近日，首都医科大学附属北京胸科医院肿瘤研究中心马腾教授团队在《Journal of Hematology ＆Oncology》发表题为“The artificial intelligence and machine learning in lung cancer immunotherapy”的综述文章。该文阐述了人工智能（AI）及机器学习（ML）在肺癌免疫治疗预测中的应用现状，并讨论了AI在肺癌辅助诊断中的局限性与未来前景。首都医科大学附属北京胸科医院2021级硕士研究生高晴为第一作者，马腾教授为通讯作者。

　　肺癌是中国及世界范围内最致命的癌症类型之一。目前，越来越多的肺癌患者已从免疫疗法中获益，精准识别免疫治疗获益人群并进行疗效预测已成为热点问题。近年来，基于机器学习的人工智能已经在医工融合领域迅猛发展，大量研究通过使用影像组学、病理组学、基因组学、蛋白组学等数据，通过建模预测癌症患者程序性死亡配体1（PD-L1）、肿瘤突变负荷（TMB）、肿瘤微环境（TME）等信息，进而预测患者免疫疗法的获益情况与副反应发生情况，证明了人工智能在未来作为“数字化活检”的应用潜力，有望造福更多癌症患者，助力临床决策。

　　本文介绍了人工智能与机器学习的发展历史及其在医疗领域中的应用现状，并详细阐述了机器学习应用于肺癌免疫治疗疗效预测与不良反应预测的研究进展。放射组学利用CT、PET/CT图像中的影像学特征与参数信息，结合肺癌免疫治疗患者队列信息，可通过多种机器学习算法构建模型，在PD-L1、TMB、TME以及患者预后等预测中取得较好预测性能，同时，在肺癌的早诊与筛查中也有极大应用价值。

　　病理组学的研究集中在使用全切片图像（Whole Slide Image, WSI）的数字病理扫描技术解决传统病理图像的批次差异与人工判读差异问题，通过有监督的机器学习算法，自动对全幅病理图像内的组织和细胞进行分类评估，并使用所得到的肿瘤区域、基质区域等空间特征与肿瘤浸润淋巴细胞计数等可视化数据结合患者临床信息进行建模，同样在预测PD-L1、TMB、TME及患者预后等方面取得较好的性能表现。

　　基于基因组学、蛋白质组学、微生物组学及血液标志物等的研究，也均在肺癌免疫治疗疗效、患者生存和不良反应发生率等预测中展现出良好的应用潜力。该论文也探讨了现有的多种传统机器学习算法与深度学习算法的局限性，以及计算机辅助诊断应用于临床工作所面临的挑战，为进一步推进人工智能辅助预测肺癌患者免疫治疗获益情况提供了新思路。

　　该研究得到了希思科—恒瑞肿瘤研究基金项目支持（课题编号：Y-HR2020MS-0156）。

作者介绍

马腾

　　首都医科大学附属北京胸科医院教授，博士生导师，北京市结核病胸部肿瘤研究所研究员。

　　先后承担国家自然科学基金项目三项，入选北京市海外高层次人才项目。以第一作者或通讯作者在Molecular Cell、Cell Death & Differentiation、Signal Transduction and Targeted Therapy、Molecular Cancer等本领域期刊发表多篇高水平论文。

　　马腾教授长期致力于小细胞肺癌肿瘤免疫基础和临床应用研究，旨在阐明以DNA损伤反应与修复体系为主的分子机制在肿瘤免疫中的调节作用、筛选小细胞肺癌患者精准治疗的预测标志物和潜在治疗靶点。