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.docVIP

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，