解碼腫瘤戰術版圖:多組學降維融合 如何打破非小細胞肺癌的治療瓶頸
血液腫瘤科/細胞治療中心/台灣細胞免疫醫學會 陳駿逸醫師 在日常診治非小細胞肺癌時,我們常感嘆於腫瘤的高度異質性(Tumor Heterogeneity)。這就像在球場上對抗一支戰術極其複雜的頂級球隊,如果我們僅依靠單一維度的生物標誌物(如:單一基因突變或 PD-L1 表現量),就像G4只看控球率就想預測比賽結果一樣,往往容易被對方的防守反擊或隱蔽戰術打得措手不及。在標靶治療(Targeted Therapy)與免疫治療(Immunotherapy)的下半場,如何精準篩選優勢人群並克服抗藥瓶頸,是臨床上的核心課題。整合基因組(Genomics)、轉錄組(Transcriptomics)及影像組學(Radiogenomics)的多維數據,已成為我們繪製腫瘤全景戰術圖的破局關鍵。 單一維度標記物的盲區與臨床瓶頸 腫瘤異質性會導致單一生物標誌物預測力有限,組織切片取樣的偏差更增加了精準評估的難度。罕見驅動基因突變檢測成本高昂且耗時,而免疫治療的反應率仍然深受腫瘤微環境動態演變的影響。 在臨床實務中,我們經常面臨兩大棘手問題: 腫瘤組織切片僅能代表腫瘤的「局部冰山一角」,無法反映全身轉移病灶或腫瘤內部的空間異質性; 許多患者在接受基因檢測(NGS)時,可能面臨檢體不足、檢測週期長(Turnaround Time)或費用昂貴的限制。 在免疫治療領域,單純依賴免疫組織化學染色去檢測 PD-L1 TPS 亦有其局限。PD-L1 高表現的患者不一定就能夠從免疫檢查點抑制劑中獲益,而低表現者也可能出現持久的臨床緩解(Durable Response)。這代表腫瘤微環境中 T 淋巴細胞的浸潤程度、免疫抑制細胞的分布以及基因組不穩定性,都在背後共同決定了這場「攻防戰」的勝負。 影像基因組學(Radiogenomics),靶向突變的無創「戰術偵察」 利用深度學習模型解析電腦影像與數位病理切片,可實現 EGFR、KRAS 等驅動基因突變狀態的無創、快速且高準確度預測。影像基因組學提供了空間全景視角,為無法取得足夠組織的晚期非小細胞肺癌患者提供了全新的生物標記物獲取途徑。 如果把 NGS 檢測比喻成在籃球比賽後深入休息室進行的 DNA 採樣,那麼影像基因組學就像是球隊的高空攝影分析系統,不必深入肌膚,光靠球員在場上的跑位與動作特徵(電腦斷層影像特徵),就能預測出對方的先發陣容與戰










