肺癌新辅助治疗后，手术切除的标本里到底还能不能找到活的癌细胞？这是每一位面临局部晚期肺癌手术的患者及家属最揪心的问题。在现代肺癌多学科综合治疗中，术前新辅助化疗联合免疫治疗已成为缩小病灶、降低分期、清除隐匿微转移灶的核心手段。而术后病理检查若显示瘤床内和淋巴结内均无存活肿瘤细胞，即达到了医学上的“病理完全缓解（pCR）”。实现pCR的患者，其复发风险显著降低，长期生存率大幅提升。然而，新辅助治疗并非对所有人都能产生奇迹，如何在治疗前精准识别哪些患者能达到pCR，避免无效治疗带来的毒性与手术延误，一直是临床面临的巨大瓶颈。
什么是肺癌新辅助治疗的pCR？为什么它是“黄金生存指标”？
对于ⅠB至Ⅲ期可手术的非小细胞肺癌患者，传统单纯手术的术后复发率较高。近年来，以纳武利尤单抗（欧狄沃, Nivolumab）为代表的免疫检查点抑制剂联合化疗进入术前新辅助治疗阶段，彻底颠覆了既往治疗格局。临床研究证实，免疫新辅助治疗不仅能够在术前动员全身免疫系统攻击肿瘤，更能显著提高患者的切除标本完全缓解率。
病理完全缓解（pCR）意味着在经过规范的新辅助治疗后，病理科医生在显微镜下对切除的肿瘤原发灶及区域淋巴结进行全面检查，未发现任何有活力的癌细胞。大量循证医学数据表明，达到pCR的肺癌患者，其无事件生存期（EFS）和总生存期（OS）均远优于未达到pCR的患者。因此，pCR已被公认为评估新辅助免疫治疗疗效与长期预后的重要替代终点。
多模态AI突破：病理全切片联合临床特征，提前洞悉疗效
传统临床评估通常依赖CT影像或常规活检病理，难以全面捕捉肿瘤微环境的复杂异质性，预测能力有限。针对这一痛点，一项发表于《协和医学杂志》的多中心临床研究构建了名为MP-pCR的多模态可解释性深度学习模型。该研究回顾性纳入了来自河北医科大学第四医院、河北大学附属医院和邯郸市第一医院共728例接受新辅助治疗的肺癌患者数据，深入探索术前预测pCR的可行性。
图1 患者筛选及多中心数据集入组流程图
该模型采用了“训练与推理分离”的决策层融合策略：一方面利用先进的病理基础模型（UNI-V2）深度解析患者活检标本的高分辨率数字全切片图像（WSI）；另一方面基于极端梯度提升算法（XGBoost）提取关键基线临床特征。最终通过Logistic回归在决策层进行加权融合，实现了跨维度数据的协同预测。
| 模型维度 | 内部测试集 AUC (95% CI) | 准确率 | 特异度 | 临床核心优势 |
|---|---|---|---|---|
| 单一临床特征模型 | 0.780 | 78.2% | 81.1% | 依托年龄、病理类型及用药方案，运算简便 |
| 单一病理WSI模型 (UNI-V2) | 0.774 (0.688～0.861) | 72.7% | 80.0% | 深挖肿瘤微环境空间异质性，抗噪能力强 |
| MP-pCR 多模态融合模型 | 0.812 | 81.8% | 86.5% | 互补形态学与临床信息，预测效能显著超越单模态 |
图2 MP-pCR模型在各数据集中的ROC曲线及校准表现
研究结果显示，在内部测试集及两个独立外部验证集中，MP-pCR多模态模型的预测能力均表现出色（外部测试集AUC分别达0.746与0.722）。这表明，将病理切片的微观空间结构与宏观临床指标相结合，能为肺癌患者术前疗效预判提供高度可靠的依据。
打破AI黑箱：哪些肺癌患者更容易在术前实现肿瘤清零？
医疗决策关乎生命，人工智能绝不能是一个不可解释的“黑箱”。该研究利用空间注意力热图和夏普利加性解释（SHAP）方法，从形态学和临床表型两个维度揭示了决定疗效的底层机制。
图3 预测达到pCR与未达到pCR患者的病理热图模式对比
在病理形态层面，AI模型的注意力分布与资深病理专家的阅片逻辑高度一致：
- 未达pCR的患者：模型注意力高度集中在肿瘤实质核心区，表现为紧密成团或呈条索状浸润的癌细胞巢。
- 达到pCR的患者：热图呈现显著的空间分散性，模型不仅聚焦肿瘤实质，更重点关注“肿瘤-间质交界区”。在这些区域周围，常伴有丰富的成纤维细胞增生与高密度肿瘤浸润淋巴细胞（TILs），表明局部免疫应答微环境活跃，对免疫治疗更为敏感。
图4 临床特征SHAP可解释性分析图
在临床特征层面，SHAP特征重要性分析排出了影响pCR概率的核心驱动因素（前5位）：
- 术前治疗方案（贡献权重最高）：化疗联合免疫治疗（如纳武利尤单抗联合含铂双药化疗）以及靶向治疗的SHAP值强劲偏向正值，是推动肿瘤完全缓解的决定性因素；而单纯化疗的贡献多为负值，提示免疫加持是实现pCR的关键飞跃。
- 病理类型差异：肺鳞状细胞癌患者达到pCR的概率明显高于肺腺癌患者，反映出不同组织学类型在免疫原性和微环境浸润上的固有差异。
- 肿瘤-间质比例：反映了间质基质与肿瘤细胞的动态交互，是预测微环境免疫反应性的重要指标。
- 患者年龄：在经过严格评估的前提下，合理选拔的高龄患者接受规范方案同样展现出积极的缓解趋势。
- 吸烟史：吸烟状态与肿瘤突变负荷（TMB）及免疫应答存在复杂联系，在个体化决策中需结合基因分型综合评判。
新辅助免疫治疗期间，患者及家属该如何做好居家管理？
新辅助治疗通常在手术前进行2至4个周期，治疗窗口期至关重要。为了确保患者能按期平稳推进至根治性手术，治疗期间的居家照护与不良反应监测不容忽视：
- 警惕免疫相关不良事件（irAE）：免疫药物在激活抗肿瘤免疫的同时，可能引起正常器官的自身免疫炎症反应。家属需密切监测患者是否有新发咳嗽、活动后气促（警惕免疫性肺炎）、顽固性腹泻（免疫性肠炎）、严重乏力或心悸（甲状腺或垂体功能异常）。一旦出现，应立即联系主治医生，切勿盲目自行止泻或服用抗生素。
- 化疗毒副反应的对症处理：联合化疗期间需每周规律监测血常规和肝肾功能。针对恶心呕吐，可遵医嘱规范使用止吐药物，饮食采取少量多餐、高蛋白、易消化的原则；白细胞下降时应严格预防呼吸道及肠道感染。
- 严格把控手术黄金窗口：新辅助治疗结束后，通常需要在末次用药后4至6周内进行术前多学科评估并实施手术。过早手术可能药物效应尚未充分释放，延误手术则可能面临局部粘连加重或疾病进展风险。因此，定期复查胸部增强CT与全身评估十分必要。
突破药物可及性壁垒，MedFind与肿瘤患者同行
尽管医学研究已经明确，以前沿免疫检查点抑制剂为基石的新辅助联合方案能显著提高肺癌pCR率，但在临床实际中，许多患者仍面临治疗方案选择迷茫、前沿用药信息不对称或跨境创新药物获取困难等重重现实挑战。部分全球前沿靶向新药或特定免疫联合方案在不同国家和地区的上市时间存在时差，使得一些亟需前沿方案争取手术机会的患者陷入困境。
作为由癌症患者家属发起的抗癌信息共享与互助平台，MedFind始终致力于消除医疗信息的边界与时差。当您或家人面临肺癌术前治疗决策的困惑时，MedFind能够为您提供：
- 全球前沿资讯与指南解读：汇聚全球最新NCCN、CSCO权威诊疗指南与顶尖医学研究进展，帮助患者客观评估新辅助免疫治疗的适应证与获益可能。
- AI智能问诊与病理报告辅助解读：借助先进医疗AI引擎，帮助患者深入理解复杂的基因检测报告、穿刺活检病理特征及临床分期，为患者与主治专家的沟通提供清晰依据。
- 海外正品药品跨境直邮服务：针对国内尚未获批、临床急需的前沿抗癌药物，依托正规合规的国际医疗直邮渠道，提供原产地追溯与温控直邮保障，切实解决患者的用药可及性难题。
抗癌之路充满挑战，但精准医学与前沿科技正不断照亮希望之光。科学的疗效预测、规范的联合治疗与及时的医疗支持，正是战胜肺癌的坚实底气。
【参考文献】
［1］Huang J J, Deng Y Y, Tin M S, et al. Distribution, risk factors, and temporal trends for lung cancer incidence and mortality: a global analysis［J］. Chest, 2022, 161(4): 1101-1111.
［2］Liu W Y, Sui Z L, Wang C G, et al. Nomogram for predicting pathological complete response to neoadjuvant chemoimmunotherapy in patients with resectable non-small cell lung cancer［J］. Front Cell Dev Biol, 2025, 13: 1679782.
［3］Banna G L, Passiglia F, Colonese F, et al. Immune-checkpoint inhibitors in non-small cell lung cancer: a tool to improve patients’ selection［J］. Crit Rev Oncol Hematol, 2018, 129: 27-39.
［4］Forde P M, Spicer J, Lu S, et al. Neoadjuvant nivolumab plus chemotherapy in resectable lung cancer［J］. N Engl J Med, 2022, 386(21): 1973-1985.
［5］Chen R J, Ding T, Lu M Y, et al. Towards a general-purpose foundation model for computational pathology［J］. Nat Med, 2024, 30(3): 850-862.
［6］Lundberg S M, Erion G, Chen H, et al. From local explanations to global understanding with explainable AI for trees［J］. Nat Mach Intell, 2020, 2(1): 56-67.
