Journal for Immunotherapy of Cancer
CT-based deep foundation model for predicting immune checkpoint inhibitor-induced pneumonitis risk in lung cancer
小赛推荐：
本研究为 非小细胞肺癌 患者在接受 免疫检查点抑制剂 治疗前的风险分层提供了量化影像标志物，提示在实验设计中应结合深度学习模型与 肺部影像学 特征以优化 irAE 的早期预警策略。
文献概述
本文《CT-based deep foundation model for predicting immune checkpoint inhibitor-induced pneumonitis risk in lung cancer》，发表于《Journal for Immunotherapy of Cancer》杂志，系统探讨了利用基于 CT 的深度学习基础模型 CIPHER 来预测 非小细胞肺癌 患者在接受 免疫检查点抑制剂 治疗前发生免疫相关肺炎（ICI-P）的风险。文章回顾了当前临床评估的局限性，并展示了该模型在内部及外部验证队列中的卓越表现。背景知识
该研究旨在解决 非小细胞肺癌 治疗中 免疫检查点抑制剂 诱导的 免疫相关肺炎 这一致命性 irAE 的早期识别难题。目前，肺部影像学 评估主要依赖放射科医生的定性判断，缺乏标准化的 定量影像生物标志物 来精准识别高风险人群。此外，现有的 临床风险因素 如 间质性肺病 或 间质性肺异常 虽然与风险相关，但往往被低估或漏诊。本研究通过引入 自监督学习 和 Transformer 架构，试图突破传统 放射组学 在捕捉细微 肺实质 异常方面的瓶颈，为 免疫治疗 的安全性管理提供新的切入点。
研究方法与核心实验
作者构建了一个名为 CIPHER 的深度学习基础模型，该模型基于 Transformer 架构的掩码自编码器，并采用 对比学习 进行训练。研究首先在包含 590,284 个 CT 切片的大规模 非小细胞肺癌 队列中进行 自监督预训练，使模型学习 肺实质 的异质性特征。随后，模型在 MD Anderson 癌症中心的 免疫治疗队列 中进行微调，仅使用未发生 ICI-P 的病例进行适应，最终通过重建误差来量化风险。关键证据显示，CIPHER 模型在内部验证集和独立的 约翰霍普金斯 外部验证集中，均能显著区分发生 ICI-P 与未发生的患者，其性能优于传统的 临床模型、放射组学模型 及 集成模型。关键结论与观点
研究意义与展望
从科研视角分析，该发现为 药物开发 中的安全性评估提供了非侵入性的 影像生物标志物，有助于在 临床试验 中富集高风险人群或排除禁忌症。在 临床监测 方面，CIPHER 模型有望成为常规 胸部 CT 扫描的辅助决策工具，指导医生进行预防性干预或调整 免疫治疗 方案。此外，该研究证明了 自监督学习 在医学影像领域的巨大潜力，为未来构建更广泛的 疾病建模 和 毒性预测 系统奠定了基础。
结语
本研究通过开发并验证 CIPHER 模型，成功将 深度学习 技术应用于 免疫检查点抑制剂 诱导的 肺炎 风险预测，填补了当前 非小细胞肺癌 治疗中缺乏标准化 定量影像标志物 的空白。该模型不仅克服了传统 临床评估 的主观性和 放射组学 的局限性，还通过 自监督预训练 挖掘出了深层的 肺实质 特征，实现了对 irAE 的高精度、高特异性预测。从实验室到临床转化的视角来看，CIPHER 模型为建立基于 影像组学 的 风险分层 体系提供了坚实基石，有望显著改善 免疫治疗 的安全性管理，降低 致死性并发症 的发生率，从而推动 精准医疗 在肿瘤免疫治疗领域的深入应用。
