EBioMedicine（IF=10.8）英国伦敦国王学院等团队：融合CT深度学习、CT放射组学与外周血免疫特征在症状患者队列中诊断肺癌的研究

01文献学习今天分享的文献是由英国伦敦国王学院综合癌症中心、英国伦敦大学学院等团队于2026年2月在《eBioMedicine》中科院1区topIF10.8上发表的研究“Fusing data from CT deep learning, CT radiomics and peripheral blood immune profiles to diagnose lung cancer in a cohort of patients experiencing symptoms”即融合CT深度学习、CT放射组学与外周血免疫特征在症状患者队列中诊断肺癌的研究该研究纳入344名有症状疑似肺癌患者通过CT纹理分析CTTA、深度学习自编码器DLA、外周血流式细胞术及外泌体蛋白分析构建多模态融合的肺癌诊断模型。最终结合免疫与CT数据的模型在验证集中ROC AUC达0.81灵敏度0.72特异度0.77表明融合免疫监测与影像分析可显著提升肺癌筛查效能。创新点①首次融合CT深度学习、放射组学与外周血免疫特征构建肺癌诊断模型②基于免疫响应的血液检测相较于传统ctDNA方法更早期反映肿瘤存在③采用贝叶斯回归实现多模态数据融合与特征选择提升模型可解释性与泛化能力临床价值①融合模型AUC达0.81显著优于单一模态提高肺癌筛查准确性②对有症状患者仍保持高敏感性与特异性适用于临床快速诊断路径③模型参数可解释有助于识别关键免疫指标指导个性化治疗决策图 1患者路径与研究设计流程图初始招募纳入英国李斯特医院肺科门诊344例≥18岁、有症状的疑似肺癌患者无其他癌症指征均完成常规CT扫描和外周血样本采集样本排除共排除174例其中162例因无可见病灶/病灶6mm、12例因确诊非肺癌癌症被排除最终分析集剩余170例患者纳入后续分析以英国国家最优肺癌诊疗路径NOLCP的组织学诊断为金标准确认46.5%79/170为肺癌数据生成对170例患者同步提取三类数据——外周血免疫谱流式细胞术、CT纹理分析CTTA、深度学习自编码器DLA特征模型训练与验证将170例按3:1随机划分为128例训练集和42例验证集重复8次随机划分以消除分组偏倚通过贝叶斯多元回归BMR构建模型并进行多模态数据融合。02研究背景和目的研究背景肺癌是全球癌症相关死亡的主要原因其高死亡率与诊断时已处于晚期密切相关。由于早期肺癌通常无明显症状患者常在出现症状后才就医而此时疾病往往已进展至中晚期。尽管低剂量CT筛查在高危人群中可降低死亡率但其应用受限于高假阳性率、对非吸烟者及年轻人群的排除以及放射科医生工作负荷过重导致的检查延迟。目前临床缺乏一种特异性强、微创且成本较低的筛查工具能够在症状出现前或早期阶段有效识别肺癌。近年来液体活检如ctDNA甲基化检测在多种癌症早期诊断中显示出潜力但对I期肺癌的敏感性仍然较低。与此同时免疫系统在肿瘤发生发展中的早期反应提示外周血免疫细胞 profiling可能成为早期诊断的新切入点。本研究基于这一背景探索将CT影像的深度学习与放射组学分析结合外周血免疫特征构建多模态融合的肺癌早期诊断模型以期弥补现有筛查手段的不足。研究目的本研究旨在开发并验证一种融合多源数据的肺癌早期诊断方法具体包括利用CT图像的纹理分析和深度学习自编码器提取影像特征结合外周血高参数流式细胞术获取的免疫细胞亚群信息以及外泌体蛋白组分数据构建基于贝叶斯多变量回归的预测模型。研究目标是评估单一模态影像或血液及其组合在区分有症状患者中是否存在肺癌的诊断效能并筛选出最具预测价值的生物标志物。通过反复随机分组训练与验证确保模型的稳健性与泛化能力最终形成一个可解释性强、临床适用性高的组合风险评分系统为肺癌的早期筛查和辅助诊断提供新的技术路径。03数据和方法研究数据样本量344名有症状疑似肺癌患者2020.10–2021.11招募最终纳入170例排除无可见病灶、病灶6mm、非肺癌诊断癌症患者79例其中23例为I期数据模态CTTA42个特征DLA32个特征流式细胞术45个免疫特征外泌体蛋白dot-blot68个特征技术方法影像分析CTTA基于滤波-直方图方法提取纹理特征DLA使用LUNA16数据集预训练的自编码器提取潜在空间特征血液分析高维流式细胞术分析外周血免疫细胞亚群外泌体蛋白dot-blot检测模型构建贝叶斯多变量回归BMR进行特征选择与风险评分建模8次随机训练/测试集划分3/4训练1/4测试特征在≥50%运行中被选中的纳入最终模型早期、中期、晚期三种数据融合策略评估指标ROC AUC、灵敏度、特异性Youden指数04实验结果单模态AUC免疫特征0.69CTTA0.70DLA0.73外泌体蛋白0.50–0.60未用于最终融合融合模型AUC免疫 DLA0.68–0.81免疫 CTTA0.66–0.82最终融合模型免疫 DLAAUC 0.81灵敏度 0.72特异度 0.77关键预测特征癌症患者KIR3DL1 CD8 T细胞升高耗竭T细胞表型非癌症患者cDC22型树突状细胞升高提示感染/过敏反应DLA特征与病灶大小、形态、胸膜附着相关图 2CTTA与DLA单模态模型的BMR风险生成结果图 3外周血免疫谱与外泌体蛋白谱的BMR风险生成结果图 4免疫谱与CTTA/DLA的早期融合协变量水平模型结果图 5免疫谱CTTADLA的三模态融合模型结果图 6最终模型的临床性能验证表格05研究结论该研究通过融合CT深度学习、CT纹理分析及外周血免疫特征构建了一个用于肺癌诊断的多模态预测模型。研究纳入344名有肺部症状的可疑肺癌患者最终对170例患者的数据进行分析发现单一模态免疫、CT纹理分析、深度学习自编码器的ROC AUC分别为0.69、0.70和0.73而融合三者后的综合模型AUC提升至0.81敏感度和特异度分别达到0.72和0.77。研究中KIR3DL1 CD8 T淋巴细胞上调是最强的肺癌预测因子而cDC2树突状细胞比例高则提示非癌性病变。该模型在早期肺癌I期中也表现出较好的检测能力且在非肺癌癌症患者中单独免疫特征仍能识别82%的病例。研究采用贝叶斯多变量回归进行特征选择和模型构建有效避免了过拟合增强了模型的泛化能力和可解释性。综上该研究表明将外周血免疫监测与CT影像数据相结合可显著提高肺癌筛查的敏感度和特异度尤其适用于有症状患者为开发低成本、非侵入性的早期肺癌检测工具提供了新思路。参考文献Mustapha R, Ganeshan B, Ellis S, Dolcetti L, Tharmakulasingam M, DeSouza K, Jiang X, Savage C, Lim S, Chan E, Thornton A, Hoy L, Endozo R, Shortman R, Walls D, Chen SH, Rowley M, Coolen ACC, Groves AM, Schnabel JA, Win T, Barber PR, Ng T. Fusing data from CT deep learning, CT radiomics and peripheral blood immune profiles to diagnose lung cancer in a cohort of patients experiencing symptoms. EBioMedicine. 2026 Feb 19;125:106173. doi: 10.1016/j.ebiom.2026.106173.