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top，IF=10.8）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：
CTTA：42个特征
DLA：32个特征
流式细胞术：45个免疫特征
外泌体蛋白（dot-blot）：68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：0.69
CTTA：0.70
DLA：0.73
外泌体蛋白：0.50–0.60（未用于最终融合）
融合模型AUC：
免疫 + DLA：0.68–0.81
免疫 + CTTA：0.66–0.82
最终融合模型（免疫 + DLA）：AUC = 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：cDC2（2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 2：CTTA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+CTTA+DLA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.