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術習慣。
近年 AI 在影像基因組學的突破，為無創診斷帶來了實質性的飛躍：
電腦斷層影像的多通道多任務深度學習模型：能同步預測患者的 EGFR 與 KRAS 突變狀態，利用影像的多維資訊實現平行預測。整合多模態臨床數據，無創預測 EGFR 突變及最終生存結局，為臨床醫師制訂治療策略提供客觀的預後參考。針對全視野數位切片（WSIs）訓練的深度卷積神經網路，能以 AUC 達 0.97 的準確率自動區分肺腺癌）、肺鱗癌及正常組織，並在冰凍切片、FFPE 及活检標本中獲得驗證，同時具備預測 EGFR 基因突變的能力。
解碼腫瘤微環境，AI 驅動的免疫治療預測
透過解析 CD8+ T 細胞浸潤特徵與 H&E 病理切片形態學，AI 模型能精準預測免疫檢查點抑制劑的治療有效率與無進展生存期（PFS）。結合形態學感知 AI 與 PD-L1 生物標誌物，可產生顯著的補充互補效應，進一步提高優勢人群的篩選精度。
在足球比賽中，要防守對方的明星球員（腫瘤細胞），不能只看後衛（PD-L1 表現量），還必須觀察整條防線的站位與支援速度。腫瘤微環境中的 CD8+ T 淋巴細胞，就是我們陣中的「主力後衛」。利用 AI 解析 TME，就像引進了棒球的「進階數據分析（Sabermetrics）」：
- CD8+ T 細胞影像組學模型：多中心研究證實，該模型能無創評估 T 細胞浸潤密度，有效預測患者對 PD-1/PD-L1 抑制劑的反應。
- 深度學習與影像組學綜合模型：在評估晚期非小細胞肺癌對免疫治療的反應時，AUC 高達 0.960。
- Deep-IO 模型（JAMA Oncology, 2025）：基於治療前 H&E 切片的 CNN 模型，在美國 614 例晚期患者中預測 RECIST 反應的 AUC 為 0.75，並在歐洲 344 例外部驗證佇列中證實其為 PFS（HR 0.56）和 OS（HR 0.53）的獨立預測因子。
將 Deep-IO 模型與 PD-L1 表現量聯合使用，AUC 可提升至 0.70；在 Deep-IO 高 / PD-L1 高的雙高患者中，治療客觀反應答率高達 51%（遠高於單純 PD-L1 ≥ 50% 時的 41%），凸顯了形態學深度學習的互補價值。
多组學降維融合，建構多維度預後模型
結合 TCGA 通路活性評估與 RNA-seq 基因面板，多組學降維模型能跨越單一生物標誌物的盲區，實現精準的復發風險分層。降維演算法（如 PCA、LASSO、XGBoost）可成功將高維生物數據轉化為具備診斷與預後雙重價值的臨床決策指標。
單一指標容易帶來「預後盲區」。多組学降維融合（Multi-omics Dimensionality Reduction）就像是職棒總教練的戰術分析板，將打擊率、上壘率、防禦率等高維數據經由機器學習演算法「降維提取」，最終化為最直觀的先發調度決策。利用 PROGENy 工具計算 14 條致癌通路評分，經 8 種機器學習演算法（如 :SVR、RFR、KNNR）驗證，篩選出 5 條核心通路（非整倍體 Aneuploidy、TRAIL、WNT、VEGF、EGFR）。這展示了轉錄組學與基因組不稳定性指標如何精準預測復發，識別需接受強化監測或輔助治療（Adjuvant Therapy）的高危患者。透過 PCA、LASSO、mRMR 及 XGBoost 等算法，開發出 131-基因分類面板及 17-基因生物標誌物子集。PCA 分類器以 94.2% 的準確率鑑別 LUAD 與 LUSC（外部驗證 50 例 LUAD / 28 例 LUSC），同時證實其與患者長期的存活率有顯著相關。
臨床落地的挑戰與侷限
儘管多組學 AI 模型展現出強大的預後評估潛力，但在真正落戶臨床時，我們仍需注意以下「判罰盲區」：
- 罕見基因突變的涵蓋率不足：現有模型的訓練數據仍集中於常見突變（如: EGFR、ALK），對於罕見驅動基因（如:NTRK、RET、MET exon 14 逃逸、ROS1、BRAF、HER2、NRG1 等）的敏感度與特異度較低，可能導致被誤分類。
- 缺乏大規模前瞻性驗證：多數模型仍依賴回顧性數據，迫切需要跨國、多中心的前瞻性臨床試驗驗證其可靠性。
- 黑盒子與倫理考量：算法的可解釋性（Explainability）、數據隱私安全及知情同意等倫理議題，仍是臨床醫師全面信任 AI 決策前必須跨越的門檻。
結語與展望
標靶與免疫治療的下半場，是多組學數據深度交匯的時代。透過 AI 驅動的降維融合模型，我們得以無創預測基因突變、動態解碼腫瘤微環境，並建構出全景式的預後評估體系。
作為臨床腫瘤科醫師，善用這些多維度的「戰術分析工具」，將使我們能夠更前置地識別出抗藥的風險，為每位晚期非小細胞肺癌患者量身打造真正精準的個性化治療方案。
#非小細胞肺癌 #精準醫療 #AI醫療 #多組學 #影像基因組學
#免疫治療 #靶向治療 #肺癌新知 #腫瘤科 #MedTwitter
#陳駿逸醫師
#台中市全方位癌症關懷協會
陳駿逸醫師醫療門診服務時段
https://mycancerfree.com/contact/
更多陳駿逸醫師的癌症衛教影片請連接https://www.youtube.com/@mycancerfree
更多腫瘤治療相關資訊 請連接”陳駿逸醫師 與你癌歸於好” https://mycancerfree.com
