谈到基于现代科技的肺癌早期诊断新进展，不难想到对于外周病变诊断的进展。过去，我们在肺里发现一个外周病变，其诊断率不足30%，临床很难操作。进入现代，各种导航技术，如RP-EBUS、虚拟导航、电磁导航、4D电磁导航、LungVision、CBCT、BTPNA等等，使我们对外周病变的诊断效率明显提高。
面对如今众多导航技术、方法，各导航技术相比较该如何选择？
这是近年发表的关于导航支气管镜诊断率的一篇Meta分析，纳入了近20项研究，我们看到小超导航和电磁导航的诊断率都能达到76.4%，大大提高了对外周病变的诊断水平。
现在导航技术很多，方法也很多，各导航技术中如何选择呢？应该根据患者的具体情况、病灶特征，并且要是自己所熟练掌握的技术，同时也要考虑到经济效率。联合导航可以进一步诊断的准确率，临床要联合掌握。
这是我们6年前用导航支气管镜技术做的病例，第一排图左边患者是一名女性，39岁，右肺下叶外基底段19mm结节。经ENB活检5块，病理报低分化腺癌，ALK（ventana）+ 。右边是一名男性，68岁，左肺上叶病变，吸烟指数10包年，已戒烟20年，局麻下4D电磁导航+活检，病理报肺腺癌，手术切除，这类病例进行起来应该不困难。但相对较困难的是像第二、三排图的这种病变，比如二排左边的病例，右上肺14mm结节，肩胛遮挡，通过电磁导航活检，确诊肺腺癌，EGFR+。右边是个右下肺21mm结节，多支粗大血管穿行其中，患者存在肾功能不全基础病，长期透析，我们应用电磁导航活检，确诊SCLC。三排左边是右上叶尖段27mm结节，胸骨、肋骨遮挡，紧贴纵隔、头臂静脉、锁骨下动脉，予以电磁导航活检，确诊肺腺癌。右边是左上肺18mm结节，临近主动脉弓、叶间胸膜，应用电磁导航活检，确诊肺腺癌，EGFR+。像这类在大血管旁边、主动脉旁边，又比如紧邻膈肌，由于呼吸运动导致定位困难，操作起来要求准确迅速。我们团队中几位年轻医生操作水平比较高，都能处理得比较好。
关于导航技术与智能化的微创手术机器人融合的气管镜也准建开展临床研究和应用，去年在我国做了一些临床试验，初步报道诊断准确率较好。
柔性支气管镜机器人对肺外周病灶的可及性明显优于传统超细支气管镜，我国目前至少有2-3家企业在做此方面的研发，这是我们与其中一家合作进行的操作，正在开展临床动物试验。由此可见我国在机器人支气管镜方面进展也非常快。
对于微小病灶或者需要规避临近血管的操作，要求更高的稳定性，而经支气管镜的机器人辅助穿刺定位系统，具有很好的稳定性。另外，机器人硬镜将来也会发展得很好。
总体来说未来是导航技术与智能化的微创手术机器人融合，这种融合形成了诊疗一体化的平台。此类平台在诊断方面，将多种导航技术联合，兼容各种活检工具，可对双肺、多点、多次采样，进行病理诊断、分子学诊断，用于肺癌的早期诊断或结节的诊断；平台还能够以显色剂、发光剂、造影剂局部注射定位，矢量定位，金属标记定位，治疗上的具有更广阔的前景，比如用于肿瘤的消融治疗、粒子植入放疗，感染性疾病局部给药治疗，肺大泡消融治疗等。
组学技术为Biomaker的发展起到了非常重要的作用……Biomarkers的研究发展趋势未来的重点是在生物样本和检测成分两方面
再谈谈组学技术与Biomaker。由于组学技术的进步，Biomaker进展非常快。Omics in oncology: the holons of systems medicine.现在组学技术比如基因组学、表观组学、转录组学、蛋白组学、代谢组学、微生物组学、外泌体等等。实际上这些都为Biomaker的发展起到了非常重要的作用。
Biomarkers in clinical Practice：1,Screening；2, Early Diagnosis；3, Treatment Strategy Decision；4, Monitoring；5, Predicting Treatment Response；6, Predicting Prognosis.从这些我们能看到，现在Biomaker的临床价值不仅仅是用于筛查或者早期诊断，它还用于治疗的决策，疾病的监测，治疗的疗效评估，疗效的预测以及患者的预后的预测，有着非常重要的作用。
关于Biomarker在肺癌早期诊断中的应用，实际上我们现在应用到临床的已经有很多，比如自身抗体、补体片段、微RNA（miRNA）、循环肿瘤DNA、循环肿瘤细胞（CTC）、外泌体、DNA甲基化，包括呼出气组学技术等等。
在2021年Nat Commun发表的诊断模型的一项研究，基因组技术在肺癌早诊标志物中的应用，使用DELF模型作为LDCT的预筛选比单独使用LDCT增加约8倍的肺癌病例检出量，AUCmax达到0.94。
关于转录组技术在肺癌早诊标志物中的应用，这是我们在2020年的一项工作研究：肺鳞癌组织转录组测序用于诊断标志物的筛选，经过验证这个早期诊断的模型也具有较好的诊断能力，同时也说明IncRNA-MIR205HG可以作为肺鳞癌诊断的潜在标志物。
甲基化方面的研究也备受关注，关于甲基化技术在肺癌早诊标志物中的应用，我想未来甲基化用于肺癌的早期诊断一定是会取得很好的实际临床效果。在2021年的文献报道，甲基化诊断早期肺癌的AUC能达到0.84。
这是2020年的研究，其发布了中国人肺腺癌蛋白质谱鉴定及诊断标志物筛选，蛋白质组技术在肺癌早诊标志物中的应用也让我们看到了一些很好的前景。
现在代谢组技术在肺癌早诊标志物中的应用，血浆代谢标志物panel诊断肺腺癌，筛选9种脂质代谢标志物，诊断模型AUC达到0.9843。联合检出一期肺腺癌的筛查能达到90%以上这是非常令人鼓舞的结果。
关于呼出气组技术在肺癌早诊标志物中的应用，这是我们团队在2016年完成的工作，呼出气可挥发性有机物（VOCS）进行肺癌早诊，初步看它的AUC也能达到0.867，对于肺癌筛查将来也会有非常重要的意义。
微生物组技术这些年也得到了高度重视。这是微生物组技术在肺癌早诊标志物中的应用，研究显示纳入了微生物组学参数的诊断模型的AUC达到0.855。
关于外泌体助力肺癌早期诊断标志物的探索，也有很多的研究报告，我们认为外泌体是将来另外的一个可用于肺癌早诊检测方面非常重要的途径。
关于Biomarkers的研究发展趋势，将来的重点是放在生物样本和检测成分两个方面。生物样本聚焦于外周血、呼出气，检测成分聚焦于DNA甲基化、miRNA、外泌体。我们也十分期待它的研究结果能用于临床，用于我们真实世界的肺癌的早期诊断。
我们提倡多组学联合应用于肺癌早期诊断标志物研究……Biomarkers具有全程监测的作用，将日益受到大家关注
肺癌因其具有异质性，所以假如只用一个层面去对它进行分析，很难以进行精确诊断，因此我们提倡多组学联合应用于肺癌早期诊断标志物研究。但是多组学联合存在着一个问题，这么多的数据要如何进行分析呢？这就需要我们的大数据来进行分析，除此之外还要联合影像组和一些临床诊断模型。因此，基于深度学习的各种组学数据联合分析，结合影像组学分析构建个体化精准诊断模型，是将来Biomarkers的诊断策略。
关于液体活检在肺癌早诊标志物中的研究大家已经非常熟悉。液体活检贯穿着肺癌诊疗的全程，它的优点是安全、微创、可持续动态监测，样本包括外周血在内的多种体液，成分有CTC，ctDNA，exosome，TEPs，组学技术有基因组、转录组、甲基化组、蛋白组、代谢组、微生物组等，但它也面临诸多挑战，如ctDNA等含量很少，又如单一组学层面反应的肿瘤分子生物学信息有限。我们认为基于液体活检的多组学研究探索肺癌分子生物学特征用于诊断及治疗靶点的评估是未来趋势。
这篇文献描述了液体活检在肺癌早诊标志物中的研究。通过研究得出结论：① 基于外周血红外光图谱的特点-红外分子指纹可用来诊断癌症；② 诊断肺癌的AUC为0.89；③ 根据分子指纹特点可以区分肺癌不同的分期。
对于切除的早期肺癌，肺内、体内还有没有肿瘤？肿瘤需不需要治疗？要不要监测？这一直是个非常困扰我们的问题。由于现在Biomarker组学技术的进步，使MRD的问题得到了一定程度的解决，我们通过多组学的技术来检测手术以后整个全程的MRD的情况，对其进行复发风险的评估，生存时间的预测以及辅助治疗决策的提示，这是非常重要的。
1、MRD分为初始的界标检测和后续的动态监测；
2、MRD动态监测预测复发的阳性预测值是89.1%——MRD阳性患者最终89.1%的患者会复发；
3、MRD动态监测预测复发的阴性预测值是96.8%，这意味着这部分病人很可能已经治愈；
4、界标检测和动态监测过程中MRD阳性患者DFS短于MRD阴性患者。
这是基于Biomarkers的微小残留病灶检测指导肺癌全程诊疗的研究。对于早期肺癌，主要是术后复发评估、术后生存时间预测、术后辅助治疗选择；对于局部晚期，主要是疾病进展评估、生存时间预测、选择巩固治疗方案；对于晚期，主要是治疗方案选择、疾病进展评估、耐药监测。现在，肿瘤被赋予了复杂分子生物学特征，单一组学特征谱不足以阐明，多组学技术监测则可全面指导诊疗全程。因此Biomarkers将来无论是早期、局部晚期，还是晚期，它具有全程监测的作用，这个作用日益受到大家的关注。
仍有诸多困难与挑战需要面对，但随着大数据AI的发展，检测技术与设备的发展，尤其多组学联合检测策略的实施，大大地提高了作用
由于肺癌肿瘤的生物学异质性问题，不可能只用一组指标来解决，因此我们还要有标本与检测的质控、检测技术的标准化、检测设备与灵敏度、海量数据与生物信息学、模型与算法等等，因此还是存在很多的困难与挑战。随着大数据AI的发展，检测技术与设备的发展，尤其是多组学联合检测策略的实施，大大地提高了诊疗水平。
这里简要介绍一下大数据近年来在各个领域的快速进展。大数据与AI，也就是所谓的智慧医疗，在呼吸乃至整个医疗方面飞速进展，在肺癌方面取得了很大进步。我们知道健康医疗大数据的特征是除具有大数据的4V特性外，还具有健康领域大数据的独特特征。
这便是健康医疗大数据的4V特征。新一代AI模拟人类大脑神经网络传递的深度学习算法，自动归纳抽取源数据中的特征，在医疗大数据挖掘中体现出人脑无法达到的巨大优势。基于深度学习的AI技术不再需要专家对数据进行预处理。AI擅长于对医学图像的自动识别和诊断：病理和影像是热点领域。
因此基于大数据AI的肺癌的将来治疗模式一定是影像、临床、组织学、分子生物学、Big Data，通过AI进行进一步的分析，对疾病进行检测，以及对治疗做出推荐，这是整个将来基于大数据AI的诊疗模式。
实际上大数据和AI这些年研究越来越多，文章也越来越多，逐步倾向于成熟，尤其是在影像技术和病理诊断方面都有很好的展示。影像学是AI最早应用的医学领域之一，其中放射学（胸片、CT）比核医学应用更加成熟。放射学：结节识别、图像分割、特征提取、模型学习、鉴别随访。核医学：单个像素提取、分析定量参数（SUV值、代谢肿瘤体积、病变总糖酵解率等）、模型学习、鉴别随访。
图上为AI与病理诊断。图下为我们团队与高科技研发企业的合作，这个合作是人工智能细胞病例，我们叫计算机辅助病理诊断。这是我们以AI-ROSE取的一个标本，通过云传输给平台，而云平台会对标本进行读片，发现癌细胞。就这样可以立即终止诊断，送病理科出报告。这个流程较病理科医生的床旁操作更为快捷。因此我们认为这是非常好的并且有发展前景的一项技术。
总体来说感觉无论大数据还是临床数据，我们要把生物技术和信息技术人工智能融合起来，这是一个很大的策略，即生物技术＋信息技术。我们把生物信息技术整合omics临床的影像技术综合进行深度学习、机器学习形成AI，对临床决策提供参考依据，这是未来的总体策略。
大数据与AI也存在一系列的临床挑战，比如说模型的问题，安全性的问题，共享的问题，质量的问题以及一系列标准化模型方法学的问题。由于进展非常迅速，我想在不久的将来这些问题都会得到一定的解决，我对此还是抱有信心。
这张图片来自文献学习，它非常好的展示了现在与未来的研究方向与方法。现在我们有很多的RCT的研究，或者真实世界的公共数据，我们可以获取临床信息、影像信息、生物学信息，将这些大数据融合起来进行AI的分析，就是把医学的Omics和有结论的研究结合起来，通过大数据来分析对这个患者下一步的诊断、治疗、临床决策提供支持依据，供临床医生参考。当然，这张图还有另一层意义，还可以指导我们设计一系列基础研究药物的开发和临床研究。因此接下来我们更重要的任务是结合临床数据和公共数据，通过AI技术给临床医生提供临床帮助。
专家介绍
陈良安
解放军总医院全军呼吸病研究所所长；中华医学会呼吸病分会副主委；中国医师协会呼吸分会副会长；中华医学会内科学分会主任委员；全军呼吸病专业委员会主任委员；北京医学会呼吸分会候任主委；中华医学会呼吸分会肺癌学组组长；承担863项目首席、国家及军队30余项课题，获国家科技进步二等奖及省部级奖项等10项；发表论文300余篇，主（参）编专著12部。获白求恩式好医生、中国优秀呼吸医师、政府特殊津贴专家等荣誉。
联系客服
