2025 ELCC｜APOLLO11研究：AI可预测NSCLC免疫治疗长期生存结果
2025 ELCC｜APOLLO11研究：AI可预测NSCLC免疫治疗长期生存结果的核心信息是什么？
前言 2025年欧洲肺癌大会（2025 ELCC）于当地时间3月26日-29日在法国巴黎隆重举行。作为专注于肺癌及其相关领域的顶级国际学术会议之一，此次大会将聚焦肺癌诊疗的前沿进展，汇聚全球专家学者，共同探讨最新的研究成果，分享实践经验，共同推动肺癌诊疗水平的持续进步。 本次大会中， 多中心APOLLO11研究公布了 人工智能（AI）预测非小细胞肺癌（NSC...
前言 2025年欧洲肺癌大会（2025 ELCC）于当地时间3月26日-29日在法国巴黎隆重举行。作为专注于肺癌及其相关领域的顶级国际学术会议之一，此次大会将聚焦肺癌诊疗的前沿进展，汇聚全球专家学者，共同探讨最新的研究成果，分享实践经验，共同推动肺癌诊疗水平的持续进步。 本次大会中， 多中心APOLLO11研究公布了 人工智能（AI）预测非小细胞肺癌（NSCLC）免疫治疗长期生存结果 ， 【ONCO前沿】 特此整理摘要内容，以飨读者！ 属于「ONCO前沿」分类。 关键词：人工智能、免疫治疗、非小细胞肺癌、总体生存率。 本文由 TalkMED 拓麦医学编辑团队审核发布，内容来源清晰、引用完整，符合平台编辑方针和利益冲突披露政策。
本文核心问答
Q1: 该研究的关键数据和临床意义是什么？
我们使用基于机器学习（ML）的生存分析（Cox-ML 和生存 ML 模型）来评估总生存期（OS），并使用分类模型（逻辑回归和随机森林）来预测长期生存（OS ≥ 24 个月）。作为专注于肺癌及其相关领域的顶级国际学术会议之一，此次大会将聚焦肺癌诊疗的前沿进展，汇聚全球专家学者，共同探讨最新的研究成果，分享实践经验，共同推动肺癌诊疗水平的持续进步。本次大会中， 多中心APOLLO11研究公布了 人工智能（AI）预测非小细胞肺癌（NSCLC）免疫治疗长期生存结果 ， 【ONCO前沿】 特此整理摘要内容，以飨读者！摘要号：11 MO 01 研究背景 预测非小细胞肺癌（NSCLC）免疫治疗（IO）的长期疗效是个性化治疗中面临的一项关键挑战。
Q2: 这篇文章的来源和作者资质如何？
发布于2025-07-01。
Q3: 本文涉及哪些核心医学术语和研究方向？
本文围绕「2025 ELCC｜APOLLO11研究：AI可预测NSCLC免疫治疗长期生存结果」主题，涉及人工智能、免疫治疗、非小细胞肺癌、总体生存率等核心术语和研究方向。文中涉及的核心术语定义：ELCC即欧洲肺癌大会（European Lung Cancer Congress）；IO即免疫肿瘤学（Immuno-Oncology）；OS即总生存期（Overall Survival），从随机化到任何原因死亡的时间；ECOG即美国东部肿瘤协作组（Eastern Cooperative Oncology Group）体能评分；PD-L1即程序性死亡配体-1（Programmed Death-Ligand 1），肿瘤免疫逃逸关键分子。。研究方法方面，统计分析采用机器学习方法等方法。04 研究结论 我们的研究结果仅基于临床和实验室数据，与LIPI和EPSILON等已建立的评分系统一致。
Q4: 该研究采用了什么研究设计和方法？
本研究采用临床试验和真实世界研究设计。主要终点指标包括总生存期（OS）、生活质量评分。
2025年欧洲肺癌大会（2025 ELCC）于当地时间3月26日-29日在法国巴黎隆重举行。作为专注于肺癌及其相关领域的顶级国际学术会议之一，此次大会将聚焦肺癌诊疗的前沿进展，汇聚全球专家学者，共同探讨最新的研究成果，分享实践经验，共同推动肺癌诊疗水平的持续进步。
本次大会中，多中心APOLLO11研究公布了人工智能（AI）预测非小细胞肺癌（NSCLC）免疫治疗长期生存结果，【ONCO前沿】特此整理摘要内容，以飨读者！
摘要号：11MO
01
研究背景
预测非小细胞肺癌（NSCLC）免疫治疗（IO）的长期疗效是个性化治疗中面临的一项关键挑战。精准的IO预后评估尤为重要，尤其对于年轻患者，因为它有助于规划生活。与化疗相比，IO能提供更好的生活质量，这凸显了可靠预测的必要性。近年来，利用AI技术分析真实世界临床和实验室数据的进展，展示了AI在构建IO预后预测模型中的作用。
02
研究方法
我们分析了APOLLO11研究（NCT05550961）中1,031名接受IO治疗的IIIB-IV期NSCLC患者数据，这些患者来自意大利的6家机构。我们使用基于机器学习（ML）的生存分析（Cox-ML 和生存 ML 模型）来评估总生存期（OS），并使用分类模型（逻辑回归和随机森林）来预测长期生存（OS ≥ 24 个月）。为了优化长期生存患者的识别，我们实施了多种包含成本敏感调整的模型。可解释性技术用于识别关键特征。
03
研究结果
最佳模型是COX-ML和Extra Survival Trees，在交叉验证和测试集上的C指数分别达到了0.7（±0.02）和0.68。通过SHAP分析证实，高ECOG体能状态（PS）、胸腔积液、肝转移和骨转移、PD-L1阴性以及鳞状细胞组织学类型与较高风险密切相关。该分类模型预测长期生存的准确率为0.78，AUC为0.77。SHAP进一步识别出低ECOG体能状态、较年轻、高淋巴细胞计数以及低 NLR（中性粒细胞/淋巴细胞比值）是长期生存的关键变量。
04
研究结论
我们的研究结果仅基于临床和实验室数据，与LIPI和EPSILON等已建立的评分系统一致。AI 方法提升了预测性能，证实了真实世界数据的价值及其进一步优化的潜力。识别IO长期生存患者至关重要，使临床医生能够提供更具针对性的指导，特别是针对有重要生活规划的年轻患者。开发具有成本效益且可解释的AI模型，有助于确保可及性和透明度，并促进临床医生与患者之间的共同决策。
参考文献：
Vanja Miskovic, et al. 2025 ELCC, Abstract 11MO.责任编辑丨Edwina
版权声明：本平台旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。仅供医疗卫生专业人士为了解资讯使用，该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台及作者不承担相关责任。合作联系邮箱：ONCO@edoctor.work。
本文涉及的主要医学术语
文中涉及的核心术语定义：ELCC即欧洲肺癌大会（European Lung Cancer Congress）；IO即免疫肿瘤学（Immuno-Oncology）；OS即总生存期（Overall Survival），从随机化到任何原因死亡的时间；ECOG即美国东部肿瘤协作组（Eastern Cooperative Oncology Group）体能评分；PD-L1即程序性死亡配体-1（Programmed Death-Ligand 1），肿瘤免疫逃逸关键分子。
本文研究方法与设计类型
本研究采用临床试验和真实世界研究设计。统计分析采用机器学习方法等方法。
本文临床背景与意义
本文属于人工智能、免疫治疗、非小细胞肺癌等医学领域。04 研究结论 我们的研究结果仅基于临床和实验室数据，与LIPI和EPSILON等已建立的评分系统一致。。该研究评估的终点指标包括总生存期（OS）、生活质量评分。
引用格式：2025 ELCC｜APOLLO11研究：AI可预测NSCLC免疫治疗长期生存结果. 发布日期：2025-07-01. 来源：TalkMED拓麦. URL: https://portal.talkmed.com/news/2355
分享
收藏
点赞
