由国际肺癌研究协会（IASLC）主办的2026年世界肺癌大会（WCLC）于当地时间9月12~15日在韩国首尔举行。作为全球肺癌领域规模最大、最具影响力的学术盛会，WCLC汇集了来自世界各地的专家学者，集中发布与探讨肺癌预防、筛查、诊断、基础研究与临床治疗的最新进展。

在9月14日举行的口头报告专场11（OA11）将聚焦“循环与人工智能驱动的肺癌生物标志物”，汇集ctDNA释放机制、循环蛋白优选、数字病理与机器学习预测模型等前沿探索。“2026WCLC中国医学论坛报学术联播”特为广大读者整理专场亮点内容，让我们一起先睹为快，共享学术盛宴！

英文标题：Multi-Omics of ctDNA Shedding Defines Ctnmb Staging and TME Heterogeneity in Early-Stage Lung Cancer

中文标题：ctDNA脱落的多组学分析定义早期肺癌的ctNMB分期与肿瘤微环境异质性

讲者：Zifan Li（北京大学人民医院）

报告时间：2026-09-14（周一）韩国时间 15:32-15:42

研究简介：循环肿瘤DNA（ctDNA）监测能够弥补传统影像学的滞后，实现肺癌复发的早期预警，但肿瘤本身不释放ctDNA的“非释放型”表型，始终是限制该技术普适应用的瓶颈——这类患者究竟预后更惰性，还是同样需要监测，此前并不清楚。本研究基于MEDAL队列（n=157，中位随访2250天），系统比较释放型与非释放型患者的无复发生存与术后ctDNA监测效能，并在LumpCure与LUNGCA-1队列中完成外部验证。结果显示，释放型表型在各队列中均呈现一致更差的无复发生存，且这一不良预后超越了传统pTNM分期的梯度；非释放型患者虽遵循常规分期，其复发前仍会释放ctDNA，同样具有术后监测价值。研究者据此构建了整合术前ctDNA释放状态与cTNM的cTNMB分期系统，其预后判断优于传统cTNM，并纠正了对临床I期患者的风险低估——术前ctDNA阳性强烈提示影像学隐匿的淋巴结转移（OR=13.79）。多组学分析进一步显示，释放型肿瘤具有更高恶性度，表现为TP53突变与广泛的基因组不稳定。

英文标题：Prioritizing Circulating Proteins for Lung Cancer Risk Stratification Through Integrated Evidence

中文标题：通过整合证据优选循环蛋白用于肺癌风险分层

讲者：吕章艳（天津医科大学肿瘤医院）

报告时间：2026-09-14（周一）韩国时间 15:42-15:52

研究简介：循环蛋白是反映肺癌易感性的重要中间表型，但既往研究较少系统整合观察性、遗传学与中介证据来优选蛋白并评估其风险分层价值。本研究基于英国生物样本库49370名基线无癌参与者（随访期间新发肺癌444例），采用Olink平台检测基线血浆蛋白组，通过多因素Cox回归分析循环蛋白与肺癌及其主要组织学亚型的关联，并借助基于顺式pQTL的孟德尔随机化与中介分析提供遗传与因果层面的证据，按证据一致性将蛋白分为Tier1至Tier5。研究最终优选出10个Tier1-Tier2蛋白，其中与肺癌总体相关的包括CTBS、IL19、RNASET2、STX4、TNFRSF4与LXN，与肺鳞癌相关的为AGER与ST13，与肺腺癌相关的为TREM2，与小细胞肺癌相关的为ANXA5；部分蛋白还中介了肥胖及生活方式暴露对亚型特异性肺癌风险的影响。在预测价值上，将6个优选蛋白纳入传统模型后，肺癌风险预测的AUC由0.830提升至0.837，纳入TREM2后肺腺癌模型AUC由0.831提升至0.846，显示出循环蛋白在风险分层中的增量价值。

英文标题：Predicting NSCLC Neoadjuvant Immunotherapy Response Using H&E-Derived T-Cell States via Deep Learning

中文标题：基于深度学习的H&E来源T细胞状态预测NSCLC新辅助免疫治疗应答

讲者：Dongshen Li（广东省人民医院）

报告时间：2026-09-14（周一）韩国时间 15:52-16:02

研究简介：新辅助免疫治疗显著改善了可切除非小细胞肺癌患者的结局，但疗效异质性大，且缺乏可靠的预测标志物。肿瘤微环境中T细胞的功能状态（如耗竭程度）是免疫检查点抑制剂疗效的关键决定因素，然而依赖转录组测序精确刻画T细胞状态评分成本高、质控复杂，难以常规应用。本研究建立了基于多示例学习（MIL）的深度学习流程，收集未经治疗NSCLC患者的H&E全切片图像，并以匹配RNA-seq计算的8项T细胞功能状态评分（涵盖细胞毒性、辅助、增殖与耗竭等）作为真实标签，基于CLAM架构训练回归模型，直接从常规H&E图像推断病理来源的T细胞状态评分（pTCSS），进而预测新辅助免疫治疗的病理学缓解。初步结果显示，该模型能够有效从常规H&E切片中学习与T细胞状态相关的空间病理特征，其预测的pTCSS与RNA-seq来源评分具有良好一致性，关键状态相关系数约r=0.5（增殖0.570、细胞毒性0.570、衰老0.541、辅助0.543）。研究者认为，这一数字病理策略有望成为预测新辅助免疫治疗个体化疗效的可扩展、低成本工具。

英文标题：Explainable Machine Learning Model to Predict High-Grade Adverse Events in Neoadjuvant Chemo-Immunotherapy for NSCLC: A Multicenter Study

中文标题：可解释机器学习模型预测NSCLC新辅助化学免疫治疗高级别不良事件：一项多中心研究

讲者：Fei-Hang Zhi（上海市肺科医院）

报告时间：2026-09-14（周一）韩国时间 16:02-16:12

研究简介：可切除非小细胞肺癌的新辅助化学免疫治疗虽显著提高病理缓解率，但高级别治疗相关不良事件（≥3级）发生率较高，而可用于提前识别高危患者的预测工具仍然有限。本研究开展了一项大规模多中心研究，以上海市肺科医院队列作为发现集（n=823，按7∶3划分训练集与测试集），以上海长海医院与宁波二院队列作为独立外部验证集（n=124），通过单因素与多因素分析结合方差膨胀因子筛选特征，系统比较13种机器学习算法的AUC与决策曲线，并采用SHAP分析量化特征贡献。结果显示，≥3级治疗相关不良事件发生率为46.14%，且发生高级别不良事件的患者主要病理学缓解率显著更高，提示不良事件严重程度与治疗反应之间可能存在关联。CATBoost模型表现最优（测试集AUC 0.795，外部验证AUC 0.824）。SHAP分析显示，标准剂量强度与基线中性粒细胞绝对值偏低是高级别不良事件最主要的驱动因素。研究者认为，该模型有助于在治疗前识别高危患者，为个体化干预（如治疗前生理状态优化、加强监测与主动剂量调整）提供依据。

2026WCLC中国医学论坛报学术联播

邀您一起快意研究前沿，畅享学术盛宴还在等什么？

扫描二维码，加入我们！