《Cancers》：Artificial Intelligence in ALK-Rearranged NSCLC: Forecasting Response and Resistance
Andreas Koulouris,
Christos Tsagkaris,
Konstantinos Kalaitzidis,
Georgios Tsakonas and
Giannis Mountzios
编辑推荐：
这篇系统综述（2020-2025年）系统评估了人工智能（AI）在ALK重排NSCLC中的应用，涵盖诊断、预后、治疗反应预测与耐药机制探索。AI模型在ALK状态预测上展现了高潜力（AUC 0.73-0.99），但其临床转化仍受限于回顾性、单中心研究及外部验证不足。未来需前瞻性、多中心研究与标准化工作流，以实现AI工具在精准决策中的有效整合。
人工智能照亮ALK阳性肺癌的精准诊疗之路
引言
非小细胞肺癌是全球癌症相关死亡的主要原因，其中ALK基因重排定义了一个独特的分子亚型。尽管ALK酪氨酸激酶抑制剂的问世显著改善了患者预后，但临床实践中仍面临诸多挑战，包括ALK状态的及时准确鉴定、治疗反应的异质性以及获得性耐药的发生。人工智能的崛起，为应对这些挑战提供了强大的新工具。本综述旨在系统梳理与评估人工智能在ALK重排非小细胞肺癌领域的应用，涵盖分子预测、预后评估、治疗反应分析及机制探索，勾勒出该领域的现状、潜力与未来方向。
材料与方法
研究团队遵循PRISMA 2020指南，系统检索了2020年至2025年间发表的相关文献。纳入标准包括涉及人类或相关计算分析、应用人工智能技术、并聚焦于ALK重排检测或治疗相关结局的研究。最终，13项研究被纳入分析。研究评估了其设计、数据模态、AI方法学及性能指标，并进行了文献计量学共现分析，以识别研究主题与趋势。鉴于AI预测研究的方法学异质性，本研究采用了结构化的定性偏倚风险评估，而非标准化工具。
结果概览
在筛选出的204条记录中，最终有13项符合标准的研究被纳入。这些研究主要发表于2020年至2025年间，且大部分为回顾性、单中心设计，主要来自东亚地区。
研究方向、数据与方法
人工智能模型主要应用于四大类数据：影像学、病理学、分子数据及多模态数据。基于影像学（尤其是CT或PET/CT）的影像组学方法是最大的类别，用于预测ALK重排状态或临床结局。病理学或细胞学是第二大类，应用卷积神经网络分析全切片图像或细胞学标本以预测包括ALK在内的基因改变。少数研究整合了影像、病理和临床记录等多模态数据。此外，还有通过分子建模和突变数据库分析探索耐药机制的计算研究。
应用的人工智能方法多样，从逻辑回归、随机森林、LASSO回归等传统机器学习算法，到卷积神经网络等深度学习架构均有涉及。
预测目标与临床性能
研究目标可归纳为三类：
- 1.
ALK状态预测： 模型从影像或病理数据中直接预测ALK重排状态，报告的曲线下面积在0.73至0.99之间。基于病理的深度学习模型通常表现出最高的区分性能。
- 2.
预后与治疗反应预测： 模型旨在预测无进展生存期、总生存期或对ALK酪氨酸激酶抑制剂的治疗反应。影像组学或多模态方法展示了中度至高度的区分性能，报告的一致性指数在0.72至0.89之间。
- 3.
分子/机制探索： 少数研究利用人工智能识别与耐药相关的分子特征，或通过计算机模拟筛选候选ALK抑制剂，旨在从结构-功能关系层面理解耐药机制。
然而，绝大多数研究仅进行了内部验证，仅少数报告了外部验证，且目前尚无研究在临床决策的前瞻性环境中评估AI模型。
研究主题与趋势演变
文献计量学分析揭示了当前研究的两大主导主题：以“突变”为中心的分子表征主题，以及以“分析”为中心的计算方法学主题。术语网络可视化显示，影像组学相关术语构成一个关键的分析聚类，而“突变”、“基因”及靶向治疗药物（如阿来替尼、劳拉替尼）等则形成了另一个主要的生物学与治疗相关的聚类。数字病理学术语形成了较小但独立的聚类。
时序叠加分析显示，研究重点随时间发生演变。2021年至2022年的研究主要集中在影像组学性能指标和可行性评估上。而2023年至2024年的研究则日益强调分子分析、治疗特异性背景和整合建模方法，表明该领域正从方法学概念验证逐渐转向临床应用探索。值得注意的是，与“验证”和“临床实施”相关的术语在整个网络中始终处于边缘位置。
讨论与展望
本综述表明，人工智能在ALK重排非小细胞肺癌的分子识别、预后和机制探索中展现出巨大潜力，但其迈向临床转化的道路仍面临显著挑战。
当前成就与局限
人工智能模型，特别是基于数字病理学的深度学习模型，在预测ALK状态方面表现出色，其高区分度令人鼓舞。然而，这些成果大多建立在回顾性、单中心数据之上，缺乏外部验证，其“泛化能力”存疑。考虑到ALK重排在非小细胞肺癌总体人群中较低的患病率，即使模型具有较高的曲线下面积，其在真实世界应用中的阳性预测值也可能受限。此外，多数研究未报告模型校准或决策曲线分析结果，这使得评估其临床实际效用变得困难。
在预后与治疗预测方面，尽管现有模型显示出一定潜力，但专门针对ALK阳性人群、并能指导不同ALK抑制剂治疗策略选择的AI模型仍然稀缺。这与在EGFR突变或非选择性非小细胞肺癌人群中日益成熟的AI预后模型形成对比，突显了针对ALK的精准预测框架的未满足需求。
未来发展方向
未来研究必须致力于弥合算法创新与临床影响之间的鸿沟。以下几方面至关重要：
- •
方法学严谨性： 开展前瞻性、多中心研究，采用标准化数据采集流程，并进行严格的外部验证，是建立模型普适性的基石。联邦学习等协作方法有助于在保护数据隐私的同时整合多中心数据，构建更稳健的模型。
- •
临床整合与决策支持： 人工智能模型有望成为临床工作流的有效补充。例如，在组织样本有限的情况下，高灵敏度的AI模型可作为“分诊工具”，优先筛选出ALK重排高概率患者，从而优化诊断路径，减少靶向治疗启动的延迟。
- •
深入生物学与耐药机制： 未来的AI框架需要能够整合纵向的临床与分子数据，以预测患者对序贯ALK抑制剂的反应和耐药演变。结合循环肿瘤DNA分析的AI增强型液体活检技术，为无创监测耐药突变、指导治疗转换提供了新可能。
- •
构建多模态智能系统： 发展能够统一分析影像、病理、基因组和电子健康记录等多源异构数据的深度学习架构，是构建下一代临床决策支持系统的关键。这种自适应系统可以实现对治疗反应的实时监测和耐药信号的早期识别，从而推动更个性化、响应更快速的疾病管理。
结论
人工智能在ALK重排非小细胞肺癌中的应用，在分子预测、预后评估、治疗反应判断及耐药机制探索方面展现出广阔前景。然而，现有证据受限于研究数量少、方法学异质性强、外部验证不足以及缺乏前瞻性临床实施。未来的进步不仅依赖于模型性能的提升，更有赖于将人工智能审慎、有效地整合到有临床意义的路径中。推动这一领域从“算法优异”迈向“临床有用”，需要前瞻性研究的严格验证，以及临床医生、数据科学家和监管机构之间紧密的多学科协作。
