准确率飙升47%！AI重写肺癌风险预测新规则

肺癌仍是全球癌症死亡的头号杀手，每年全球180万肺癌患者死亡，其中一半是早期手术后复发。

但传统TNM分期系统对早期肺癌患者的预后预测准确率仅为63%，这意味着每3个被判定为“低风险”的I期患者中，就有1人会在5年内复发死亡。

高风险组患者有资格接受更激进的辅助治疗（例如免疫检查点抑制剂），如果能提升分期系统的精度，就能进行更精准的辅助治疗，降低高复发风险，从而提高患者生存率。

来自德国柏林和科隆两大癌症中心组成研究团队，首次将AI深度学习与空间细胞组学相结合，像素级地识别出肿瘤微环境中的“细胞生态位 ”。

这一框架对肺鳞癌的风险分层精度实现了惊人的47% 提升。

技术突破：从“点名”到“绘制社交网络”

TNM系统只关注癌细胞的物理扩散，完全忽略了肿瘤微环境，就像评估一座城市的治安，只看犯罪分子数量，却不看警察的部署和组织方式。

研究团队对1168例非小细胞肺癌患者的组织样本进行了深度解析

● 12重免疫荧光成像：同时标记12种蛋白标志物，将每个细胞的“身份证”从1维拓展到12维，最终识别出43种精细的细胞表型

● 空间邻域分析：在每个细胞周围划定34微米半径的"社交圈"，统计其邻居的类型和数量。这个尺度经过精心设计，既能捕捉直接接触的一阶邻居（如淋巴细胞），也能覆盖较大的二阶邻居（如巨噬细胞）

● 细胞生态位聚类：通过无监督机器学习，从5300万个细胞邻域中识别出10种独特的细胞生态位（Cell Niches）。

这些细胞生态位决定了肿瘤的行为和预后。

研究结果证实，细胞生态位模式与传统的TNM分期系统结合。

精准分类：从“冷肿瘤”到“热肿瘤”

细胞生态位模式还对肿瘤进行更精准的免疫状态划分，并细化了临床上常说的冷肿瘤和热肿瘤。

研究揭示了肺腺癌和鳞癌中截然不同的免疫景观

免疫荒漠生态位：几乎只有癌细胞，免疫细胞缺失，对应冷肿瘤（PD-L1阴性/肿瘤浸润淋巴细胞阴性）。据实验数据数据，鳞癌中冷肿瘤比例（14.8%）是腺癌（5.6%）的2.6倍。

免疫抑制排斥生态位：高密度的PD-L1阳性癌细胞（占65-71%），但免疫细胞被拒之门外（仅占5-6%），这是免疫逃逸的典型模式。

三级淋巴结构生态位：T细胞区和B细胞滤泡有序组织，形态学上类似淋巴结。但研究发现，在腺癌中这种生态位与较差预后相关，颠覆了传统认知。

炎症浸润生态位：免疫抑制癌细胞与大量活化淋巴细胞混合（各占约50%），对应热肿瘤（PD-L1阳性/肿瘤浸润淋巴细胞阳性），理论上对免疫治疗敏感。

临床意义：重新定义早期肺癌的治疗策略

关键发现：50%的I期“低危”患者实为高危

研究团队在柏林队列上训练AI模型，在科隆队列上独立验证，结果显示

● 腺癌：生态位模型的风险预测准确率（c-index=0.665）比TNM分期（0.633）提升14%（相对于随机预测的改进幅度）

● 鳞癌：提升幅度达到惊人的47%（c-index从0.630提升至0.692）

更重要的是，模型重新分类了约一半的I期患者。

这些患者按现行指南只需手术，但生态位分析显示其复发风险与II期患者相当，后者通常会接受辅助化疗。

这意味着传统系统可能让大量高危患者治疗不足。

在风险分层后的Kaplan-Meier生存曲线中

● 低风险组：5年生存率甚至优于传统I期患者

● 高风险组：5年生存率与II-III期接近，两组差异具有高度统计学显著性（p<0.001）

这种分层能力的提升，直接转化为临床决策的改变，哪些I期患者应该接受辅助治疗不再依赖医生的经验判断，而有了客观的分子病理学依据。

可行性：从实验室到临床的最后一公里

与需要数百种抗体的空间转录组学不同，这项研究的12重免疫荧光面板在技术上相对成熟：

● 所有抗体均为临床级预优化试剂

● 染色在标准病理自动染色仪上完成

● 扫描设备为常规全景扫描仪（虽需荧光模块）

研究团队估计，在配备了多光谱成像设备的专业中心（如大型肿瘤医院），这套流程可在1-2周内实现临床转化。

研究者也坦诚指出了当前的不足

● 队列局限：仅覆盖德国两个中心，种族和地域代表性有限

● 回顾性设计：无法前瞻性干预（如根据生态位指导辅助治疗）并验证生存获益

● 标志物选择：未包含癌症相关成纤维细胞（CAF）的亚型标志物，最新研究表明不同CAF亚型对预后有相反影响

肿瘤风险预测的范式转变

传统病理关注的是有多少癌细胞、癌细胞长什么样，但这项研究证明，决定患者生死的不是癌细胞本身，而是其周围34微米半径内免疫细胞的组织方式。

这意味着未来的肿瘤诊断报告中，除了TNM分期，还应标注出免疫荒漠、炎症前线、三级淋巴结构等关键地标，让我们看见肿瘤内部那个隐秘而决定性的战场：免疫细胞与癌细胞的空间博弈。

早期肺癌治疗有望出现客观标准

目前I期肺癌患者只接受手术，II期以上才考虑辅助化疗，但这导致21-71%的I期患者在5年内复发死亡。这项研究揭示：传统I期患者中有约50%实为高危，其生存曲线与II期无异，应接受辅助治疗。

这一发现可能重写临床指南，未来I期患者在术后或需进行生态位检测，高危者应接受辅助化疗或免疫治疗。

对于患者家属和医疗决策者，这提供了摆脱过度治疗和治疗不足两难困境的工具。

不再是所有I期都保守，也不是所有I期都激进，而是根据肿瘤微环境的个体化决策。

AI在医学中的真正价值

这项研究使用了14个深度学习模型（组织分割、细胞检测、12个标志物分类），但其核心贡献不是自动化，而是将人眼无法感知的5300万个细胞的空间关系，压缩成10个可解释的生态位类型，并与临床预后建立因果。

对于AI医疗的从业者和投资人，这揭示了一条更可行的路径，不必让AI直接输出诊断结论，而是让AI赋予医生能力，让医生能看见单细胞空间组学、量化免疫微环境，并发现传统指标遗漏的高危信号。