01文献学习今天分享的文献是由中山大学第五附属医院曹庆东、中山大学孙逸仙纪念医院陈柏深等团队于2025年10月在《Journal for ImmunoTherapy of Cancer》中科院1区topIF10.6上发表的研究“Attention-guided framework for integrative omics and temporal dynamics in predicting major pathological response in neoadjuvant immunochemotherapy for NSCLC”即基于注意力机制的整合组学与时间动态预测非小细胞肺癌新辅助免疫化疗主要病理缓解的框架该研究开发了一种基于Transformer的多模态融合模型Trans-Model整合了影像组学、病理组学和时间动态数据用于预测局部晚期非小细胞肺癌NSCLC患者在接受新辅助免疫化疗后的主要病理缓解MPR。模型在外部测试队列中AUC达到0.858显著优于单一模态模型并能有效分层患者的生存预后展现出良好的临床实用价值。创新点①融合多时序、多序列影像与病理组学基于Transformer注意力机制实现多模态特征高效整合。②首次在NSCLC新辅助免疫化疗中联合GAN增强影像与时序动态特征构建预测模型。③构建多组学融合框架将放射组学、深度学习特征与病理组学统一降维与交互建模提升预测性能。临床价值①实现MPR精准预测辅助筛选免疫化疗获益患者避免无效治疗与不良反应。②模型预测结果与生存显著相关为个体化治疗决策和预后分层提供依据。③多中心外部验证证实泛化能力有望融入临床路径优化肺癌围术期治疗策略。图 2研究整体工作流程图预处理阶段数据治疗前/后双时间点、肺窗/纵隔窗双序列CT共4序列手术病理全切片WSI处理肿瘤ROI分割→GAN超分辨率重建1×1×1mm→0.25×0.25×1mmStep1Rad-Model构建4序列CT提取1834个放射组学特征→Transformer融合→放射组学模型Step2ViT-ModelTempo-Model构建CT提取2048个深度学习特征→Transformer融合→ViT-Model放射组学深度学习特征PCA降维32主成分→Transformer融合→Tempo-Model时序影像模型Step3Patho-Model构建WSI切分为512×512像素块→Vision Transformer提取特征→多实例学习直方图TF-IDF聚合→206个病理组学特征→病理组学模型Step4Trans-Model构建放射组学深度学习病理组学特征均PCA降维至32主成分→Transformer注意力融合→最终多组学模型Trans-Model02研究背景和目的研究背景非小细胞肺癌NSCLC患者在接受新辅助免疫化疗后虽然病理缓解率有所提升但并非所有患者均能从中获益。目前临床常用的生物标志物如程序性死亡配体1PD-L1表达水平难以准确筛选出真正有效的响应人群。传统影像学评估如CT在判断治疗反应方面存在局限性例如假性进展或淋巴细胞浸润导致的影像学稳定状态可能掩盖实际的病理缓解情况。近年来人工智能在医学影像分析中的应用虽已取得进展但多数研究仍局限于单一时间点的影像数据未能充分利用治疗前后肿瘤动态变化所蕴含的关键信息。此外尽管多组学数据如病理组学具有提升预测精度的潜力但其与新辅助免疫化疗疗效预测的结合仍缺乏系统性的探索。因此亟需构建一种能够整合多模态、多时序数据的预测模型以更精准地识别潜在受益患者从而优化治疗决策并避免不必要的毒副反应。研究目的本研究旨在开发一种基于注意力机制的多组学融合框架用于预测局部晚期非小细胞肺癌患者在新辅助免疫化疗后的主要病理缓解MPR。研究通过整合多序列、多时间点的CT影像数据与手术标本的全切片病理组学特征构建一个能够捕捉肿瘤在治疗前后动态变化的综合性预测模型。具体而言研究首先利用生成对抗网络提升CT图像分辨率随后分别提取影像组学与深度学习特征并结合病理组学特征采用基于Transformer的注意力机制实现多源数据的有效融合。通过在多中心队列中进行训练与外部验证研究系统评估了该模型在MPR预测中的性能并进一步分析其与患者长期生存如总生存期和无进展生存期的关联最终目标是为临床提供一种可解释性强、预测准确性高的工具助力实现非小细胞肺癌新辅助免疫化疗的个体化精准治疗。03数据和方法研究数据总样本量271例IB–III期NSCLC数据来源三个医疗中心2018–2024年Center 1118例训练70%验证30%Center 289例Center 364例后两者合并为外部测试集数据类型多序列CT影像治疗前后、病理全切片图像WSI、临床病理资料图 1患者筛选流程图技术方法影像预处理GAN超分辨率重建提升至0.25×0.25×1 mm³ROI手动分割特征提取影像组学1834个特征深度学习特征ViT提取2048个特征病理组学WSI分割为512×512 patches经ViT预测后使用直方图与BoW方法聚合模型构建使用PCA将每组特征降至32维Transformer架构自注意力交叉注意力融合多模态特征构建模型Rad-Model仅影像组学ViT-Model仅DL特征Patho-Model仅病理组学Tempo-Model影像组学DL特征Trans-Model影像组学DL特征病理组学评估指标AUC、NRI、IDI、DCA、校准曲线、DeLong检验、Kaplan-Meier生存分析04实验结果Trans-Model 表现最优外部测试集AUC 0.85895% CI: 0.783–0.933优于 Rad-Model0.839、Patho-Model0.753生存分层Trans-Model预测的MPR阳性患者3年OS为87.3% vs 76.1%p0.0345年PFS为45.8% vs 34.7%p0.033DCA分析显示Trans-Model在中低风险区域具有较高临床净收益局限性在高风险区域预测能力不足NRI/IDI部分指标为负提示高风险区域表现受限图 3测试集各模型预测性能评估图 4病理组学模型性能评估图 5测试集Kaplan-Meier生存分析05研究结论该研究构建了一种基于Transformer架构的多组学融合模型Trans-Model用于预测局部晚期非小细胞肺癌患者在新辅助免疫化疗后的主要病理缓解MPR。模型整合了多时序、多序列的CT影像组学特征、深度学习特征以及病理组学特征通过自注意力和交叉注意力机制实现多模态数据的有效融合。在外部测试队列中Trans-Model的AUC达到0.858显著优于单一模态模型如Patho-Model的0.753。更重要的是该模型在生存分层方面表现出良好能力预测为MPR阳性的患者3年总生存率为87.3%显著高于阴性组的76.1%p0.0345年无进展生存率亦呈现类似优势45.8% vs 34.7%p0.033。决策曲线分析进一步验证了其临床实用性。尽管研究存在样本量有限、回顾性设计、人工标注主观性等局限但该模型通过多源数据融合与时序动态建模显著提升了MPR预测精度为NSCLC新辅助治疗中的个体化决策与疗效评估提供了有力工具。参考文献Gan X, He J, Zhang W, Chen W, Liu S, Li W, Duan X, Lv L, Liang Y, Cao Q, Chen B. Attention-guided framework for integrative omics and temporal dynamics in predicting major pathological response in neoadjuvant immunochemotherapy for NSCLC. J Immunother Cancer. 2025 Oct 23;13(10):e012526. doi: 10.1136/jitc-2025-012526.
J Immunother Cancer（IF=10.6）中山大学孙逸仙纪念医院陈柏深等团队：动态时间数据预测NSCLC新辅助免疫化疗主要病理反应
01文献学习今天分享的文献是由中山大学第五附属医院曹庆东、中山大学孙逸仙纪念医院陈柏深等团队于2025年10月在《Journal for ImmunoTherapy of Cancer》中科院1区topIF10.6上发表的研究“Attention-guided framework for integrative omics and temporal dynamics in predicting major pathological response in neoadjuvant immunochemotherapy for NSCLC”即基于注意力机制的整合组学与时间动态预测非小细胞肺癌新辅助免疫化疗主要病理缓解的框架该研究开发了一种基于Transformer的多模态融合模型Trans-Model整合了影像组学、病理组学和时间动态数据用于预测局部晚期非小细胞肺癌NSCLC患者在接受新辅助免疫化疗后的主要病理缓解MPR。模型在外部测试队列中AUC达到0.858显著优于单一模态模型并能有效分层患者的生存预后展现出良好的临床实用价值。创新点①融合多时序、多序列影像与病理组学基于Transformer注意力机制实现多模态特征高效整合。②首次在NSCLC新辅助免疫化疗中联合GAN增强影像与时序动态特征构建预测模型。③构建多组学融合框架将放射组学、深度学习特征与病理组学统一降维与交互建模提升预测性能。临床价值①实现MPR精准预测辅助筛选免疫化疗获益患者避免无效治疗与不良反应。②模型预测结果与生存显著相关为个体化治疗决策和预后分层提供依据。③多中心外部验证证实泛化能力有望融入临床路径优化肺癌围术期治疗策略。图 2研究整体工作流程图预处理阶段数据治疗前/后双时间点、肺窗/纵隔窗双序列CT共4序列手术病理全切片WSI处理肿瘤ROI分割→GAN超分辨率重建1×1×1mm→0.25×0.25×1mmStep1Rad-Model构建4序列CT提取1834个放射组学特征→Transformer融合→放射组学模型Step2ViT-ModelTempo-Model构建CT提取2048个深度学习特征→Transformer融合→ViT-Model放射组学深度学习特征PCA降维32主成分→Transformer融合→Tempo-Model时序影像模型Step3Patho-Model构建WSI切分为512×512像素块→Vision Transformer提取特征→多实例学习直方图TF-IDF聚合→206个病理组学特征→病理组学模型Step4Trans-Model构建放射组学深度学习病理组学特征均PCA降维至32主成分→Transformer注意力融合→最终多组学模型Trans-Model02研究背景和目的研究背景非小细胞肺癌NSCLC患者在接受新辅助免疫化疗后虽然病理缓解率有所提升但并非所有患者均能从中获益。目前临床常用的生物标志物如程序性死亡配体1PD-L1表达水平难以准确筛选出真正有效的响应人群。传统影像学评估如CT在判断治疗反应方面存在局限性例如假性进展或淋巴细胞浸润导致的影像学稳定状态可能掩盖实际的病理缓解情况。近年来人工智能在医学影像分析中的应用虽已取得进展但多数研究仍局限于单一时间点的影像数据未能充分利用治疗前后肿瘤动态变化所蕴含的关键信息。此外尽管多组学数据如病理组学具有提升预测精度的潜力但其与新辅助免疫化疗疗效预测的结合仍缺乏系统性的探索。因此亟需构建一种能够整合多模态、多时序数据的预测模型以更精准地识别潜在受益患者从而优化治疗决策并避免不必要的毒副反应。研究目的本研究旨在开发一种基于注意力机制的多组学融合框架用于预测局部晚期非小细胞肺癌患者在新辅助免疫化疗后的主要病理缓解MPR。研究通过整合多序列、多时间点的CT影像数据与手术标本的全切片病理组学特征构建一个能够捕捉肿瘤在治疗前后动态变化的综合性预测模型。具体而言研究首先利用生成对抗网络提升CT图像分辨率随后分别提取影像组学与深度学习特征并结合病理组学特征采用基于Transformer的注意力机制实现多源数据的有效融合。通过在多中心队列中进行训练与外部验证研究系统评估了该模型在MPR预测中的性能并进一步分析其与患者长期生存如总生存期和无进展生存期的关联最终目标是为临床提供一种可解释性强、预测准确性高的工具助力实现非小细胞肺癌新辅助免疫化疗的个体化精准治疗。03数据和方法研究数据总样本量271例IB–III期NSCLC数据来源三个医疗中心2018–2024年Center 1118例训练70%验证30%Center 289例Center 364例后两者合并为外部测试集数据类型多序列CT影像治疗前后、病理全切片图像WSI、临床病理资料图 1患者筛选流程图技术方法影像预处理GAN超分辨率重建提升至0.25×0.25×1 mm³ROI手动分割特征提取影像组学1834个特征深度学习特征ViT提取2048个特征病理组学WSI分割为512×512 patches经ViT预测后使用直方图与BoW方法聚合模型构建使用PCA将每组特征降至32维Transformer架构自注意力交叉注意力融合多模态特征构建模型Rad-Model仅影像组学ViT-Model仅DL特征Patho-Model仅病理组学Tempo-Model影像组学DL特征Trans-Model影像组学DL特征病理组学评估指标AUC、NRI、IDI、DCA、校准曲线、DeLong检验、Kaplan-Meier生存分析04实验结果Trans-Model 表现最优外部测试集AUC 0.85895% CI: 0.783–0.933优于 Rad-Model0.839、Patho-Model0.753生存分层Trans-Model预测的MPR阳性患者3年OS为87.3% vs 76.1%p0.0345年PFS为45.8% vs 34.7%p0.033DCA分析显示Trans-Model在中低风险区域具有较高临床净收益局限性在高风险区域预测能力不足NRI/IDI部分指标为负提示高风险区域表现受限图 3测试集各模型预测性能评估图 4病理组学模型性能评估图 5测试集Kaplan-Meier生存分析05研究结论该研究构建了一种基于Transformer架构的多组学融合模型Trans-Model用于预测局部晚期非小细胞肺癌患者在新辅助免疫化疗后的主要病理缓解MPR。模型整合了多时序、多序列的CT影像组学特征、深度学习特征以及病理组学特征通过自注意力和交叉注意力机制实现多模态数据的有效融合。在外部测试队列中Trans-Model的AUC达到0.858显著优于单一模态模型如Patho-Model的0.753。更重要的是该模型在生存分层方面表现出良好能力预测为MPR阳性的患者3年总生存率为87.3%显著高于阴性组的76.1%p0.0345年无进展生存率亦呈现类似优势45.8% vs 34.7%p0.033。决策曲线分析进一步验证了其临床实用性。尽管研究存在样本量有限、回顾性设计、人工标注主观性等局限但该模型通过多源数据融合与时序动态建模显著提升了MPR预测精度为NSCLC新辅助治疗中的个体化决策与疗效评估提供了有力工具。参考文献Gan X, He J, Zhang W, Chen W, Liu S, Li W, Duan X, Lv L, Liang Y, Cao Q, Chen B. Attention-guided framework for integrative omics and temporal dynamics in predicting major pathological response in neoadjuvant immunochemotherapy for NSCLC. J Immunother Cancer. 2025 Oct 23;13(10):e012526. doi: 10.1136/jitc-2025-012526.
