导语

　　肺癌是全球癌症相关死亡的首要原因，其生存率较低，主要原因是大多数患者在确诊时已处于晚期[1]。低剂量螺旋CT（LDCT）是肺癌的主要筛查手段，但受高假阳性率、部分亚型早期识别能力不足等问题制约[2]，临床亟需更准确且无创的肺结节良恶性鉴别手段，以降低漏诊与过度诊断风险。

　　广州医科大学附属第一医院何建行教授、梁文华教授团队与世和基因合作开展了DECIPHER-NODL研究，基于世和自主研发的MERCURY片段多组学技术联合影像组学技术，开创性地构建了AI多模态肺结节良恶性鉴别诊断模型。相关成果已于近日发表在国际权威期刊Lancet Regional Health Western Pacific[3]。

　　研究亮点

　　1、多中心、大样本、性能优异：涵盖三个队列，共1356名参与者。开发的AI多模态肺结节诊断模型在训练、验证和外部验证组的AUC分别为0.952、0.950和0.966，表现出色。

　　2、多模态联合，临床获益显著：基于人工智能算法，创新性地将LDCT影像组学与cfDNA片段多组学特征结合。相比单一影像模型，多模态模型将18.6%（18/97）的良性病例重新归类为低风险，从而减少不必要的检查和治疗。同时，将5.7%（20/351）的恶性病例归为高风险，以避免治疗延误和漏诊。

　　3、兼具恶性分类与侵袭性预测：联合影像组学和cfDNA片段组学特征，进一步构建侵袭性多模态预测模型，可根据肿瘤侵袭性对患者进行分层，尤其适用于直径小于15mm且具有浸润性特征的肺部肿瘤，辅助医生更准确地评估肿瘤的侵袭性。

　　研究内容

　　本研究包括3个队列，其中训练队列417例（307例肺癌患者和110例良性结节人群），内部验证队列288例（215例肺癌患者和73例良性结节人群），外部验证队列160例（136例肺癌患者和24例良性结节人群）。研究通过基于AI的机器学习算法，提取了cfDNA片段多组学特征，如拷贝数变异（CNV）、片段大小比（FSR）、突变标记（MCS）以及基于cfDNA片段的甲基化（FBM），并将其与LDCT影像组学数据相结合。最后，研究开发的AI多模态肺结节良恶性鉴别诊断模型在真实肺癌风险人群中验证了其辨别肺结节良恶性的优越性能。

　　图1. DECIPHER-NODL研究设计

　　研究结果

　　1. 影像模型性能评估

　　在训练队列中，影像模型的AUC为0.934；内部验证队列为0.883；外部验证队列为0.906（图2b）。所有队列中，恶性病例的影像评分显著高于良性结节（p<0.001，图2c）。在95%的灵敏度下，影像模型在内部验证队列中的特异性为50.0%（56/112），在外部验证队列中的特异性为29.0%（7/24）（图2d）。

　　图2. 肺癌预测影像模型的构建与评价

　　2. cfDNA模型性能评估

　　cfDNA模型在训练、内部验证队列和外部验证队列中的AUC分别为0.860、0.855和0.858（图3b）。cfDNA评分在所有队列中恶性病例显著高于良性结节（p<0.001；图3c）。在训练队列95%的灵敏度下，cfDNA模型在内部验证队列中，对恶性结节的灵敏性为94.0%(202/215)，在外部验证队列中的灵敏性为98.7%(147/149) (图2d)。

　　图3. cfDNA模型性能评估

　　3. 影像联合cfDNA的AI多模态模型进一步提升恶性风险评估效果

　　AI多模态模型结合了两种单一模型的优势，其性能明显优于任何单一模型。其在训练队列中的AUC为0.952，内部验证队列为0.950，外部验证队列为0.966（图4a）。同时，多模态模型能够显著区分恶性和良性结节（p<0.001；图4b）。在验证队列中，多模态模型的特异性从单一影像模型的50.0%和单一cfDNA模型的33.0%提高到60.0%（图4c）。此外，联合模型在10-20mm结节（p=0.014）和纯实体结节（p=0.011）的诊断中表现更优（图4e）。

　　图4. 联合模型性能评估

　　4. 侵袭性预测模型助力肺癌风险分层与个性化治疗

　　为更好地区分侵袭性和非侵袭性恶性肿瘤，研究纳入了结节小于15mm且具有侵袭性特征的肺癌患者，开发出结合影像与cfDNA特征的侵袭性预测模型（图5a）。该模型在内部验证队列中的AUC为0.884，外部验证队列为0.880，优于单一影像模型或cfDNA模型（图5b-d）。模型的评分能有效按肿瘤侵袭性对患者进行分类，评分从低侵袭性到高侵袭性逐步上升（p<0.001，图5e-g）。

　　图5. 肿瘤侵袭性模型构建与性能评估

　　结语

　　本研究基于世和MERCURY cfDNA片段组学技术，创新性地开发了一款融合影像学的多模态AI模型。该模型在肺结节良恶性鉴别及肺癌风险分层方面表现出色，并可通过整合侵袭性预测模型，进一步指导个性化治疗。通过突破传统单一模态的局限，这一融合AI与多模态数据的创新技术，为肺癌的筛查、诊断和治疗规划带来革命性的临床价值。

　　专家简介

　　何建行 教授

　　广州医科大学附属第一医院

　　主任医师、教授

　　广州医科大学附属第一医院胸外科主任，呼吸疾病国家临床医学研究中心肺癌组学术带头人

　　国家呼吸医学中心主任，广州呼吸健康研究院院长

　　广州医科大学附属第一医院胸外科、移植科、肿瘤科学术带头人

　　广州国家实验室领衔科学家

　　中国医学科学院学术咨询委员会学部委员

　　美国外科学院（ACS）Fellow

　　英国皇家外科学院（RCS）Fellow

　　美国胸心外科学会（AATS）Member

　　美国胸外科医师协会（STS）Member

　　欧洲胸外科医师协会（ESTS）Member

　　国际肺癌研究协会（IASLC）Member

　　《Journal of Thoracic Disease》执行主编；《Annals of Translational Medicine》主编

　　梁文华 教授

　　广州医科大学附属第一医院

　　教授、主任医师、博士/博后导师

　　广州医科大学附属第一医院胸部肿瘤综合诊疗病区主任

　　横琴医院副院长

　　呼吸疾病全国重点实验室肺癌学组副组长

　　广州国家实验室双聘PI

　　主持国自然青年基金A类（原杰青）获得者（方向：肿瘤学）、优秀青年基金，国家重点研发计划等多个项目。主攻肺癌/肺结节的综合诊疗及临床转化研究，年诊疗量1.2万人次，在早期精准防控方面取得了一系列创新性研究成果，于国际顶尖期刊JAMA，BMJ，NEJM，Lancet Oncol，J Clin Oncol，Cancer Cell等发表300余篇论文，总被引超过3万次，H指数50，连续多年入选斯坦福-爱思唯尔全球前2%科学家终身影响力排行榜。被评为人民网“国之名医”，南粤好医生等，获得首届广东省青年科技奖、达摩院青橙奖（医学首位），2020年国家科技进步一等奖创新团队、2018年中国科技进步二等奖主要完成人之一。

　　参考文献

　　[1]  Siegel RL, Kratzer TB, Giaquinto AN, Sung H, Jemal A. Cancer statistics, 2025. CA

　　Cancer J Clin. 2025;75(1):10-45.

　　[2]  Vachani A, Tanner NT, Aggarwal J, Mathews C, Kearney P, Fang KC, et al. Factors that influence physician decision making for indeterminate pulmonary nodules. Ann Am Thorac Soc. 2014;11(10):1586-91.

　　[3] Wang, Huiting, et al. "Risk-stratified classification of pulmonary nodule malignancy via a machine learning model integrating imaging and cell-free DNA: a model development and validation study (DECIPHER-NODL)." The Lancet Regional Health–Western Pacific 64 (2025).

　　转载请联系学术助手微信：KVOPR183