*仅供医学专业人士阅读参考基于CT影像的多任务深度学习模型可无创预测NSCLC EGFR突变，辅助治疗决策。肺癌是全球最常见的恶性肿瘤，每年新发病例约250万，其中非小细胞肺癌（NSCLC）约占85%。EGFR突变是NSCLC中最主要的驱动基因变异，在亚洲人群中的突变率高达约50%。针对EGFR的酪氨酸激酶抑制剂（EGFR-TKI）治疗可使敏感突变患者的客观缓解率（ORR）达到约80%，而EGFR野生型患者的ORR仅为7.2%；与此同时，免疫治疗在EGFR突变人群中的疗效与安慰剂相当。对于可从EGFR-TKI或免疫治疗中获益的患者，其五年生存率随生物标志物状态的不同而在15%至62.5%之间波动。因此，治疗前精准判断EGFR突变状态，是筛选靶向治疗与免疫治疗获益人群的关键前提。一项发表于NPJ Digital Medicine的研究[1]开发了基于治疗前CT影像的多任务深度学习（MTDL）模型，实现了EGFR突变状态的无创预测，并通过外部临床队列与公共数据库测序数据，系统阐释了该模型的临床预后价值与生物学基础。 研究设计与模型构建：三中心队列中的多任务协同 该研究于2019年3月至2023年1月间，从安徽胸科医院、安徽医科大学第一附属医院及阜阳市人民医院三个医疗中心的1457例候选患者中，经严格纳排标准最终纳入910例经组织学确诊的NSCLC患者。中心1的患者按7:3随机分为训练队列（433例）与内部验证队列（185例），中心2与中心3的292例患者构成独立外部验证队列。三个队列在年龄、性别、吸烟状态、组织学类型、临床分期、检测方法、EGFR突变状态及癌胚抗原（CEA）水平等基线特征上均无显著差异。单因素及多因素分析进一步确认，性别、吸烟状态、组织学类型、瘤内密度、血管聚集征及胸膜牵拉六项变量是与EGFR突变状态独立相关的临床与影像学因素。在模型层面，MTDL由编码路径、重建解码路径与预测网络三部分构成。单任务深度学习（STDL）模型仅包含编码路径与预测网络；在此基础上，研究者引入受U-Net结构启发的辅助图像重建解码路径，通过重建任务与分类任务之间的参数共享及编解码块间的跳跃连接，引导模型从压缩特征中还原原始图像，从而提升主干网络特征表达的保真度、减少信息损失。总损失函数由分类交叉熵损失与加权重建损失构成，经敏感性分析确定重建权重为0.6时模型性能最佳。研究以STDL作为消融对照，同时构建了影像组学模型、影像组学-STDL模型、视觉Transformer（ViT）模型及临床-影像学（CR）模型进行横向比较，形成完整的对照体系。 预测性能：从单任务到多模态整合的性能跃升
在内部验证队列中，MTDL模型的受试者工作特征曲线下面积（AUC）达0.811（95%CI：0.747–0.868），显著优于影像组学、STDL、影像组学-STDL、ViT及CR模型（AUC分别为0.710、0.772、0.784、0.767与0.724）；在外部验证队列中，MTDL模型AUC为0.797（95%CI：0.745–0.847），同样全面领先，且与STDL的差异在两个队列中均具有统计学意义。鉴于EGFR变异在肺腺癌中高度富集，研究者进一步在仅腺癌人群中评估模型，内部与外部验证AUC分别为0.817与0.803，表现稳定。为充分释放性能潜力，研究者将MTDL评分与性别、吸烟状态、组织学类型、瘤内密度、血管聚集征及胸膜牵拉六项独立变量整合，构建多模态MTDL-CR模型，其内部与外部验证AUC分别达0.874（95%CI：0.821–0.919）与0.865（95%CI：0.822–0.903），均显著优于MTDL与CR模型；决策曲线分析显示，MTDL-CR模型在全部对照模型中提供最大的临床净获益。SHAP特征重要性分析表明，MTDL评分对模型的贡献居首（平均绝对SHAP值1.36），远超胸膜牵拉（0.55）等其他变量；Grad-CAM热图显示，与STDL模型相比，MTDL模型更聚焦于肿瘤核心区域（374/555 vs. 219/555），并更多关注与EGFR突变密切相关的胸膜牵拉等瘤周特征；t-SNE可视化亦证实MTDL特征空间具有更强的类间分离度（轮廓系数0.178与0.252 vs. 0.125与0.124）。这些结果共同说明，辅助重建任务显著增强了模型对突变相关影像信息的捕捉能力。 临床转化价值：疗效预测与肿瘤生物学诠释 在外部验证队列衍生的生存队列中，74例携带19外显子缺失或21外显子L858R点突变并接受EGFR-TKI治疗的患者，高MTDL评分者的无进展生存期（PFS）显著优于低评分者（HR=0.17，95%CI：0.08–0.36），MTDL-CR评分的分层效应更强（HR=0.15，95%CI：0.06–0.35）。获得客观缓解者的MTDL评分显著高于未缓解者（中位数0.66 vs. 0.49）。这一分层效应在19外显子缺失与L858R两个突变亚组、以及一/二代与三代TKI治疗亚组中均稳健存在。此外，在可用NGS数据的患者中，MTDL-CR评分与EGFR突变等位基因频率（VAF）呈显著正相关，提示影像学评分可在一定程度上反映肿瘤的克隆负荷与突变丰度。放射基因组学分析进一步揭示了模型的生物学内涵。在癌症影像档案（TCIA）数据库87例含RNA测序数据的患者中，预测突变组（MTDL评分≥0.5）与预测野生型组之间共鉴定出207个差异表达基因，显著富集于核分裂、细胞周期调控等生物学过程，以及细胞周期、细胞衰老和PPAR信号通路等癌症相关通路；免疫细胞浸润分析显示，预测突变组的肿瘤浸润免疫细胞丰度普遍更低，包括浆细胞样树突状细胞、未成熟B细胞、中央记忆型CD8 T细胞、CD56阳性的自然杀伤细胞及活化CD8 T细胞等。这与既往关于EGFR突变肿瘤呈现免疫抑制微环境、免疫治疗疗效与安慰剂相当的认识相互印证，为模型的生物学合理性提供了佐证。
总结
该研究是首个采用多任务、多模态深度学习策略预测NSCLC EGFR突变状态的多中心研究。MTDL模型通过辅助图像重建任务增强特征学习能力，在内外部验证中均稳定优于STDL等对照模型；MTDL-CR模型进一步融合临床与影像学信息，将判别性能提升至AUC 0.87以上。模型评分不仅与EGFR-TKI治疗反应及PFS显著相关，还与基因表达模式和肿瘤免疫微环境相呼应，具备成为无创影像学生物标志物的转化潜力。对于组织标本获取失败、难以耐受有创检查的患者，该模型可作为基因检测的无创补充，辅助EGFR-TKI相关治疗决策。未来，随着模型向多基因同时预测拓展并在前瞻性队列中获得验证，基于CT影像的无创基因预测有望融入NSCLC的常规诊疗路径，推动肺癌精准治疗从“有创检测”迈向“影像即可初筛”的新阶段。参考文献：[1] Song Q, et al. Multi-task deep learning model for predicting EGFR mutation status in NSCLC[J].NPJ Digit Med. 2026 Jul 20.审批编号：CN-199378 有效期至：2027-02-09 本材料由阿斯利康提供，仅供医疗卫生专业人士参考，不用于推广目的。若涉及具体药物使用，请参考相关药物说明书，阿斯利康不建议您将产品超说明书使用。 *此文仅用于向医疗卫生专业人士提供科学信息，不代表平台立场。更多医疗资讯，点击“阅读原文”查看
