肺癌前病变研究进展篇——《中国恶性肿瘤学科发展报告（2024）》 |
|
2025-08-19 09:00 |
|
|
|
随着CT分辨率的提升、肺癌筛查的普及和公众健康意识的增强，全球每年肺结节检出率高达31%。肺结节作为肺癌早期表现形式之一，存在30%~40%恶性转化风险。国内外研究表明，将严格把控肺结节早诊早治端口作为肺癌早期筛查的落脚点，对改善患者预后和降低死亡率具有重要意义。
肺结节被定义为最大径≤3 cm的局灶性、类圆形、较肺实质密度增高的实性或亚实性阴影，可为孤立性或多发性，不伴肺不张、肺门淋巴结肿大和胸腔积液。目前，低剂量螺旋CT 扫描（Low-dose computed tomography，LDCT）仍然是肺结节早期筛查的核心工具。但每次影像随访间隔多久？何时终结？何时手术介入？无病理支持的手术存在假阳性高的风险；过早的手术切除，会导致过早的器官损伤和肺功能损失等等客观存在问题导致临床决策失衡，且给患者带来严重身心、经济负担。
中西医结合在肺结节防治中展现出独特优势，包括填补手术与随访观察“中间地带”；协同增效，减少结节恶变风险；多学科协作提高全程管理效率等，发挥西医的精准性的同时，也体现了中医的整体调理能力，有助于形成肺结节“早期筛查-精准干预-全程管理”的闭环体系，为降低肺癌发病率和改善患者预后提供中国方案。本报告将系统梳理国内外肺结节研究进展，就学科未来发展趋势与对策提供新方向。
2.1.1.1 仪器设备：智能化与精准化并行
①AI赋能影像设备的临床应用：AI辅助诊断系统基于深度学习技术，通过分析海量影像数据智能初筛中高危肺结节患者，实施结构化随访管理并动态监测结节形态学变化。临床应用中，系统自动生成包含结节三维定位、磨玻璃特征分析及恶性风险评估的结构化报告（准确率达主治医师水平）。采用“AI初判-医师复核-上级审核”三级诊断模式，通过人机协同交叉验证构建质控屏障，显著降低误漏诊率。
②光子计数CT（PCCT）实现技术突破：传统CT采用闪烁体探测器将X线转换为可见光再形成电信号（间接转换），此过程存在信号损失、分辨率受限等问题。PCCT探测器像素面积缩小至传统1/9，实现微米级空间分辨率与直接光子-电信号转换，可清晰辨识早期肺癌毛玻璃结节、微血管斑块等细微病变。联影医疗牵头，联合中山医院、瑞金医院等产业链上下游单位和高校，启动了“光子计数能谱CT研发”项目，有望填补我国在这一前沿领域的技术空白。
③分子生物学检测设备的创新：液体活检技术（如ddPCR、NGS）与影像数据结合，通过检测血液或其他体液中的循环肿瘤DNA（ctDNA）、循环肿瘤细胞（CTCs）、外泌体（Exosomes）等生物标志物，预测结节的恶性风险。
2.1.1.2 检测方法：多模态数据融合与深度学习突破
①多模态数据融合模型：多模态融合模型通过整合影像、文本、基因组与临床数据，显著提升肺癌早期诊断的敏感性与特异性，推动诊疗流程向无创化、动态化、个体化转变。李为民教授团队提出了一个分类驱动的中国肺结节报告和数据系统（C-Lung-RADS），该系统通过分阶段的方法，对肺结节进行精细化的风险分层，同时也能够通过多模态数据（影像、临床和随访数据）的融合，精确识别出恶性结节，优化医疗资源分配。
②影像组学与机器学习结合：影像组学通过四步流程（图像预处理、肿瘤分割、特征提取、临床预测）将影像转化为高维特征，结合支持向量机（SVM）、深度学习算法构建预测模型，可非侵入性评估结节的恶性程度及基因特性。
③深度学习计算机辅助诊断模型：基于3D卷积神经网络（CNN）的深度学习模型突破传统2D-CNN局限，精准提取肺结节三维空间特征。通过融合空间-切片注意力机制与可变形卷积模块，实现对CT序列中结节时空特性的动态解析，有效鉴别真性结节与假阳性病灶，显著优化肺结节良恶性判别效能。
2.1.1.3 数据分析：从单一影像到多组学整合
①影像组学的深化与标准化：影像组学通过从CT图像中提取高通量特征（如形状、纹理、小波特征等），结合机器学习算法（支持向量机、随机森林等），显著提升了肺结节的良恶性鉴别和侵袭性评估能力。
②多组学数据整合与生物标志物发现：国内研究团队通过整合基因组、蛋白组、代谢组、表观遗传组等多组学数据，揭示肺结节恶性转化的分子机制，并挖掘新型生物标志物。例如同济大学刘海鹏团队蛋白修饰多组学揭示肺结节“癌变”的信号机制；MISSION项目整合影像组学、液体活检（ctDNA甲基化、突变谱）、代谢组学等数据，构建AI模型以实现肺结节良恶性鉴别的精准化；陆军军医大学团队通过分析血液中游离DNA的甲基化和突变特征，结合临床数据构建联合诊断模型，敏感性和特异性分别达80%和85.7%。
③人工智能驱动的多模态融合分析：AI技术在多组学数据整合中发挥核心作用，典型应用包括：华西医院团队通过单细胞转录组和全外显子测序，结合机器学习算法Ecotyper，识别出6种多细胞生态位（LMEs），揭示肺腺癌从磨玻璃结节向实性癌进展的免疫微环境动态；MISSION项目基于多时间节点的液体活检数据，构建肺结节恶变预警模型，提升术后监测的灵敏性。
[1] 国家自然科学基金面上项目, 肺结节建模与特征分析关键技术研究, 61873117, 66万, 鲁东大学
[2] 国家自然科学基金面上项目, 深度学习在肺小结节个性化随访中的算法和应用研究, 61976238, 57万元, 复旦大学
[3] 国家自然科学基金面上项目, 基于CT影像特征和基因标志物构建恶性肺小结节精准诊断模型的方法学研究, 82173617, 55万, 首都医科大学
[4] 国家自然科学基金面上项目, 基于预后的肺亚实性结节人工智能辅助影像决策系统的建立, 81971616, 53万, 中国医学科学院肿瘤医院
[5] 国家自然科学基金面上项目, 肺磨玻璃结节演进不同阶段的多模态无创预测模型建立, 82370100, 48万, 四川大学
[6] 国家自然科学基金面上项目, 基于大数据的Markov模型应用于我国肺结节管理决策的研究, 72274127, 45万, 首都医科大学
[7] 国家自然科学基金面上项目, 基于多维融合信息的肺结节检测与良恶性鉴别, 61373088, 76万, 沈阳航空航天大学
[8] 国家自然科学基金面上项目, 基于高分辨率影像的肺结节演化建模研究, 62172309, 61万, 武汉大学
[9] 国家自然科学基金面上项目, 基于跨模态数据知识联合驱动的肺结节检测算法研究, 62176230, 59万, 浙江大学
[10] 国家自然科学基金面上项目, 用于肺结节持续监测的大样本电阻抗图像重建模型, 62072335, 57万, 天津工业大学
[11] 国家自然科学基金面上项目, CCL5/CCR5调节肺血管内皮动员肺结节微环境免疫调控的研究, 82170110, 54万, 复旦大学
[12] 国家自然科学基金面上项目, 智能化肺结节辅助诊断中的人工智能技术研究, 61771397, 64万, 西北工业大学
[13] 国家自然科学基金面上项目, 应用人工智能和融合多模态信息构建肺结节良恶性的多种病理类型辅助诊断模型的关键技术研究, 62171261, 56万, 山东大学
[14] 国家自然科学基金面上项目, 用于恶性肺结节胸腔镜术中定位的联合间接配准与分割可解释性学习模型及其优化算法, 62273155, 53万, 华南理工大学
[15] 国家自然科学基金面上项目, 融合CT图像与临床多源异构信息的时空长短期记忆网络肺亚实性结节生长预测模型的研究, 82271994, 52万, 中国人民解放军第二军医大学
[16] 国家自然科学基金青年科学基金项目, 基于IFN-γ介导CXCL9+TAMs/CD8+T细胞通讯探究升陷汤干预Pg异位阻延肺结癌转化的分子机制，82405354,30万, 成都中医药大学
[17] 国家自然科学基金青年科学基金项目, 基于Delta影像组学的肺结节演化模式识别和随诊时机动态决策, 82304215, 30万, 中国医学科学院基础医学研究所
[18] 国家自然科学基金青年科学基金项目, 基于血浆cfDNA甲基化的肺结节良恶性鉴别及早期肺癌SBRT预后预测的研究, 82303577, 30万, 中山大学
[19] 国家自然科学基金青年科学基金项目, 基于知识图谱和深度学习的肺结节良恶性评估及生长方式可视化预测, 82102157, 24万, 中南大学
[20] 国家自然科学基金青年科学基金项目, 白细胞端粒长度对健康体检人群中肺结节良恶性鉴别诊断的评价与应用研究, 82304227, 30万, 重庆医科大学
[21] 国家自然科学基金青年科学基金项目, 肺癌前病变-不典型腺瘤样增生病变中杂合性缺失和抑癌基因异常甲基化表达的研究, 81101480, 22万, 首都医科大学
[22] 国家自然科学基金青年科学基金项目, 基于深度集成学习的多模态肺结节检测研究, 61902282, 23万, 天津师范大学
[23] 国家自然科学基金青年科学基金项目, 白介素-27在肺结节病发病机制中作用的探索, 81600050, 18万, 中国医学科学院北京协和医院
[24] 国家自然科学基金青年科学基金项目, 基于可解释性征象学习的恶性肺结节识别算法研究, 62106248, 30万, 中国科学院大学宁波华美医院
[25] 国家自然科学基金青年科学基金项目, 基于混合成像的孤立性肺结节计算机辅助诊断方法, 61202163, 24万, 太原理工大学
[26] 国家自然科学基金青年科学基金项目, 基于终身学习与联邦学习构建预测肺结节生长风险模型的研究, 82202148, 30万, 华中科技大学
[27] 国家自然科学基金青年科学基金项目, 基于超高分辨细胞微结构三维成像的磨玻璃肺结节瘤周放射组学特征研究, 82102128, 30万, 浙江中医药大学
[28] 国家自然科学基金青年科学基金项目, 基于基线CT放射组学的肺亚实性结节生长模式预测及分子病理基础研究, 81701692, 20万, 中国医学科学院肿瘤医院
[29] 国家自然科学基金青年科学基金项目, 建立单链DNA连接靶向双组学测序技术用于肺结节良恶性鉴别诊断的研究 82302652, 30万, 杭州医学院
[30] 国家自然科学基金青年科学基金项目, 联合PET/CT图像影像组学数据与机器学习技术鉴别孤立性肺结节良恶性、病理分型及基因突变, 81901816, 22万, 中国医科大学
[31] 国家自然科学基金青年科学基金项目, 肿瘤浸润NK细胞免疫检查点分子促进亚实性结节型肺腺癌逃逸免疫监视的机制研究, 82303150, 30万, 北京大学
[32] 四川省重大科技专项项目, 重大慢病的中医药诊疗体系构建与示范推广（肺结节/早期肺癌的中医药诊疗体系构建与示范推广）, 2022ZDZX0022, 600万, 成都中医药大学附属医院
[33] 广东省自然科学基金面上项目, 外周血巨噬细胞因子Apo10及TKTL1作为标志物鉴别非钙化型肺结节良恶性的研究, 2022A1515011329, 10万元, 中山大学
[34] 四川省中医药管理局科学技术研究专项重大项目, 基于肺结节/早期肺癌类器官的中医药研究创新团队, 2023ZD06, 100万, 成都中医药大学附属医院
[35] 中央引导地方科技发展资金项目, 基于ERBB2条件性过表达构建AAH-GGN型肺癌前病变类器官模型及中医经方药效物质研究, 2022ZYD0100, 40万，成都中医药大学附属医院
[1] 国家重点研发计划: 肺外周结节疾病群精准诊疗体系的建立和示范推广研究
[2] 国家重大研究计划: 早期肺癌影像、病理与多组学融合的智能诊断与预后判断
[3] 国家重点研发计划: 呼吸系统疾病临床研究大数据与生物样本库平台
[4] 国家重点研发计划: 面向肺部微小结节的支气管介入诊断机器人技术与系统研制
[5] 国家重点研发计划: 评价在穿刺手术导航定位系统辅助下行肺结节经胸壁穿刺定位活检安全性的单中心临床研究
[6] 国家重点研发计划: 基于液体活检技术的常见恶性肿瘤筛查及早诊技术研发与评价研究项目
[7] 国家重点研发计划: 益气除痰优化方预防高危肺结节进展的临床研究
[8] 国家重大研究计划: 肺结节病的免疫分子机制及干预研究
[9] 钟声计划: ctDNA甲基化高通量检测用于肺部结节良恶性诊断和监测的临床研究
[10] MISSION计划: 暨基于多组学的肺小结节良恶性鉴别诊断前瞻性多中心临床研究
肺结节活检前后生物标志物变化及其临床意义的多中心研究
[11] 浙江省重点尖兵项目: 基于生长规律与多源组学的肺亚实性结节个性化智能诊疗系统研发
（1）国家呼吸医学中心：以中日友好医院为主体设置国家呼吸医学中心、以广州医科大学附属第一医院为主体设置国家呼吸医学中心（广东），联合北京协和医院、复旦大学附属中山医院、四川大学华西医院、华中科技大学同济医学院附属同济医院、中山大学附属第一医院等54家单位组成协同研究网络，核心技术包括多模态影像平台与液体活检实验室。率先推行了机器人辅助下的肺结节冷冻消融手术；率先建立覆盖全国的呼吸专科联合体；开发“肺结节影像咨询云平台”。
（2）国家癌症中心：依托中国医学科学院肿瘤医院，协助卫生部制订全国癌症防治规划；建立全国癌症防治协作网络，组织开展肿瘤登记等信息收集工作；拟订诊治技术规范和有关标准；推广适宜有效的防治技术，探索癌症防治服务模式；开展全国癌症防控科学研究。获批专利授权300余项，多项研究成果被NCCN等国际和国内权威指南采纳，牵头注册临床研究365项，参与72种抗肿瘤药物注册临床试验，占同期全部上市药物的85%，推动优替德隆、达尔西利、氟唑帕利等国产原研创新药物上市。
（3）上海市呼吸病研究所：由复旦大学附属中山医院主导，联合华东医院、瑞金医院等50余家上海医疗机构共同组建。利用人工智能辅助诊断早期肺癌，牵头制定“亚太肺结节评估指南”和中国首个“肺结节诊治”共识，开创了中国呼吸界牵头国际指南历史，研发BaiDX物联网肺结节诊断系统，激光共聚焦技术，物联网辅助肺癌靶向治疗管理系统。2012年建立中国肺癌防治联盟，在全国120家大学医院与710余家地市级和县级医院建立肺结节诊治分中心，在亚太呼吸学会、斯里兰卡推广肺结节评估指南。
（4）华西医院呼吸与危重症医学科：依托呼吸和共病全国重点实验室（华西）、华西呼吸和共病研究院等研究机构，先后成功开展西部地区首例经电磁导航支气管镜肺结节活检术、亚洲首例肺气肿热蒸汽消融术以及全国首例国产机器人辅助经支气管镜肺结节活检术等标志性新技术。牵头承担国家科技重大专项《肺结节人工智能精准甄别技术研发及应用研究》，创新性地建立了适合我国人群的肺癌筛查新方案及早期肺癌智能化甄别新方法，显著提高了肺癌早期诊断率。
（1）四川大学华西医院李为民/王成弟团队
Ø 研究方向：肺癌早诊早治及肺部感染关键技术开展临床与转化研究。
Ø 核心成果：①率先提出“超早期肺癌”的概念。②创新薄层重建LDCT肺癌筛查新技术，建立中国版智能化肺结节恶性风险评估及精准处理体系。③创建肺癌早筛早诊早治华西方案，使早期肺癌诊断率从15.2%提高至40.2%；肺癌五年生存率从19.7%提升至45.6%。④创建疑难呼吸疾病分子及影像前沿诊疗技术，实现超早期肺癌及疑难呼吸疾病精准诊治。⑤创建肺部微生物分子诊断新技术及呼吸疾病AI辅助诊断决策系统，实现疑难肺部疾病精准诊治。⑥中国肺结节智能恶性风险分级及精准管理系统C-Lung-RADS，基于12万例中国人群肺部影像超大数据集建立影像、临床、随访多模态融合模型，可利用深度学习算法精准诊断高危肺结节、通过多模态融合模型全面评估结节良恶性。⑦“肺癌早期精准诊断关键技术的建立与临床应用”项目获2020年度国家科学技术进步奖二等奖。
Ø 国际影响：将肺癌高危人群定义为≥40岁，有任一危险因素（吸烟和曾经吸烟、慢性肺部疾病、环境或职业暴露、肺癌家族史等），这部分人群行LDCT筛查已写入《肺癌筛查与管理中国专家共识》，并被纳入《健康中国行动》计划。
（2）成都中医药大学由凤鸣团队
Ø 研究方向：肺结节/早期肺癌的中西医结合防治研究
Ø 核心成果：①基于单细胞转录组学、3D类器官、基因编辑等技术，率先成功构建多基因背景驱动的全链条、多节点肺癌前病变动物模型，首次证实磨玻璃样结节和部分实性结节型肺腺癌侵袭和转移中细胞组成和免疫应答的显著异质性。②初步建立中医药防肺结节/早期肺癌的电子数据采集系统（EDC），累计录入信息资源30000余条。③在中医原创理论认知方面，团队以“玄府气液”等理论指导肺结节的时序性病机认识，并在临床中实践和丰富其病机演变关键要素，为探索中医药防治肺结节的诊疗方案提供了研究思路和理论支撑。
Ø 国际影响：相关研究成果发表于《Molecular Cancer》（中科院1区TOP，IF= 33.9）、《International Journal of Surgery》（中科院2区TOP，IF= 12.5）、《Journal of Translational Medicine》（中科院2区，IF= 6.1）等。
（3）北京康益德中西医结合肺科医院董瑞团队
Ø 研究方向：中西医结合防治肺结节及肺癌的理论与临床转化
Ø 核心成果：①创立了“肺结节中医诊治理论体系”及“全周期管理方案”。②初步构建肺结节病证的中医学诊疗体系，确立阳虚、痰湿、血瘀、气郁4种体质和肺脾肾阳虚导致痰瘀毒损伤肺络为主证候。③建立了肺结节“早期筛查评估、中医辨证施治、外科手术干预、术后防复发、肺癌晚期关怀”的“全周期”管理方案。④推出了中医防治肺结节“董氏金甲散结膏＋董氏散结茶＋董氏桃白羹＋艾灸＋膻中穴埋针＋通络操”六位一体综合治疗方案。已累计诊治肺结节患者人数达2.3万余人，跨31个省市，覆盖各类人群，长期跟踪和随访病例超过呼吸科门诊人数的30%，诊治缩、小消退率达39.46%。
（4）陆军军医大学第二附属医院戴纪刚团队
Ø 研究方向：肺小结节、早期肺癌的精准诊断和微创外科治疗。
Ø 核心成果：①开展磨玻璃结节肺癌的人工智能精准诊断和3D重建下精准微创切除。②率先开展了肺磨玻璃结节无创定位技术、肺磨玻璃结节人工智能诊断技术、亚肺叶切除新术式等一系列开创性新技术。③开发了人工智能诊断分析技术系统、精准无创液体活检的临床诊断体系，使其肺结节的诊断准确率达98%。④成立“肺磨玻璃结节诊治中心”和“中国胸外科联盟重庆肺结节诊疗中心”，诊治肺磨玻璃结节病例数、手术台数和质量均居全国领先地位。
（5）首都医科大学附属北京中医医院杨国旺团队
Ø 研究方向：中西医结合防治肺结节及早期肺癌的理论研究与临床实践。
Ø 核心成果：①创新中医诊疗方案：基于对肺结节核心病机为气郁、气虚乃至阳虚而致痰瘀蕴肺的深刻认识，团队以健脾益气、疏肝理气、化痰散结、软坚破瘀、抗癌消瘤为治法，形成了特色鲜明的中医诊疗方案。②构建全周期诊疗体系：打造了从肺结节早期筛查，到肺癌术后康复、中晚期综合治疗的全周期诊疗链。③推动学术与临床发展：团队积极参与行业交流，承办如中华中医药学会临床优势病种系列沙龙（肺结节专题）等活动，与多领域专家共同探讨中医在肺结节治疗中的优势与研究方向。同时，团队开展基于数据挖掘的研究，深入剖析治疗肺结节的用药规律和学术思路，为临床实践提供更坚实的理论支撑，在中西医结合防治肺结节及肺癌领域持续发挥引领作用。
①国际肺癌风险预测模型：Bach、PLCOm2012、LCRAT/LCDRAT等美国主流模型，以及HUNT、OWL、UCLI/UCLD、LLPv2/v3等新模型。牛津大学和诺丁汉大学的研究人员开发的“CanPredict”模型，在英国肺癌筛查中敏感性更优，能涵盖5年、6年和10年的预测。
②多组学整合与AI赋能：德国慕尼黑技术大学开发GRAPE-Net算法，基于组织切片图像实现肺腺癌/鳞癌及不同级别癌前病变的自动分层，准确率超传统方法；新加坡2025年批准LungVision平台，将术中X光实时转化为CT影像，显著提升肺结节活检精度。
③癌前图谱开发：从癌前病变发展为浸润性癌症，需要全面整合信息，从遗传数据到细胞间如何互作，再到肿瘤微环境的空间描述。作为人类肿瘤图谱网络（Human Tumor Atlas Network）的一部分，美国国家癌症研究所正在支持癌前图谱（Pre-Cancer Atlas）的开发，以此来表征从癌前状态到恶性状态的转变。
④早期肺癌CT筛查的多维度优化：筛查前整合临床风险因素与生物标志物，优化LDCT筛查对象选择；筛查中借助AI工具提升影像解读效率与准确性，应对工作量激增；筛查后筛查后借助半自动体积分析联合放射组学/生物标志物，增强肺结节表征与管理的预测价值。
当前，国际研究强调多学科交叉与全球化协作，如NIST数据集共享计划、ISO/IEC医学影像标准制定及跨国多中心RCT研究等。技术突破不仅体现在单一模态优化，更在于AI算法原创性、基因编辑产业化及液态活检标准化等维度，整体形成“数据驱动-精准干预-全程管理”的学科生态。
3.1.2.1 影像技术与AI的深度融合
①深度学习计算机辅助诊断模型：深度学习技术被广泛用于影像分析，如自动检测肺结节、量化体积变化及预测恶性概率。国际研究显示，深度学习癌症风险模型 Sybil能够在国家肺部筛查试验测试集中预测短期和长期肺癌风险，使用过去15年收集的低剂量胸部 CT 筛查扫描，Sybil在美国和台湾的不同患者群体中保持了准确性。
②影像组学的标准化与多模态整合：影像组学通过提取结节的高通量特征（纹理、形状等），结合机器学习算法构建预测模型，用于评估结节的侵袭性和基因特性。例如，国外有研究结合放射组学和深度学习方法，实现对肺腺癌谱系病变的准确风险分层。此外，国际多中心数据库（如TCGA）的建立，推动了数据标准化与跨机构合作。
3.1.2.2 分子标志物与液体活检技术的突破
①液体活检的应用：通过检测循环肿瘤DNA（ctDNA）的甲基化、突变谱等特征，液体活检技术成为非侵入性诊断的重要手段。例如，国际团队开发出第一个mdMSP平台测定OX17、CDO1、TAC1和HOXA7四种甲基化生物标志物，以改善液体活检检测早期肺癌，报告结果显示该检测能将肺癌CT筛查的假阳性率降低79%。
②单细胞技术与类器官模型：单细胞测序技术用于解析肺结节微环境的细胞异质性，识别关键免疫调控靶点。类器官模型的构建则助力药物敏感性测试，推动个体化治疗方案的开发。
3.1.2.3 微创治疗与新兴技术
①机器人辅助精准治疗：机器人导航下的微创手术（如氩氦刀冷冻消融）通过三维重建实现病灶精准定位，减少传统穿刺风险，尤其适用于多发结节或高龄患者。此外，光学相干断层扫描（OCT）和拉曼光谱技术可在术中快速鉴别结节性质，提升手术成功率。
②纳米传感器与远程监测：纳米传感器技术推动家庭医疗的发展，患者可通过便携设备实现肺结节的远程动态监测，数据实时传输至医疗中心进行分析。
[1] Lung Nodule Detection using Deep Learning, NLST-388
[2] Liquid biopsy of solitary pulmonary nodule with extracellular vesicles, NIH #1R37CA255948-01A1.
[3] DECAMP-1: Diagnosis and Surveillance of Indeterminate Pulmonary Nodules (DECAMP-1), NCT 01785342, NIH U01CA196408
[4] Utility of CAML as Diagnostic for Early Stage Lung Cancer, NCT03992183
[5] 18F-FSPG PET/CT in Diagnosing Early Lung Cancer in Patients With Lung Nodule, NCT03824535, NCI-2019-00177
[6] A Combined Biomarker Model for Risk Stratification of Indeterminate Pulmonary Nodules, NCT06074133, NCI 5R01CA252964-02
[7] Integrating Telehealth to Advance Lung Cancer Screening (ITALCS), NIH P50CA271338, NCT 06638554
[8] Centralized Lung Cancer EARly Detection Among Smokers (CLEAR Study), NCT04200534, NCI-2019-05127
[9] Volatolomic and Proteomic Profile for Early Diagnosis of Lung Cancer, NCT06341387, R178522-ieo1906
[10] Testing Tumor Tissue and Blood to Help Select Personalized Treatments for Patients With Suspected Lung Cancers, NCT04712877
[11] Collection of Sputum and Labeling for Lung Cancer, NCT03457415
[12] Determination and Validation of a Multi-analyte Assay for Lung Cancer Screening, NCT04968548
[1] P4.04C.01 Incidental Pulmonary Nodule Management Using Computer Assisted Detection and Patient Tracking: PINPOINT Project
[2] 20-year Follow-up of theInternational Early Lung Cancer Action Program (I-ELCAP)
[3] Occurrence and lung cancer probability of new solid nodules at incidence screening with low-dose CT: analysis of data from the randomised, controlled NELSON trial
[4] 4-IN THE LUNG RUN: towards INdividually tailored INvitations, screening INtervals, and INtegrated co-morbidity reducing strategies in lung cancer screening
3.3.1.1 政策支持与公共卫生战略
《健康中国行动——癌症防治行动实施方案（2023—2030年）》将肺癌早诊上升为国家战略，推动LDCT筛查技术优化及资源下沉。相较之下，国外筛查普及受限于卫生经济学成本，我国政策导向更强调普惠性。
3.3.1.2 本土化风险分层系统的突破
我国学者基于12万中国人群的影像、临床及随访数据，开发了适合中国人群的肺结节风险分级系统C-Lung-RADS，其敏感度（87.1%）显著优于国际标准Lung-RADS（63.3%），能精准识别高危结节并减少漏诊。该系统融合多模态数据，提出分阶段评估策略，为个性化管理提供依据。
3.3.1.3 早诊技术突破与效率提升
我国在肺癌早诊技术上取得显著进展，例如上海市肺科医院团队建立的肺癌小标本快速分子分型检测路径，使初诊患者确诊时间缩短至4个工作日，远超欧美国家的6周水平。同时，搭载C-Lung-RADS的智慧健康管理车已应用于基层，推动优质医疗资源向欠发达地区延伸。
3.3.1.4 大规模多中心临床研究积累
国内研究依托海量患者数据，结合AI技术构建预测模型，显著提升诊断效能。例如，钟文昭教授团队基于超过1200例早期肺腺癌患者的影像数据、人工智能结合基因组、转录组和预后信息等信息，构建出了一套分类体系，不仅能将需干预肺结节及早的甄别出来，还可通过影像可预判早期肺腺癌的发生、发展趋势和预后评估。
3.3.1.5 多学科协作与技术创新
国内研究强调呼吸科、胸外科、影像科等多学科协作，例如通过AI辅助诊断系统实现结节自动分类与量化分析，缓解基层影像科医生工作压力。
3.3.2.1 筛查策略的过度诊疗问题突出
我国LDCT筛查普及后，女性肺腺癌过度诊断率高达88%，主要因筛查人群泛化（未严格限定高危人群）及对惰性结节（如纯磨玻璃结节）过度干预。相较之下，欧美国家更注重风险分层（如美国Lung-RADS仅推荐高危吸烟者筛查）。
3.3.2.2 影像诊断规范化不足
国内部分医疗机构存在影像报告模棱两可、随访标准不统一等问题，导致患者焦虑或延误治疗。例如，约40%的肺结节因诊断不明确而被迫手术，其中部分为良性病变。
3.3.2.3 基础研究与机制探索深度欠缺
国外在肺结节分子机制（如表观遗传调控、免疫微环境）领域研究更系统，而我国更多聚焦临床应用。例如，肺结节恶性进展的脂筏形成机制等原创性基础研究仍需加强。
3.3.2.4 多学科协作与资源分配不均
尽管共识提倡MDT模式，但实际中跨学科协作仍存壁垒，基层医疗机构诊断能力薄弱，依赖远程会诊可能影响准确性。
【主编】
由凤鸣 成都中医药大学附属医院
杨国旺 首都医科大学附属北京中医医院
郑 川 成都中医药大学
【副主编】
任益锋 成都中医药大学
唐宋琪 海南医学院
由丽婷 四川大学华西医院
马 琼 成都中医药大学附属医院
李 柳 南京中医药大学
王 倩 成都中医药大学附属医院
【编委】（按姓氏拼音排序）
陈洪椿 陕西中医药大学附属医院
陈云凤 成都市中西医结合医院
付 西 四川省肿瘤医院
何佳玮 成都中医药大学
林 冰 成都中医药大学附属医院
毛宗译 成都中医药大学
阮广欣 上海中医药大学附属龙华医院
谭施言 成都中医药大学附属医院
吴涛羽 成都中医药大学
王梓帆 成都中医药大学
肖 冲 成都中医药大学附属医院
肖 平 四川省肿瘤医院
[1] Chinese Medical Education Association Lung Cancer Medical Education Committee, China Lung Cancer Coalition in Thoracic Surgery, Chinese Anti-Cancer Association Tumor Ablation Therapy Professional Committee, et al. Chinese Expert Consensus on Multidisciplinary Diagnosis and Treatment of Multiple Ground-Glass Nodular Lung Cancer (2024 version). Chinese Journal of Internal Medicine, 2024, 63(2): 153-169
[2] Kim YW, Kang HR, Kwon BS, et al. Low-dose chest computed tomographic screening and invasive diagnosis of pulmonary nodules for lung cancer in never-smokers. Eur Respir J, 2020, 56(5): 2000177.
[3] 中华医学会呼吸病学分会, 中国肺癌防治联盟专家组. 肺结节诊治中国专家共识（2024年版）[J]. 中华结核和呼吸杂志. 2024, 47(8): 716-729.
[4] 谭可欣, 郑佳彬, 张旭, 薛崇祥, 李嘉, 胡紫馨, 俞仪萱, 鲁星妤, 董慧静, 崔慧娟. 中医药在肺结节全程管理中的优势及展望[J]. 中医杂志, 2022, 63(14): 1388-1393.
[5] 刘玥, 王雨佳, 龚宇倩, 张陈旭宇, 沈其霖. 肺结节的中西医研究进展[J]. 湖南中医杂志, 2024, 40(12): 196-200.
[6] 钟慧, 杨厚义, 徐菁, 尹勇. 能谱CT辅助肺癌诊疗应用的研究进展[J].社区医学杂志, 2023, 21(11): 594-598.
[7] Zhou J, Wu Z, Hu J, Yang D, Chen X, Wang Q, Liu J, Dou M, Peng W, Wu Y, Wang W, Xie C, Wang M, Song Y, Zeng H, Bai C. High-throughput single-EV liquid biopsy: Rapid, simultaneous, and multiplexed detection of nucleic acids, proteins, and their combinations. Sci Adv. 2020, 6(47): eabc1204.
[8] 赵乘蔚, 张超群, 秦唯栋, 易云恒. 基于改进的ResNet-50深度学习的肺结节检测及其云端系统开发[J]. 现代计算机, 2024, 30(21): 187-193+205.
[9] Wang C, Shao J, He Y, Wu J, Liu X, Yang L, Wei Y, Zhou XS, Zhan Y, Shi F, Shen D, Li W. Data-driven risk stratification and precision management of pulmonary nodules detected on chest computed tomography. Nat Med. 2024, 30(11): 3184-3195.
[10] Ashraf SF, Yin K, Meng CX, Wang Q, Wang Q, Pu J, Dhupar R. Predicting benign, preinvasive, and invasive lung nodules on computed tomography scans using machine learning. J Thorac Cardiovasc Surg. 2022, 163(4): 1496-1505.e10.
[11] Zhang H, Peng Y, Guo Y. Pulmonary nodules detection based on multi-scale attention networks. Sci Rep. 2022, 12(1): 1466.
[12] Prosper AE, Kammer MN, Maldonado F, Aberle DR, Hsu W. Expanding Role of Advanced Image Analysis in CT-detected Indeterminate Pulmonary Nodules and Early Lung Cancer Characterization. Radiology. 2023 Oct;309(1):e222904.
[13] Warkentin MT, Al-Sawaihey H, Lam S, Liu G, Diergaarde B, Yuan JM, Wilson DO, Atkar-Khattra S, Grant B, Brhane Y, Khodayari-Moez E, Murison KR, Tammemagi MC, Campbell KR, Hung RJ. Radiomics analysis to predict pulmonary nodule malignancy using machine learning approaches. Thorax. 2024, 79(4): 307-315.
[14] Su H, Chen L, Wu J, Cheng Z, Li J, Ren Y, Xu J, Dang Y, Zheng M, Cao Y, Gao J, Dai C, Hu X, Xie H, Chen J, Luo T, Zhu J, Wu C, Sha W, Chen C, Liu H. Proteogenomic characterization reveals tumorigenesis and progression of lung cancer manifested as subsolid nodules. Nat Commun. 2025, 16(1): 2414.
[15] Rai SN, Das S, Pan J, Mishra DC, Fu XA. Multigroup prediction in lung cancer patients and comparative controls using signature of volatile organic compounds in breath samples. PLoS One. 2022, 17(11): e0277431.
[16] Liu QX, Zhou D, Han TC, Lu X, Hou B, Li MY, Yang GX, Li QY, Pei ZH, Hong YY, Zhang YX, Chen WZ, Zheng H, He J, Dai JG. A Noninvasive Multianalytical Approach for Lung Cancer Diagnosis of Patients with Pulmonary Nodules. Adv Sci (Weinh). 2021, 8(13): 2100104.
[17] Deng Y, Xia L, Zhang J, Deng S, Wang M, Wei S, Li K, Lai H, Yang Y, Bai Y, Liu Y, Luo L, Yang Z, Chen Y, Kang R, Gan F, Pu Q, Mei J, Ma L, Lin F, Guo C, Liao H, Zhu Y, Liu Z, Liu C, Hu Y, Yuan Y, Zha Z, Yuan G, Zhang G, Chen L, Cheng Q, Shen S, Liu L. Multicellular ecotypes shape progression of lung adenocarcinoma from ground-glass opacity toward advanced stages. Cell Rep Med. 2024, 5(4): 101489.
[18] Ren YF, Ma Q, Zeng X, Huang CX, Ren JL, Li F, Tong JJ, He JW, Zhong Y, Tan SY, Jiang H, Zhang LF, Lai HZ, Xiao P, Zhuang X, Wu P, You LT, Shi W, Fu X, Zheng C, You FM. Single-cell RNA sequencing reveals immune microenvironment niche transitions during the invasive and metastatic processes of ground-glass nodules and part-solid nodules in lung adenocarcinoma. Mol Cancer. 2024, 23(1): 263.
[19] Ma Q, Huang CX, He JW, Zeng X, Qu YL, Xiang HX, Zhong Y, Lei M, Zheng RY, Xiao JJ, Jiang YL, Tan SY, Xiao P, Zhuang X, You LT, Fu X, Ren YF, Zheng C, You FM. Oral microbiota as a biomarker for predicting the risk of malignancy in indeterminate pulmonary nodules: a prospective multicenter study. Int J Surg. 2025, 111(2): 2055-2071.
[20] Zeng X, Ma Q, Huang CX, Xiao JJ, Fu X, Ren YF, Qu YL, Xiang HX, Lei M, Zheng RY, Zhong Y, Xiao P, Zhuang X, You FM, He JW. Diagnostic potential of salivary microbiota in persistent pulmonary nodules: identifying biomarkers and functional pathways using 16S rRNA sequencing and machine learning. J Transl Med. 2024, 22(1): 1079.
[21] Zheng D, Zhu Y, Zhang J, Zhang W, Wang H, Chen H, Wu C, Ni J, Xu X, Nian B, Chen S, Wang B, Li X, Zhang Y, Zhang J, Zhong W, Xiong L, Li F, Zhang D, Xu J, Jiang G. Identification and evaluation of circulating small extracellular vesicle microRNAs as diagnostic biomarkers for patients with indeterminate pulmonary nodules. J Nanobiotechnology. 2022, 20(1): 172.
[22] Li HJ, Qiu ZB, Wang MM, Zhang C, Hong HZ, Fu R, Peng LS, Huang C, Cui Q, Zhang JT, Ren JY, Jiang L, Wu YL, Zhong WZ. Radiomics-Based Support Vector Machine Distinguishes Molecular Events Driving the Progression of Lung Adenocarcinoma. J Thorac Oncol. 2025 Jan;20(1):52-64.
[23] 李明, 曹传武, 陈英群, 池嘉昌. 肺部多发磨玻璃结节中西医结合创新诊疗规范专家共识(2023版)[J]. 肿瘤, 2024, 44(05): 453-464.
[24] 杨国旺, 张兴涵, 张怀锐, 念家云, 于明薇. 肺结节中西医结合全程管理专家共识[J]. 中国实验方剂学杂志, 2024, 30(01): 149-159.
[25]Feng X, Goodley P, Alcala K, Guida F, Kaaks R, Vermeulen R, Downward GS, Bonet C, Colorado-Yohar SM, Albanes D, Weinstein SJ, Goldberg M, Zins M, Relton C, Langhammer A, Skogholt AH, Johansson M, Robbins HA. Evaluation of risk prediction models to select lung cancer screening participants in Europe: a prospective cohort consortium analysis. Lancet Digit Health. 2024, 6(9):e614-e624.
[26]Voigt W, Prosch H, Silva M. Clinical Scores, Biomarkers and IT Tools in Lung Cancer Screening-Can an Integrated Approach Overcome Current Challenges? Cancers (Basel). 2023, 15(4):1218.
|
| |
|
|
