2026-09-14
I3LUNG收了6国2396例晚期NSCLC免疫治疗真实世界数据。仅用9项常规临床和血检，独立测试集AUC最高约0.74–0.77，超过PD-L1；多模态在交叉验证里涨分，测试集和外部验证没有跟上。
晚期非小细胞肺癌（NSCLC）的免疫治疗能让大约 20%–30% 的患者拿到长期获益，但一线仍主要靠 PD-L1 和几个临床分数做分流。PD-L1 是目前唯一获批的预测标志物，预测力有限。多数患者会原发（5%–20%）或继发（60%–85%）耐药。用错方案的代价是毒性、费用，和该加强治疗的人没加强。
前序多模态工作已经把 CT、病理、基因组学拼在一起预测免疫疗效，但队列大约只有 250–300 人，完整四模态往往只有约 80 例，而且缺独立测试和外部验证。I3LUNG 是 Horizon Europe 资助的国际多中心项目（NCT05537922）。这篇报告的是回顾性臂：6 个中心、2012 年 9 月至 2023 年 10 月接受免疫或免疫联合化疗的 III C–IV B 期患者，共 2,396 例，目标是做出能给医生用的预测工具，而不是再发一篇单中心 AUC。
主分析用的是转移一线（C2，n=1,437）加后线（C3，n=638）合并队列 C23，共 2,075 人。芝加哥大学（UOC）整中心留作外部验证 EXVAL（n=251）。其余 1,824 人按 85/15 切成 TRAIN（n=1,550）和 TEST（n=274）。交叉验证按中心留一，五折。完整四模态（临床血检 + CT + 病理 + 基因组）只有 339 人；临床血检加两种影像有 400 人。
临床血检（CB）最后只留 9 项：性别、ECOG 体能状态、吸烟、PD-L1、骨 / 肝 / 脑转移、中性粒细胞淋巴细胞比（NLR）、乳酸脱氢酶（LDH）。影像走两条：PyRadiomics 手工放射组学，以及基础模型抽的 CT 向量；病理切片用 Prov-GigaPath 把肿瘤 titile 聚成一张切片向量。两条模型路线：
主要终点：24 个月生存（OS24，长期获益）、6 个月生存（OS6，极差预后）、疾病控制率 DCR（CR/PR/SD 对 PD），以及总生存的 C-index。可用性研究只用 CB-only 的逻辑回归（DCR）和 Cox（OS），配 SHAP 解释，不把多模态模型交给医生。
C23 的 CB-only 机器学习模型，独立测试集并不差，外部验证明显掉：
| 终点 | TEST AUC | EXVAL AUC |
| OS24 | 0.74（n=226） | 0.60（n=190） |
| OS6 | 0.69（n=259） | 0.64（n=240） |
| DCR | 0.71（n=273） | 0.55（n=251） |
深度学习 CB-only 差不多：OS24 TEST 0.73 / EXVAL 0.63，OS6 两边都是 0.72，DCR 0.70 / 0.65。讨论里写 C2 测试集 AUC 可到 0.77。在 TEST 上，CB-only 压过单标志物：OS24 上 PD-L1 0.53、ECOG 0.62、LDH 0.58、NLR 0.66。生存分层也强于临床常用的 LIPI 分数：Cox-ML 的 C-index 0.65，LIPI 0.55。TEST 子集（n=141）里，机器学习把低危和高危中位生存拉开到 25.1 个月对 4.7 个月。
多模态的故事到交叉验证就停了。C23 交叉验证里，CB+病理+PyRadiomics 的 OS24 AUC 0.72，对上同一批人的 CB-only 0.60（P=0.0158）；DCR 上换基础模型影像特征可到 0.77 对 0.63（P=0.0014）。免疫单药亚组 OS24 甚至到 0.91 对 0.54。这些增益没有稳定出现在 TEST 和 EXVAL。DLIF 加影像和基因组，各终点都没有比 CB-only 更好。
20 名医生（10 名肺癌专家、10 名非专科）各看 TEST 里 10 个真实病例，共 200 次评估，先盲评再看 SHAP。DCR 灵敏度从 0.72 升到 0.87（P=0.0011），准确率从 0.57 升到 0.65（P=0.043），特异度略降。专家和非专家都受益。总的「DCR 判对」优势比 1.37，P=0.1，没过显著性。OS 区间预测讨论里写全体医生提升 36%。公平性审计里，希腊 MH 中心 OS6 真阳性率 0.96，DCR 上 MH 0.96、意大利 INT 0.63（P=0.037）；性别差异不显著。SHAP 里反复出现的负面因子是 ECOG>0 和骨 / 肝 / 脑转移，NLR 对 OS24 重要，高 LDH 推向 DCR 无获益。
对做医疗 AI 的人，这篇把「多模态一定更强」按在真实世界缺失和外部漂移上打了一遍。2,396 例听起来很大，完整四模态只有 339 例。能在独立测试集上稳定超过 PD-L1 的，是那 9 项门诊几乎人人有的临床和血检，不是 CT 加病理的拼接。医生加上 SHAP 之后，漏掉可能获益患者的情况少了，这比再涨 0.05 个交叉验证 AUC 更接近「能不能用」。
外部验证中位生存 22.2 个月，训练集只有 12.4 个月，人群和治疗配比都不一样。性能掉到 0.55–0.72，更像分布偏移，不像模型在训练集里学废了。前瞻性、带校准的多中心验证已经在超过 2,000 人里进行，这篇还不能当部署结论。
作者承认：回顾性真实世界数据杂；完整多模态太少，DLIF 尤其吃亏；MLEF 不能吃缺失模态，临床落地需要能扛缺项的结构；基因组稀疏，放射组学只做了原发灶；大约 15% 的 CT 不是免疫治疗前基线；EXVAL 只有一个中心。亚组对比没有做多重比较校正，P 值都是名义值。
可用性也不是前瞻决策试验。医生看的是已经发生结局的 TEST 病例，问的是「猜 DCR / 猜生存区间」，没有测改治疗方案、没有测患者结局。DCR 灵敏度的提升显著，但「整体判对」那条 P=0.1。非免疫队列上响应类终点 AUC 掉到 0.50–0.58，作者用来主张模型抓的是免疫特异性信号；对照队列更小、处理也不对称，这条只能当假说。公平性上中心间灵敏度差得很大，ECOG 本身就有中心打分习惯，还不能把责任全推给模型。