Journal for Immunotherapy of Cancer
基于CT基础模型预测肺癌免疫检查点抑制剂相关肺炎风险
小赛推荐：
该研究为 免疫治疗 安全性评估提供了量化影像生物标志物，直接启发 肺癌 临床前实验中 肺毒性 模型的构建与筛选策略。
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免疫检查点抑制剂（ICI）诱导肺炎（ICI-P）风险的新方法。背景知识
免疫检查点抑制剂（ICI）彻底改变了 肺癌 的治疗格局，但其引发的免疫相关不良事件（irAEs），特别是 ICI-P，可能导致严重的甚至危及生命的肺部炎症。目前，ICI-P 的风险评估主要依赖于临床因素和专家对基线CT中 间质性肺病（ILD）或 间质性肺异常（ILA）的定性解读，缺乏经过验证的定量影像生物标志物来在治疗前精准识别高危患者。这一 靶点 研究的瓶颈在于难以从复杂的肺部纹理中自动提取与免疫毒性相关的细微特征，导致高风险患者无法得到早期预警和针对性监测。本研究切入点在于开发一种自监督的CT基础模型，通过大规模无标签数据预训练学习肺部实质的内在表征，从而在无需大量标注数据的情况下，实现对 ICI-P 风险的客观量化预测。
研究方法与核心实验
作者构建了一个名为CIPHER（Checkpoint-Inhibitor Pneumonitis Hazard EstimatoR）的深度基础模型。该模型采用基于Transformer的掩码自编码器架构，利用对比学习与掩码重建的双重目标进行自监督预训练。研究首先在包含590,284个CT切片的非小细胞肺癌队列中进行预训练，使模型学习异质性肺部实质的通用表征。随后，模型在MD安德森癌症中心的ICI治疗队列中进行微调，仅使用非ICI-P患者数据进行适配，利用重建误差作为影像风险评分。关键证据显示，该模型在内部验证集和外部约翰霍普金斯大学验证集中均表现出优异性能，AUC达到0.83，显著优于传统的临床模型和放射组学模型。关键结论与观点
研究意义与展望
从科研视角分析，该发现对 药物开发 具有深远影响，特别是在开发新型免疫疗法时，CIPHER可作为早期安全性评估的非侵入性工具，加速 临床监测 策略的制定。此外，该研究为 疾病建模 提供了新思路，即利用基础模型从常规影像数据中挖掘潜在的病理生理信号，而不仅仅依赖于特定的生物标志物检测。这将推动肺癌免疫治疗从“一刀切”向“风险适应型”管理转变。
结语
本研究成功开发并验证了CIPHER，这是首个基于CT影像的免疫毒性预测基础模型。它突破了传统定性评估的局限，通过深度学习技术实现了从基线CT中精准量化 ICI-P 风险。这一成果不仅为临床医生提供了强有力的决策支持工具，有助于在治疗前识别高危患者并实施个性化监测，更为 肺癌 免疫治疗的安全性管理奠定了基石。未来，通过前瞻性多中心验证，CIPHER有望整合进常规诊疗流程，显著改善患者预后，推动免疫治疗向更安全、更精准的方向发展，最终实现从实验室算法到临床实践的价值转化。
