多中心真实世界队列构建与特征提取
建立大规模NSCLC免疫治疗患者队列，提取临床、血液、影像、病理和基因组多模态特征。
从6个国际中心回顾性收集2,396例接受IO或IO/CHT治疗的晚期NSCLC患者数据，包括CB、CT、DP和基因组数据，并进行质量控制和特征选择。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
可解释人工智能决策支持工具在NSCLC中的临床可用性及多模态模型评估
Clinical usability of an explainable AI decision support tool and evaluation of multimodal models in NSCLC
实验完整度
高多中心真实世界队列，含体外AI建模、影像组学、病理组学及临床可用性试验，并有内部测试与外部验证。
主要模型
NSCLC患者队列（C23：C2+C3，n=2,075） 外部验证队列（UOC，n=251） 非IO队列（EGFR突变和化疗队列） 临床可用性评估队列（n=100）
重点核对
数据集划分：TRAIN（85%，n=1,550）、TEST（15%，n=274）、EXVAL（n=251） 主要终点：OS24、OS6、DCR分类及OS生存分析 模型比较：MLEF vs DLIF vs 单一生物标志物（PD-L1、ECOG PS、NLR、LDH、LIPI） 公平性分析：以中心、性别、种族为保护属性 临床可用性研究：20名医生（10名专家，10名非专家）评估100例患者
摘要
尽管经过十年发展，非小细胞肺癌（NSCLC）的免疫治疗（IO）选择仍主要依赖亚组分析和不够完善的程序性死亡配体1（PD-L1）及临床评分。据我们所知，I3LUNG（NCT05537922）是目前最大的国际性、真实世界、多模态、基于人工智能（AI）的研究，入组了2,396例患者。我们将真实世界临床和血液（CB）数据、计算机断层扫描（CT）图像、数字病理（DP）和基因组学整合到机器学习早期融合（MLEF）和深度学习中间融合（DLIF）模型中。机器学习和深度学习仅CB模型在各结局中表现一致，测试集中的曲线下面积（AUC）高达0.77。外部验证中的性能下降可能反映了人群差异（AUC范围：0.55–0.72）。AI模型在独立测试集中显著优于PD-L1、东部肿瘤协作组体能状态（ECOG PS）、中性粒细胞与淋巴细胞比值（NLR）、乳酸脱氢酶（LDH）和肺免疫预后指数（LIPI）评分。临床可用性研究显示，肺部专家和非专家医生使用基于可解释AI（XAI）的ML仅CB工具后，其预测能力得到改善。尽管多模态整合与MLEF（CB+CT+DP）与更高性能相关，但其增量获益仍不确定，未在测试集和外部验证中转化。I3LUNG项目是一个开创性框架，展示了AI工具的临床实用性。目前正在超过2,000例患者中对决策支持系统（包括CB和多模态）进行前瞻性验证。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在晚期NSCLC中，基于真实世界临床和血液数据的AI模型能否优于传统生物标志物预测免疫治疗结局，并且多模态整合能否进一步提升性能？
- 核心机制
- AI模型通过整合常规临床和血液特征（以及影像、病理和基因组数据）捕捉免疫治疗反应的预后信号，其预测能力部分通过ECOG PS、转移部位、NLR和LDH等特征实现。
- 主要证据
- ML和DL仅CB模型在测试集中AUC高达0.77，显著优于PD-L1、ECOG PS、NLR、LDH和LIPI评分；多模态MLEF在交叉验证中显示增量获益（AUC高达0.88），但在独立测试和外部验证中未一致复现；临床可用性研究显示XAI工具使医生DCR预测敏感性从0.72提升至0.87。
- 研究意义
- I3LUNG项目为NSCLC免疫治疗决策支持提供了大规模真实世界证据，表明仅血液AI模型可超越传统生物标志物，且可解释AI能改善医生决策，为未来前瞻性验证和临床实施奠定基础。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
仅血液AI模型开发与内部验证
评估仅使用常规临床和血液数据的ML和DL模型在预测IO结局中的性能。
使用MLEF和DLIF方法构建分类（OS24、OS6、DCR）和生存（OS）模型，在TRAIN集中采用留一中心交叉验证，并在TEST和EXVAL集中评估。
多模态整合模型构建与评估
测试在血液数据基础上加入CT影像、数字病理和基因组数据是否能提升预测性能。
使用MLEF和DLIF框架整合CB、CT（PYRAD和FMRAD）、DP和基因组数据，比较单模态、双模态和多模态模型的性能。
模型与单一生物标志物比较
验证AI模型是否优于现有临床生物标志物（PD-L1、ECOG PS、NLR、LDH、LIPI）的预测能力。
在TEST集中比较ML/DL CB-only模型与单一生物标志物的AUC，并使用Kaplan-Meier和Cox模型比较风险分层能力。
公平性审计与可解释性分析
评估模型在不同亚组中的公平性，并解释模型预测的关键特征。
以中心、性别、种族为保护属性进行公平性分析（TPR、FPR、C-index），并使用SHAP进行全局和局部可解释性分析。
临床可用性研究
评估可解释AI工具是否能改善医生对NSCLC患者IO结局的预测准确性。
20名医生（10名专家，10名非专家）分两阶段评估100例患者（80例来自TEST，20例来自EXVAL），阶段1仅使用临床数据和影像，阶段2额外使用AI模型输出和SHAP解释。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| CT影像特征提取 | PyRadiomics | -- | -- |
| 数字病理特征提取 | Prov-GigaPath | -- | -- |
| TITAN | -- | -- | |
| CT影像分割 | 3D Slicer | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者队列与数据收集 | 纳入标准：IIIC–IVB期NSCLC，接受IO或IO/CHT治疗；数据收集时间范围：2012年9月至2023年10月；6个中心来源；样本量：2,396例。 阅读提示：Methods部分'Patient enrollment'小节及Extended Data Fig. 1a。 |
| CB特征选择与模型输入 | 最终9个CB特征：sex, ECOG PS, smoking status, PD-L1, metastatic sites (bone, liver, brain), NLR, LDH；缺失值处理：IterativeImputer。 阅读提示：Methods部分'Development of the AI tools'小节及Supplementary Information 1, Table 2。 |
| 数据集划分与交叉验证 | TRAIN集：n=1,550（85%），5折LOCO交叉验证；TEST集：n=274（15%）；EXVAL集：n=251（来自UOC）。 阅读提示：Methods部分'Development of the AI tools'小节及Results 'Overview of the study design'。 |
| 临床终点定义 | OS24：24个月生存状态；OS6：6个月生存状态；DCR：根据RECIST v1.1分类；OS：从IO开始至死亡或末次随访。 阅读提示：Methods部分'Clinical endpoints'小节。 |
| 临床可用性研究设计 | 100例患者（80例TEST，20例EXVAL）；20名医生（10名专家，10名非专家）；每名医生评估10例患者；两阶段评估；终点：DCR和OS。 阅读提示：Methods部分'Clinical usability with ML CB-only model'小节及Fig. 5a。 |