫组化评分来评估TROP2的表达水平，或可更精准地将合适的药物匹配给合适的患者，从而提高疗效，避免过度治疗。
AI的局限与未来：人机协作是关键
尽管AI在影像和病理领域的应用日益成熟，但关于AI将“取代”肿瘤科医生的说法仍存在很多疑虑。许多声称AI超越人类的研究，往往是在排除了现实世界复杂性的理想化测试场景下进行的。
相比之下，一些更务实的应用则更具前景。例如，基于检索增强生成技术的临床指南助手，以及专门吸收结构化临床数据和专业会议内容的ScoutAI工具，它们为医生提供了更可靠的信息支持。这些工具旨在辅助而非取代医生，帮助他们快速获取和整理信息。同样，对于希望深入了解自身病情的患者，利用可靠的AI工具进行辅助咨询也成为一种新选择。例如，MedFind的AI问诊服务便能基于海量医学文献，为患者的疑问提供初步解答和方向指引。
另一项具有直接临床效用的技术是用于文档记录的环境AI。这些系统能实时转录和总结医患对话，大大减轻了医生的文书工作负担，使他们能更专注于患者护理。
总结与展望：整合而非取代
短期内，AI不可能取代肿瘤科医生，但它必将以深刻的方式增强医生的能力。从标准化病理反应评估到优化影像解读，再到预测治疗毒性，AI正在为肿瘤学领域一些最棘手的挑战提供切实可行的解决方案。
在局限性非小细胞肺癌领域，尤其是在新辅助治疗中，这些工具已经开始影响临床试验设计、监管终点乃至患者选择。随着多组学和机器学习模型更深入地融入日常工作流程，我们必须确保其应用以严格的验证、临床医生的监督和患者的最终获益为指导。患者若想了解更多关于肺癌靶向药、免疫治疗的最新资讯，可以访问MedFind抗癌资讯板块获取详细信息。
AI在非小细胞肺癌治疗中的真正前景，不在于轰动的头条新闻，而在于坚实、迭代的进步。通过拥抱技术的优势并警惕其局限性，我们能够为患者开辟真正有效的精准医疗新途径。
- Patel S. Multiomic and AI-assisted approaches in localized NSCLC. Presented at: 26th Annual International Lung Cancer Congress; July 25-26, 2025; Huntington Beach, CA.
- Mikhael PG, Wohlwend J, Yala A, et al. Sybil: a validated deep learning model to predict future lung cancer risk from a single low-dose chest computed tomography. J Clin Oncol. 2023; 41(suppl 12):2191-2200. doi:10.1200/JCO.22.01345
- Dacic S, Travis WD, Giltnane JM, et al. Artificial intelligence–powered assessment of pathologic response to neoadjuvant atezolizumab in patients with NSCLC: results from the LCMC3 study. J Thorac Oncol. 2024;19(5):719-731. doi:10.1016/j.jtho.2023.12.010
- Naidoo J, Haakensen VD, Bar J, et al. Quantitative radiomics for the detection of symptomatic pneumonitis following chemoradiotherapy in patients with stage III unresectable NSCLC. Ann Oncol. 2024;35(suppl 2):S794. doi:10.1016/j.annonc.2024.08.1298
- Cascone T, Weissferdt A, Godoy MCB, et al. Nodal immune flare mimics nodal disease progression following neoadjuvant immune checkpoint inhibitors in non-small cell lung cancer. Nat Commun. 2021;12(1):5045. doi:10.1038/s41467-021-25188-0
- Garassino MC, Sands J, Paz-Ares L, et al. Normalized membrane ratio of TROP2 by quantitative continuous scoring is predictive of clinical outcomes in TROPION-Lung 01. J Thorac Oncol. 2024;19(10):S2-S3. doi:10.1016/j.jtho.2024.09.015
- Nori H, Daswani M, Kelly C, et al. Sequential diagnosis with language models. Updated July 2, 2025. Accessed July 28, 2025. doi:10.48550/arXiv.2506.22405
- Introducing ASCO guidelines assistant. ASCO. Accessed July 28, 2025. https://www.asco.org/practice-patients/guidelines/assistant
- Tierney AA, Gayre G, Hoberman B, et al. Ambient artificial intelligence scribes to alleviate the burden of clinical documentation. NEJM Catal Innov Care Deliv. 2024;5(3). doi:10.1056/CAT.23.0404
