Journal for Immunotherapy of Cancer
基于 CT 的深度学习基础模型预测肺癌免疫检查点抑制剂致肺炎风险
小赛推荐：
本研究为 免疫治疗 前的风险分层提供了非侵入性工具，提示在 肺癌 临床研究中需结合影像学特征优化 irAE 监测策略。
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，系统探讨了利用深度学习基础模型从基线 CT 扫描中预测非小细胞肺癌患者发生免疫检查点抑制剂致肺炎（ICI-P）风险的新方法。文章回顾了免疫治疗在肺癌领域的革命性进展，同时指出了免疫相关不良事件（irAEs）尤其是肺炎带来的严峻挑战，并详细阐述了开发 CIPHER 模型以解决当前风险评估缺乏量化标准这一关键问题的过程。背景知识
该研究主要解决 非小细胞肺癌 患者在接受 免疫检查点抑制剂 治疗时面临的高致死性 肺炎 风险痛点。目前，irAE 的风险评估主要依赖临床医生的定性判断，缺乏经过验证的定量影像学生物标志物，导致高危患者难以在治疗前被精准识别。尽管已知 间质性肺病 和 间质性肺异常 与 ICI-P 风险相关，但这些特征的识别往往需要专家经验且存在主观性。本研究的切入点在于利用大规模无标签 CT 数据进行自监督学习，构建能够捕捉肺实质细微异常特征的基础模型，从而在 免疫治疗 启动前实现客观、量化的风险预测。
研究方法与核心实验
作者构建了名为 CIPHER 的深度学习基础模型，该模型采用基于 Transformer 的掩码自编码器架构，结合对比学习策略。研究首先在包含 2500 名 非小细胞肺癌 患者的 590,284 个 CT 切片上进行了自监督预训练，使模型学习肺解剖结构的通用表征。随后，利用 MD Anderson 癌症中心的 347 名患者队列进行微调，其中仅使用未发生 ICI-P 的病例进行适应，最后通过内部验证集和外部约翰霍普金斯大学（JHU）验证集进行评估。关键证据在于，CIPHER 模型通过计算原始 CT 图像与重构图像之间的重建误差来量化风险，该误差反映了模型未能完全重建的解剖异常区域。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 肺癌 免疫治疗的 临床监测 提供了首个基于基线 CT 的非侵入性风险分层工具，有望改变现有的临床实践模式。通过精准识别高危人群，该研究支持开展针对性的预防性试验和更紧密的监测计划，从而在保障疗效的同时降低严重 irAE 的发生率。此外，该基础模型的构建思路为其他免疫相关毒性（如心肌炎、结肠炎）的影像学预测提供了可复制的方法学框架，推动了精准免疫治疗的发展。
结语
本研究通过开发并验证 CIPHER 模型，成功将深度学习技术转化为预测 免疫检查点抑制剂 致肺炎风险的临床实用工具。该研究不仅解决了当前 非小细胞肺癌 免疫治疗中风险分层缺乏客观量化指标的难题，更从实验室数据驱动的角度，为临床转化奠定了坚实基础。通过利用常规 CT 扫描中的细微信息，CIPHER 模型能够在治疗前精准识别高危患者，这对于优化 相关疾病 的照护体系、改善患者预后具有里程碑意义。未来的前瞻性多中心验证将进一步确认其在指导风险适应性监测和预防性干预中的价值，推动免疫治疗向更安全、更精准的方向迈进。
