摘要
背景：同步放化疗（CCRT）是非小细胞肺癌（NSCLC）的关键治疗方法。然而，使用深度学习（DL）模型预测 NSCLC 对 CCRT 的反应仍未得到探索。因此，我们构建了一个 DL 模型来估计 NSCLC 对 CCRT 的反应，并探索了相关的生物信号通路。
方法：总体而言，从 6 家医院招募了 229 例 NSCLC 患者。基于对比增强计算机断层扫描（CT）图像，使用三维 ResNet50 算法开发模型并验证预测反应和预后的性能。对 CT 图像可视化、 RNA 测序和单细胞测序进行了相关分析。
结果：DL 模型表现出良好的预测性能，在训练队列中的曲线下面积为 0.86 （95% 置信区间 [CI] 0.79-0.92），在验证队列中为 0.84 （95% CI 0.75-0.94）。DL 模型（低分 vs. 高分）是一个独立的预测因素;它与训练（ HR= 0.54 [0.36−0.80]，P = 0.002;0.44 [0.28−0.68]，P < 0.001）和验证队列（HR = 0.46 [0.24−0.88]，P = 0.008;0.30 [0.14−0.60]，P < 0.001）的无进展生存期和总生存期显著相关。DL 模型也与细胞粘附分子、 P53 信号通路和自然杀伤细胞介导的细胞毒性呈正相关。单细胞分析显示，差异表达基因在不同的免疫细胞中富集。
结论：DL 模型对确定接受 CCRT 的 NSCLC 患者的反应具有很强的预测能力。我们的研究结果有助于了解这些患者治疗反应的潜在生物学机制。
背景
大约 75-80% 被诊断为早期和局部晚期非小细胞肺癌（NSCLC）的个体不适合根治性手术。同步放化疗（CCRT）是诊断为局部晚期 NSCLC 患者的主要治疗策略。此外，CCRT 联合免疫疗法进一步延长了无进展生存期（PFS）和总生存期（OS）。这些强调了迫切需要发现用于 CCRT 治疗不可切除 NSCLC 的生物标志物。
深度学习（DL）技术已被广泛用于分析医学成像和序列数据，以实现各种癌症患者的诊断、预后和治疗结果估计。这些调查带来了令人鼓舞的结果，凸显了基于机器学习的方法的潜在有效性。然而，应用基于计算机断层扫描（CT）图像的 DL 模型来估计接受 CCRT 的 NSCLC 患者的反应很少报道。此外，大多数 DL 模型本身就具有不透明性，通常称为“黑匣子”，这在解释预测方面带来了挑战。使用 DL 模型预测 NSCLC 对 CCRT 的反应以及大量 RNA 测序和单细胞测序分析的潜在可解释性仍未得到探索。
因此，我们旨在使用具有对比增强 CT （CE-CT）图像的三维 ResNet 50 算法建立用于预测 CCRT 前响应的 DL 模型。此外，我们分析了 DL 模型与 OS 和 PFS 的关联。使用梯度加权类别激活映射（CAM-Grad）方法在关键区域可视化与预测反应相关的 CT 图像。此外，进行了大量 RNA 和单细胞测序研究以阐明预测模型的可能机制。稳健且无创的预测模型有望帮助为 NSCLC 患者量身定制精确的 CCRT 策略。
方法
病人：招募患者的流程图显示在补充图 1，附加文件
1 中。在贵州医科大学第二附属医院、贵阳市肺科医院、黔南州中医院、黔东南州人民医院、黔南州人民医院和郑州大学第一附属医院 6 家不同医疗机构接受 CCRT 的患者被分为训练队列（数据集 A，n = 156）和验证队列（数据集 B， n = 73）。此外，从贵州医科大学第二附属医院收集了 16 例 NSCLC 患者的大量 RNA 序列数据（数据集 C），并从 GEO （ https://www.ncbi.nlm.nih.gov/geo/ ）中检索了 6 例患者（ GSE139555 数据集 D）的单细胞测序数据。从 2018 年 6 月到 2022 年 10 月，招募了患者，图1说明了该研究的综合流程图。上述五家机构（2023-LUNSHEN-02）机构审查委员会和贵州医科大学第二附属医院授权开展本研究。该研究遵循赫尔辛基宣言。由于患者数据是回顾性收集的，因此不需要知情同意。
图1：用于估计响应的 DL 模型的流程图。CE-CT 图像数据库收集自 6 个中心的 229 例 NSCLC 患者。CE-CT 图像被掩盖并为 DL 模型训练做好准备。在训练队列中使用三维 ResNet 50 模型训练图像以预测反应。DL 模型在验证队列中进行了验证。进一步分析两个队列的 OS 和 PFS。在 6 例患者中可视化 Grad-CAM，包括对 CCRT 有反应和无反应的患者。在 NSCLC 患者中探讨了生物信号通路与 DL 模型之间的关联。
CT 影像制备过程
正如之前的研究所详述的那样，CE-CT 成像是在医院环境中使用多层螺旋 CT
扫描仪进行的。常规 CT 扫描后，使用注射器引入造影剂。注射后立即进行 CE-CT 程序。此外，使用图片存档和通信系统获取非对比 CT 图像，并随后进行调整以优化窗口设置。所有 CT 图像都使用 MATLAB 2018a （ https://ww2.mathworks.cn/ ）标记并裁剪为适合输入到 DL 模型的大小。在这项研究中，我们通过数据增强计算了每个类别中斑块的平均和随机分布。除了水平翻转、垂直翻转、水平和垂直翻转、90° 旋转和 −90° 旋转等方法外，我们还应用了其他常见的数据增强技术。这些方法包括随机旋转，通过在指定范围内旋转图像来引入可变性;缩放和裁剪以调整图像大小并适应不同的结构;亮度和对比度调整以模拟照明条件的变化;添加噪声以提高模型鲁棒性;通过随机调整图像颜色进行颜色转换;弹性变换引入局部形状扭曲;以及镜像变换，不仅涉及水平和垂直翻转，还涉及对角线翻转或其他镜像变换。值得注意的是，增强仅在训练集上执行，以创建更多样化的 “新 ”训练数据集。为了确保模型性能评估的可靠性，数据增强未应用于验证队列。在实时应用数据增强期间，我们特别注意最大限度地减少内存使用。此外，我们建议在考虑数据增强时保持类平衡，调整参数进行优化，并确保实时增强不会显著增加训练时间。我们强调保留验证集的原始分布的重要性，以便更好地评估模型在实际场景中的性能。最后，我们提到了其他潜在的数据增强方法，例如随机旋转、缩放和裁剪，以及系统优化模型和增强超参数的重要性。这些细节和建议有助于更全面地了解数据增强在我们的模型训练中的作用和影响。
ResNet50 模型和实现
我们开发了一个深度卷积神经网络模型，旨在准确预测对 CCRT 的响应（图 2）。为了增强模型的性能和稳定性，我们精心选择了 ResNet50 作为底层架构，专注于从边界框图像中提取特征。ResNet50 包括 Conv3D + Batch Norm + ReLu + Max Pool、Stage 2、Stage 3、Stage 4 和 Conv5 五个基本模块，共同参与特征提取的关键过程。为了进一步集成这些提取的特征，我们引入了一个全连接网络，其中包含一个包含 1024 个节点的额外隐藏层。这个隐藏层在整合从卷积网络中提取的特征方面起着至关重要的作用。通过战略性地使用 Softmax 激活函数，将输出转换为概率分布，从而产生最后的两个分类结果。这种战略设计进一步增强了模型的性能，确保了分类任务的卓越准确性。提供的描述概述了 ResNet50 的详细结构，阐明了其组件，例如输入、输出和每个阶段的层组成。ResNet50 的架构设计旨在获得更深的特征表示，从而显著提高其在各种任务（包括图像分类和其他计算机视觉应用程序）中的性能。为了确保训练计划的正确实施，我们已将最大纪元设置为 200。这种配置不仅有助于模型更有效地学习特征，而且还提供了足够的训练迭代来确保模型的彻底收敛。值得注意的是，我们采用 PyTorch 2.0 作为 DL 框架（ https://pytorch.org/ ）的实现工具，并将其与 Python 3.8 （ https://www.python.org/ ）相结合。这样的选择确保了代码的灵活性和可读性，同时利用了 PyTorch 的强大功能，从而使实验设计和实现更加高效和方便。实验设置是在 Windows
系统环境中进行的，系统规格包括 3.7 GHz Intel i7-12700KF CPU、NVIDIA GeForce RTX 3090 和 32 GB RAM。这种硬件配置旨在为实验提供足够的计算能力，确保模型在训练和推理阶段的高效运行，同时也保证了实验的可重复性和可比性。ResNet50 的详细上下文在补充材料和方法，附加文件 2 中提供。
图2：ResNet50 模型构建。将制备的三维计算机断层扫描图像输入到深度学习模型中。在微调和训练过程之后，为有反应和无反应的患者生成预测评分
grad-CAM 的可视化
类激活图作为网络在预测目标类别时对不同区域注意力分布的指标。地图上较亮的区域对应于更突出的特征，这与前面讨论的原则一致。遵循这些原则，Grad-CAM 有效地为目标类生成特定类的激活图，为深度神经网络的决策过程提供详细的解释和可视化洞察。通过采用这种方法，我们可以更深入地了解决策原理，并确定网络中的关键感兴趣区域。如前所述，将 Grad-CAM 与 ResNet50 架构集成增强了模型的可解释性，从而可以全面探索 DL 过程中的重要特征和决策因素。Grad-CAM 的详细算法在补充材料和方法，附加文件 2 中进行了描述。
批量 RNA 序列分析
使用 Trizol 试剂（Invitrogen Life Technologies）提取总 RNA;使用 NanoDrop 分光光度计（Thermo Scientific）评估浓度、质量和完整性。使用 3 μg RNA 进行样品制备。测序文库构建如下：利用 poly-T 寡核苷酸连接的磁珠从总 RNA 中提取 mRNA。在 Illumina 专有的碎裂缓冲液中，使用二价阳离子在高温下进行碎裂。使用随机寡核苷酸和 Super Script II 试剂盒合成第一链 cDNA。随后，利用 DNA 聚合酶 I 和 RNase H 生成第二链 cDNA，通过核酸外切酶/聚合酶活性将剩余的突出端转化为平末端，并消除酶。在 DNA 片段的 3' 末端腺苷酸化后，连接 Illumina PE 接头寡核苷酸进行杂交。为了选择长度为 400–500 bp 的 cDNA 片段，使用 AMPure XP 系统（
Beckman Coulter，Beverly，CA，USA）纯化文库片段。在 15 个循环的 PCR 反应中，使用 Illumina PCR Primer Cocktail 扩增两端带有连接接头分子的 DNA 片段。对产物进行纯化（AMPure XP 系统），并在生物分析仪 2100 系统（安捷伦）上使用安捷伦高灵敏度 DNA 分析进行定量。然后在上海奥特生物科技有限公司（中国上海）的 NovaSeq 6000 平台（Illumina）上对文库进行测序。使用带有默认参数的 STAR 比对器（版本 2.7.4a）将原始 FASTQ 文件与 hg38 基因组参考比对。使用 Salmon （ 1.3.0 版）对基因表达进行定量，以生成每千碱基（TPM）值的转录本。然后使用 log2 （TPM + 1）转换 TPM 矩阵。
批量 RNA-seq 中的基因集富集分析（GSEA）
使用 GSEA 确定信号通路、基因组表达和 DL 模型之间的联系。从我院收集了 16 例 NSCLC 患者的放射学资料。此外，将基于 DL 模型分类的 CT 图像分为两组（有反应 vs. 无反应），并使用 “edge” 软件进行差异基因表达分析（倍数变化≥ 1.5，P < 0.05）。使用 MSigDB 基因集数据库（https://ngdc.cncb.ac.cn/databasecommons/database/id/1077）确定特定的生物学途径。
单细胞测序分析
进行了
ScRNAseq 调查，以发现表达与 DL 模型预测反应密切相关的基因的细胞群。预计这将为研究 CCRT 治疗肺癌的细胞信号传导基础以及开发响应治疗的抗肿瘤机制的策略开辟新的途径。我们选择了 NSCLC 单细胞芯片数据（ GSE139555 ）进行进一步分析。ScRNAseq 的详细步骤在 TISCH2 （ http://tisch.comp-genomics.org/gallery/ ）中执行。原始数据已提交给 EGA （EGAS00001003993）。
统计分析
为了评估 DL 模型的预测能力，受试者工作特征曲线下面积（AUC）被用作主要指标。AUC 是使用 “pROC” 包计算的，而受试者工作特征曲线（ROC）是使用 “ggplot2” 包绘制的。使用 “rms” 包进行 Logistic 多变量分析和 Cox 多变量分析。最小绝对收缩和选择运算符（LASSO）算法与五重交叉验证方法相结合，用于识别具有最佳非零系数的影像组学特征。使用 Kaplan-Meier 方法评估 DL 预测评分（DLS）组（DLS-low 和 DLS-high）的 PFS 和 OS 曲线，并使用对数秩检验进行比较。所有统计分析均使用 R（版本 3.5.2; http://www.R-project.org ）和 GraphPad Prism 9 （ https://www.graphpad.com/ ）。A P < 0.05 被认为具有统计学意义。
结果
患者的临床特征
表格 1 列出了训练组和验证组中接受 CCRT 的 NSCLC 个体的基本临床特征;
训练队列中有 88 名（56.41%）患者和验证队列中有 38 名（52.05%）患者年龄≤ 60 岁。在这两个队列中，男性分别为 129 例（82.69%）和 62 例（84.93%）患者。训练（61.53%）和验证（60.27%）队列中的大多数患者是吸烟者。此外，94 例（60.26%）和 45 例（61.64%）个体分别以肺鳞状细胞癌为主。训练队列中低 CEA 水平的患者人数为 133 例（85.25%），验证队列中为 64 例（87.67%）。此外，两个队列中的大多数患者都有 T3-4 （训练，66.67%;验证，65.75）、N2-3 （训练，87.18%;验证，89.04%）和 M0 分期（训练：76.92%;验证，100.00%）。训练和验证队列中共有 53 名（33.98）和 34 名（46.58%）个体经历了客观缓解率，分别包括完全缓解和部分缓解。
表1
接受 CCRT 的 NSCLC 患者的 DL 模型开发和验证
CR 或 PR 患者主要观察到高预测概率（> 0.5）（图3 A， B）的 DL 模型在训练队列中显示 0.86 （95% 置信区间 [CI] 0.98-1.00）（图 3 C），在验证队列中为 0.84 （95% CI 0.75-0.94）（图3 D）。另一方面，如补充图 2、附加文件 3 所示，选择了三个放射组学特征（补充表 1，附加文件 4）并在 LASSO 方法中用于开发放射组学模型。我们发现，与影像组学模型相比，用于预测反应的 DL 模型在训练队列和验证队列中都显示出更高的 AUC 值（分别为 0.86 对 0.81;0.84 对 0.80）。两条 ROC 曲线的 DeLong 检验在训练（P = 0.319）或验证队列（P = 0.577）中均未标记。此外，我们发现 DL 模型在预测方面优于 T 分期（0.86 对 0.67;0.84 对 0.70;DeLong 检验，分别为 P < 0.001 和 P = 0.046）（补充图 3，附加文件 5）。决策曲线表明，DL 模型在两个队列中都优于放射组学模型（图 3 E-F）。多因素
logistic 回归分析显示，T 分期（T3-4 vs. T1-2）和 DL 模型（DLS-high vs. DLS-low）是独立的预测因素（OR： 6.70 [2.49-20.28]，P < 0.001;0.01 [95% CI 00.00-0.01]，P < 0.001）（补充表 2，附加文件 6）。
图3：DL 模型的预测性能。a、b 比较训练和验证队列中的响应组和无响应组之间的预测分数。c-d 用于估计反应的 DL 和影像组学模型的预测性能在两个队列中表示为 ROC 曲线。e-f 给出了训练和验证队列中 DL 和影像组学模型的决策曲线。
训练和验证队列中 DL 模型的 PFS 和 OS 分析
为了研究 DLS 与预后之间的联系，我们分析了两个队列的 PFS 和 OS。我们发现，在训练队列中，与低 DLS 组相比，DLS 高组的中位 PFS 更长（分别为 13.6 个月和 7.40 个月;风险比 （HR） = 0.54 [0.36–0.80]，P = 0.002; 图 4 A）。在验证队列中，与 DLS 低组相比，DLS 高组的个体表现出显著延长的中位 PFS（分别为 17.30 和 6.60 个月;HR = 0.46 [0.24–0.88]，P = 0.008; 图 4 b）。在训练和验证队列中，DLS 高组的中位 OS 也比 DLS 低组长（32.00 vs. 12.00 个月，风险比 （HR） = 0.44 [0.28–0.68]，P < 0.001;33.00 vs. 11.30 个月，HR = 0.30 [0.14–0.60]，P < 0.001）（图 4 C、D）。我们进行了进一步的分析以调查 DLS 与免疫疗法之间的关联。我们发现，在所有 DLS 高患者中，联合组 （CCRT + ICI） 的 PFS 和 OS 比单独使用 CCRT 组更长 （16.60 vs. 6.80 个月，HR = 0.35 [0.22–0.55]，P < 0.001;23.70 vs. 10.50 个月，HR = 0.28 [0.17–0.45]，P < 0.001）（图 4 E、F）。此外，我们观察到联合组 （CCRT + ICI） 与单独 CCRT 组具有相似的 PFS 和 OS （P = 0.370 和 0.162） （补充图 4，附加文件 7）。Cox 回归分析显示，DLS 、 N 分期和 M 分期是训练队列中 NSCLC OS 的独立预测因子 （P = 0.003 、 0.005 和 0.003） （补充表 3，附加文件 8）。
图4：PFS、OS 和 DL 模型之间的关联。a-b DLS 预测训练队列和验证队列中的 PFS。c-d 此外，DLS 还预测训练队列和验证队列中的 OS。 此处描述了 DLS 高患者的 e PFS 曲线。f DLS 高患者的 OS 曲线。
使用 Grad-CAM 进行反应和无反应 CT 图像可视化
DL 模型的激活图，特别是来自最终卷积层的激活图，是为有反应和无反应的患者生成的，以更好地了解影响 CT 图像中 DL 模型预测的区域（图 5 ）。该层内的梯度大小用作衡量每个节点或体素与最终预测层的 “重要性” 的指标。在 Grad-CAM 图像中，红色色调表示较高的预测分数，高光表示影响 DL 模型反应预测的重要区域。同时，蓝色色调表示 DL 模型中的响应不佳。
图5：梯度加权类激活映射。第 1 行显示了 CCRT 前有反应 （CR + PR） 和无反应患者 （SD + PD） 的 CT 图像。第 2 行显示了 CCRT 后有反应 （CR + PR） 和无反应患者 （SD + PD） 的 CT 图像。在第 3 行中，Grad-CAM 图像突出显示了较深的红色区域，表示对最大化最终预测层的输出贡献最大的区域。红色表示反应的预测分数高，而蓝色表示反应的预测分数低，表示没有反应。
DL 模型与潜在生物学机制之间的关联
基于 DL 模型的差异基因表达分析 （预测反应与预测无反应），96 个基因显著上调 （1.5 倍变化，P < 0.05），44 个基因下调 （1.5 倍变化，P < 0.05） （补充图 5，附加文件 9）。此外，根据基因本体论 （GO） 富集分析，上调的基因与细胞粘附分子 （CAMs）、P53 信号通路和自然杀伤 （NK） 细胞介导的细胞毒性有关（图 6 A）。下调的基因与萜类骨架生物合成、剪接体和肾细胞癌有关（图 6 B）。然后，我们使用单细胞分析分析肿瘤免疫微环境，发现来自 6 名患者的 78829 个免疫细胞分为 10 个亚型（图 6 C）。与 DL 模型的预测反应呈正相关的三个重要顶级基因 （CD8A 、 SIGLEC10 和 MFSD12） 在不同的免疫细胞中高度表达 （图 6 D）。CD8A 基因在 NK 和 CD8 T 细胞中富集，而 SIGLEC10 和 MFSD12 在单核细胞/巨噬细胞和树突状细胞 （DC） 中富集。
图6：研究 DL 模型的潜在生物学机制。a 使用 GSEA 鉴定了一组上调表达的基因的 KEGG 通路。b 使用 GSEA 鉴定了一组下调表达的基因的 KEGG 通路。c 来自 6 例 NSCLC 患者的 78,829 个免疫细胞的 UMAP 图;这些免疫细胞分为 10 个亚型。d DL 模型的三个顶级相关基因 （CD8A 、 SIGLEC10 和 MFSD12） 的表达分布。
讨论
在本研究中，采用 DL 模型预测 NSCLC 对 CCRT 的反应。我们的结果表明，DL 模型在预测 CCRT 反应方面优于传统的影像组学模型和 T 分期。此外，我们观察到在 DL 模型中得分高的患者比在训练和验证队列中得分低的患者表现出更长的 PFS 和 OS。在高 DLS 患者中，与单独使用 CCRT 组相比，联合组 （CCRT + ICI） 显示 PFS 和 OS 改善。CAMs 和 NK 细胞介导的细胞毒性与高 DLS 显著相关，而与 DL 模型预测反应相关的顶级基因 （CD8A 、 SIGLEC10 和 MFSD12） 与不同的肿瘤免疫细胞显著相关。
DL 用于预测 NSCLC 对 CCRT 反应的应用很少报道。在我们的研究中，我们基于 CT 图像的 DL 模型在训练和验证队列中都表现出良好的性能。放射组学作为一种可量化的方法，在预测放疗和放射性肺炎对肺癌的敏感性方面起着关键作用 。然而，尽管 DL 模型与影像组学模型相比表现出更高的 AUC，但两种模型之间的差异没有统计学意义。这表明基于图像的 DL 模型是预测 CCRT 对 NSCLC 患者疗效的一种很有前途的方法。肿瘤对治疗的反应通常与许多癌症的良好预后相关。进一步分析这两个队列中疗效与预后之间的关系，我们发现在训练队列和验证队列中，DL 模型与 PFS 和 OS 密切相关，高 DLS 患者的预后明显优于低 DLS 患者。这些发现表明，DL 模型预测的临床结局与患者的预后密切相关。此外，免疫治疗在肺癌 CCRT 后变得非常重要 （PACIFIC）;然而，选择最能从维持免疫治疗中受益的优势人群仍然具有挑战性 。在这项研究中，我们发现与低分患者相比，高 DLS 患者从免疫治疗中显着获益。这表明 DL 模型可用于筛选 CCRT 后接受免疫治疗最有益的合适患者，并在减少不必要的后续免疫治疗方面发挥重要的指导作用。
由于 DL 经常表现出黑匣子效应，因此解释模型变得具有挑战性，尤其是在医学领域应用时。我们的观察表明，与反应预测相关的高激活区域主要集中在肿瘤区域。相反，病情稳定和疾病进展的患者在肿瘤内没有表现出高激活区。这种视觉映射强调了肿瘤组织的重要性，尤其是肺内的肿瘤组织，作为最终预测的关键因素。这种集成方法不仅增强了 DL 模型的可解释性，而且还在 ResNet50 的架构优势和 Grad-CAM 的解释能力之间建立了全面的联系，为在响应预测的背景下使用 DL 模型的决策过程提供了有价值的见解。另一方面，利用 bulk-RNAseq 和 scRNAseq 开发成像 DL 模型和基因组数据之间的相关性的开创性研究产生了新的视角，增强了我们对肺癌 CCRT 所涉及的基本免疫生物学机制的理解。根据以前的研究，肿瘤微环境中各种分子信号通路的激活可能在恶性肿瘤的治疗中起关键作用 。具体而言，GSEA 显示 DL 模型与 CAMs 相关的基因组通路、 P53 信号通路和 NK 细胞介导的细胞毒性密切相关。正如预期的那样，这种关联的出现是因为相应的肿瘤通过上调的免疫激活引发持续的免疫反应 。 在这方面，我们已经证实 NK 细胞、CD8 T 细胞、单核细胞/巨噬细胞和 DC 在此过程中起着核心作用。这一结果与放疗在通过激活的免疫状态引发肿瘤反应中起重要作用的认识一致。
这项研究有一些局限性。首先，这是一项多中心回顾性研究，验证队列较小且缺乏前瞻性验证。较大的数据集可能会进一步增强模型的稳定性。其次，我们没有应用组织病理学和基因组学的组合分析。我们未来的研究旨在探索多组学模型并前瞻性地验证所提出的模型。第三，我们没有根据放疗过程中肿瘤图像的动态变化来优化模型。未来，我们的目标是根据我们开发的 DL 模型来验证已建立的模型。
结论
在这项研究中，我们引入了一种创新的 NSCLC CCRT 反应预测模型，准确率高，其中 DL 模型与 PFS 和 OS 显示出显着关联。此外，DL 模型可以识别在接受 CCRT 后将从序贯免疫治疗中受益的患者，例如在 DL 模型中得分高的患者。此外，基于大量 RNA 和单细胞测序，我们发现了 CAMs 、 NK 细胞介导的细胞毒性和 NSCLC 患者 CCRT 预测模型之间的关联。本研究为预测 CCRT 治疗肺癌的疗效提供了新的视角，并为理解潜在的生物学机制提供了新的见解。
