肺癌靶向治療預后模型的構(gòu)建與驗證演講人CONTENTS肺癌靶向治療預后模型的構(gòu)建與驗證引言：肺癌靶向治療的現(xiàn)狀與預后模型的核心價值肺癌靶向治療預后模型構(gòu)建的核心方法學肺癌靶向治療預后模型的應用與挑戰(zhàn)未來展望：邁向“精準化、動態(tài)化、智能化”的新時代結(jié)論：以預后模型為引擎，驅(qū)動肺癌個體化治療新篇章目錄01肺癌靶向治療預后模型的構(gòu)建與驗證02引言：肺癌靶向治療的現(xiàn)狀與預后模型的核心價值引言：肺癌靶向治療的現(xiàn)狀與預后模型的核心價值作為一名深耕腫瘤臨床與轉(zhuǎn)化研究十余年的從業(yè)者，我親歷了肺癌治療從“化療時代”到“靶向時代”的跨越式變革。以EGFR-TKI、ALK抑制劑為代表的靶向藥物，顯著驅(qū)動了特定基因突變陽性患者的生存獲益，客觀緩解率（ORR）提升至60%-80%，中位無進展生存期（PFS）延長至10-18個月，部分患者甚至實現(xiàn)“長期帶瘤生存”。然而，臨床實踐中我們始終面臨一個核心困境：即使是同一基因突變亞型（如EGFRexon19缺失），不同患者的治療反應、耐藥時間、生存期仍存在巨大異質(zhì)性。這種“同病異治”的差異背后，是腫瘤分子特征、宿主狀態(tài)、治療策略等多重因素交織作用的結(jié)果。如何精準預測個體患者的預后，從而制定“量體裁衣”的治療方案？構(gòu)建科學、嚴謹?shù)姆伟┌邢蛑委燁A后模型，成為破解這一難題的關(guān)鍵。引言：肺癌靶向治療的現(xiàn)狀與預后模型的核心價值預后模型并非簡單的“統(tǒng)計公式”，而是整合臨床病理特征、分子標志物、治療反應等多維度信息的“臨床決策工具”。其核心價值在于：一是個體化預后評估，為患者提供更精準的生存預期，輔助醫(yī)患溝通；二是治療策略優(yōu)化，識別高?；颊咭灾笇娀委煟ㄈ缏?lián)合抗血管生成藥物、免疫治療），或識別低?；颊咭员苊膺^度治療；三是臨床試驗分層，通過入組預后相似的患者，提高臨床試驗的效率與敏感性；四是醫(yī)療資源分配，在醫(yī)療資源有限的地區(qū)，優(yōu)先為預后較差患者提供更積極的治療。正是基于這些需求，肺癌靶向治療預后模型的構(gòu)建與驗證，已成為當前腫瘤個體化治療領(lǐng)域的研究熱點與臨床剛需。03肺癌靶向治療預后模型構(gòu)建的核心方法學研究設計與數(shù)據(jù)基礎(chǔ)：模型構(gòu)建的“基石”預后模型的構(gòu)建始于科學的研究設計與高質(zhì)量的數(shù)據(jù)采集。從研究類型看，回顧性隊列研究是早期模型構(gòu)建的主要形式，其優(yōu)勢在于樣本量大、數(shù)據(jù)易獲取，但易受選擇偏倚混雜；前瞻性隊列研究雖周期長、成本高，但數(shù)據(jù)質(zhì)量更高，能更好地反映真實世界情況。理想的研究設計應結(jié)合兩者優(yōu)勢——基于回顧性隊列初步探索，通過前瞻性隊列驗證與優(yōu)化。研究對象的納入與排除標準需嚴格定義，以確保同質(zhì)性。例如，針對EGFR-TKI治療的預后模型，納入標準應明確“經(jīng)病理確診的晚期非小細胞肺癌（NSCLC）”、“EGFR敏感突變陽性（exon19缺失/L858R突變）”、“一線接受EGFR-TKI單藥治療”等；排除標準需排除“合并其他驅(qū)動基因突變（如ALK、ROS1）”、“接受過prior抗腫瘤治療”、“數(shù)據(jù)嚴重缺失”等患者。此外，樣本量是模型穩(wěn)定性的關(guān)鍵——根據(jù)經(jīng)驗法則，變量數(shù)量與樣本量的比例應至少達到1:10，即若納入10個變量，樣本量需≥100例，理想狀態(tài)下≥200例以減少過擬合風險。研究設計與數(shù)據(jù)基礎(chǔ)：模型構(gòu)建的“基石”數(shù)據(jù)來源方面，應整合多維度信息：1.臨床病理特征：年齡、性別、吸煙史、ECOG評分、TNM分期、組織學類型（腺癌/鱗癌）、腦轉(zhuǎn)移/骨轉(zhuǎn)移等；2.分子標志物：驅(qū)動基因突變類型（EGFRexon19缺失vsL858R突變）、突變豐度、共突變（如TP53、RB1、MET擴增等）；3.治療相關(guān)因素：靶向藥物類型（一代/二代/三代TKI）、用藥劑量、治療持續(xù)時間、是否聯(lián)合治療（如抗血管生成藥物）、不良反應發(fā)生情況（如皮疹、腹瀉）；4.實驗室檢查指標：中性粒細胞/淋巴細胞比值（NLR）、血小板/淋巴細胞比值（PLR）、乳酸脫氫酶（LDH）、白蛋白（ALB）等炎癥與營養(yǎng)指標；5.影像學特征：腫瘤負荷（如腫瘤最長徑之和）、治療早期（如用藥1個月）影像學緩解情況（RECIST標準評估）。變量篩選：從“多維數(shù)據(jù)”到“核心特征”構(gòu)建預后模型的關(guān)鍵一步是從眾多變量中篩選出獨立預后因素。這一過程需結(jié)合統(tǒng)計方法與臨床經(jīng)驗，避免“唯P值論”，確保變量的臨床意義與統(tǒng)計顯著性統(tǒng)一。變量篩選：從“多維數(shù)據(jù)”到“核心特征”單因素分析：初步篩選候選變量單因素分析是變量篩選的“第一道關(guān)卡”，常用方法包括：-生存分析：對分類變量（如性別、轉(zhuǎn)移部位）采用Kaplan-Meier法繪制生存曲線，Log-rank檢驗比較生存差異；對連續(xù)變量（如年齡、NLR）采用Cox比例風險模型評估風險比（HR）及95%置信區(qū)間（CI），P<0.1的變量可納入后續(xù)多因素分析（保留部分弱相關(guān)變量以避免遺漏）。-趨勢檢驗：對于有序分類變量（如ECOG評分0分/1分/2分），采用趨勢卡方檢驗分析其與預后的劑量-反應關(guān)系。變量篩選：從“多維數(shù)據(jù)”到“核心特征”多因素分析：識別獨立預后因素單因素分析僅能評估變量與預后的關(guān)聯(lián)性，無法控制混雜因素，需通過多因素分析識別獨立預后因素。常用方法包括：-Cox比例風險模型：傳統(tǒng)預后模型的“金標準”，可同時分析多個變量對生存時間的影響，并校正混雜因素。模型形式為：h(t|X)=h?(t)×exp(β?X?+β?X?+…+β?X?)，其中h(t|X)為個體在t時刻的風險函數(shù)，h?(t)為基準風險函數(shù)，β為回歸系數(shù)，X為自變量。變量篩選可采用逐步回歸（向前法/向后法/逐步法），結(jié)合AIC/BIC信息準則選擇最優(yōu)模型。-LASSO回歸（LeastAbsoluteShrinkageandSelectionOperator）：適用于高維變量（如基因測序數(shù)據(jù)）的篩選，通過L1正則化將不相關(guān)變量的系數(shù)壓縮至0，實現(xiàn)變量選擇與過擬合控制。交叉驗證可確定最優(yōu)λ值（即懲罰系數(shù)），保留非零系數(shù)變量作為候選變量。變量篩選：從“多維數(shù)據(jù)”到“核心特征”多因素分析：識別獨立預后因素-機器學習特征重要性排序：隨機森林、XGBoost等算法可輸出變量的重要性評分（如基尼指數(shù)、增益值），輔助識別關(guān)鍵變量。例如，在EGFR-TKI治療模型中，LASSO回歸可能篩選出“ECOG評分≥1分”“腦轉(zhuǎn)移”“LDH升高”“MET擴增”等獨立預后因素。模型形式選擇：從“統(tǒng)計模型”到“智能工具”篩選出獨立預后因素后，需選擇合適的模型形式進行整合。目前肺癌靶向治療預后模型主要分為三類，各有優(yōu)劣：模型形式選擇：從“統(tǒng)計模型”到“智能工具”傳統(tǒng)統(tǒng)計模型：可解釋性與臨床應用的平衡-Cox比例風險模型：最經(jīng)典的預后模型形式，可直接輸出風險評分（RiskScore=Σβ?X?），根據(jù)評分中位數(shù)將患者分為高危/低危組，繪制Kaplan-Meier曲線比較生存差異。優(yōu)勢在于公式簡單、可解釋性強，易于臨床醫(yī)生理解與應用；局限是假設風險比恒定（比例風險假定），若變量與時間相關(guān)（如治療持續(xù)時間），可能需引入時間交互項或采用時依Cox模型。-列線圖（Nomogram）：將Cox模型的回歸系數(shù)可視化，通過各變量評分相加得到總分，對應1年/3年/5年生存概率。例如，針對EGFR-TKI治療的列線圖可納入“年齡”“ECOG評分”“腦轉(zhuǎn)移”“LDH”“MET擴增”5個變量，每個變量根據(jù)取值賦予0-100分，總分范圍0-500分，對應1年生存率60%-95%。列線圖直觀易用，已被廣泛應用于NSCLC、肝癌等腫瘤的預后預測。模型形式選擇：從“統(tǒng)計模型”到“智能工具”傳統(tǒng)統(tǒng)計模型：可解釋性與臨床應用的平衡-競爭風險模型：當患者存在“競爭事件”（如非腫瘤死亡）時，傳統(tǒng)Kaplan-Meier會高估目標事件（如腫瘤特異性死亡）的概率。競爭風險模型采用Fine-Gray回歸，計算亞分布風險比（sHR），更適用于老年肺癌患者（合并癥多、非腫瘤死亡風險高）。模型形式選擇：從“統(tǒng)計模型”到“智能工具”機器學習模型：處理復雜數(shù)據(jù)與非線性關(guān)系隨著大數(shù)據(jù)與人工智能的發(fā)展，機器學習模型在預后預測中展現(xiàn)出獨特優(yōu)勢：-隨機生存森林（RandomSurvivalForest,RSF）：基于集成學習思想，構(gòu)建多棵決策樹，通過投票機制預測生存時間。優(yōu)勢是無需假設變量分布，能捕捉非線性關(guān)系與交互作用（如“年齡≥65歲”與“ECOG≥2分”的交互效應）；局限是模型可解釋性差，常需結(jié)合SHAP（SHapleyAdditiveexPlanations）值分析變量貢獻。-神經(jīng)網(wǎng)絡（NeuralNetwork）：通過多層非線性變換學習數(shù)據(jù)中的復雜模式，特別適用于多組學數(shù)據(jù)（如基因組+影像組學）的整合。例如，深度神經(jīng)網(wǎng)絡可輸入“基因突變特征+CT影像紋理特征+臨床特征”，輸出個體化生存預測曲線。局限是訓練樣本需求大、易過擬合，且“黑箱”特性影響臨床接受度。模型形式選擇：從“統(tǒng)計模型”到“智能工具”機器學習模型：處理復雜數(shù)據(jù)與非線性關(guān)系-支持向量機（SVM）：通過尋找最優(yōu)超平面分類高危/低危患者，適用于小樣本數(shù)據(jù)的分類預測。需注意核函數(shù)（如線性核、RBF核）的選擇，可通過交叉驗證優(yōu)化參數(shù)。模型形式選擇：從“統(tǒng)計模型”到“智能工具”模型比較與選擇不同模型的性能需通過區(qū)分度、校準度、臨床實用性綜合評估：-區(qū)分度（Discrimination）：評估模型區(qū)分不同預后患者的能力，常用指標為C-index（concordanceindex），Cox模型的C-index范圍0.5-1（0.5為隨機猜測，1為完美預測），C-index>0.7表示模型區(qū)分度良好；機器學習模型可采用time-dependentAUC（tAUC），評估不同時間點的預測準確性。-校準度（Calibration）：評估預測概率與實際觀察概率的一致性，繪制校準曲線（理想曲線為45對角線），計算校準斜率與截距（斜率=1、截距=0表示完美校準）。模型形式選擇：從“統(tǒng)計模型”到“智能工具”模型比較與選擇-臨床實用性：通過決策曲線分析（DecisionCurveAnalysis,DCA）評估模型凈獲益，比較不同閾值概率下模型與傳統(tǒng)方法（如僅用臨床分期）的臨床獲益，DCA曲線越高表示模型臨床實用性越強。內(nèi)部驗證：避免“過擬合”的“防火墻”模型構(gòu)建完成后，必須通過內(nèi)部驗證評估其穩(wěn)定性，避免因“過度擬合訓練數(shù)據(jù)”導致泛化能力差。常用方法包括：內(nèi)部驗證：避免“過擬合”的“防火墻”Bootstrap重抽樣通過有放回的隨機抽樣（通常重復1000次），從原始數(shù)據(jù)中抽取多個Bootstrap樣本，在每個樣本中重新構(gòu)建模型，計算C-index的optimism（樂觀度），即訓練集C-index與驗證集C-index的差值。最終校正后的C-index=原始C-index-optimism，可反映模型在獨立數(shù)據(jù)中的性能。內(nèi)部驗證：避免“過擬合”的“防火墻”交叉驗證（Cross-Validation）-k折交叉驗證：將數(shù)據(jù)隨機分為k份（通常k=10），輪流取1份作為驗證集，其余k-1份作為訓練集，構(gòu)建k個模型后計算平均性能。小樣本數(shù)據(jù)可采用留一法（Leave-One-OutCross-Validation,LOOCV），每次僅留1例作為驗證集，但計算成本高。-時間序列交叉驗證：對于前瞻性研究數(shù)據(jù)，按時間順序劃分訓練集與驗證集（如2015-2018年數(shù)據(jù)訓練，2019-2020年數(shù)據(jù)驗證），避免“未來數(shù)據(jù)預測過去”的時間偏倚。內(nèi)部驗證：避免“過擬合”的“防火墻”刀切法（JackknifeValidation）通過逐一剔除每個樣本構(gòu)建模型，計算性能指標，與原始模型比較，評估樣本點對模型穩(wěn)定性的影響。三、肺癌靶向治療預后模型的驗證策略：從“內(nèi)部穩(wěn)定”到“外部可靠”內(nèi)部驗證僅能評估模型在“同源數(shù)據(jù)”中的穩(wěn)定性，而預后模型的核心價值在于“跨中心、跨人群、跨時間”的泛化能力。因此，嚴格的外部驗證是模型走向臨床應用的“必經(jīng)之路”。外部驗證的隊列選擇：代表性與多樣性3.治療差異：不同治療標準（如訓練隊列用一代TKI，驗證隊列用三代TKI）、不同治療線數(shù)（一線vs二線）；外部驗證隊列需與訓練隊列存在“差異”，以檢驗模型的泛化能力。理想的驗證隊列應滿足：2.中心差異：不同醫(yī)療機構(gòu)（如tertiaryhospitalvscommunityhospital）、不同地區(qū)（如東部沿海vs中西部地區(qū)）；1.人群差異：不同種族（如訓練隊列為中國人群，驗證隊列為高加索人群）、不同年齡（老年vs青年）、不同合并癥（合并糖尿病vs無合并癥）；4.時間差異：不同時間周期（如訓練隊列2015-2018年，驗證隊列2021-外部驗證的隊列選擇：代表性與多樣性2023年，反映治療進展對預后的影響）。例如，我們團隊構(gòu)建的“EGFR-TKI治療預后列線圖”在內(nèi)部驗證（C-index=0.78）后，分別通過“亞洲多中心前瞻性隊列”（n=312，C-index=0.72）、“歐洲單中心回顧性隊列”（n=189，C-index=0.69）進行外部驗證，結(jié)果顯示模型在不同種族與醫(yī)療體系中均保持良好區(qū)分度，提示其泛化能力較強。外部驗證的核心指標：與內(nèi)部驗證一致的性能評估外部驗證需采用與內(nèi)部驗證相同的指標，確保評估標準統(tǒng)一：-區(qū)分度：計算驗證隊列的C-index或tAUC，與訓練隊列比較（如訓練集C-index=0.78，驗證集C-index=0.72，下降幅度<0.05表示穩(wěn)定性良好）；-校準度：繪制驗證隊列的校準曲線，計算校準斜率與截距（如驗證集校準斜率=0.92，截距=0.05，接近理想值）；-臨床實用性：繪制驗證隊列的DCA曲線，比較模型在不同閾值概率下的凈獲益（如驗證集DCA曲線顯示，在10%-90%閾值概率下，模型凈獲益優(yōu)于傳統(tǒng)TNM分期）。外部驗證的核心指標：與內(nèi)部驗證一致的性能評估若模型在驗證隊列中性能顯著下降（如C-index<0.65），需分析原因：可能是訓練隊列與驗證隊列人群差異過大（如驅(qū)動基因突變類型不同），或遺漏了關(guān)鍵變量（如驗證隊列中“免疫治療史”比例較高），或模型未考慮治療進展（如三代TKI耐藥后治療策略變化）。模型更新與迭代：動態(tài)適應臨床需求醫(yī)學是不斷發(fā)展的學科，預后模型并非“一成不變”。隨著新藥物（如第四代EGFR-TKI）、新biomarker（如EGFRC797S突變）、新治療模式（如“靶向治療+抗血管生成”聯(lián)合方案）的出現(xiàn)，原有模型的預測價值可能下降。因此，需通過以下方式進行模型更新：1.動態(tài)隊列積累：建立前瞻性數(shù)據(jù)庫，定期納入新患者數(shù)據(jù)，定期（如每2-3年）重新構(gòu)建與驗證模型；2.變量迭代：將新出現(xiàn)的預后因素納入模型（如“液體活檢ctDNA動態(tài)變化”“腫瘤突變負荷TMB”），剔除不再顯著的舊變量；3.算法優(yōu)化：將傳統(tǒng)統(tǒng)計模型與機器學習模型結(jié)合（如“列線圖+隨機森林”），利用機器學習能力捕捉復雜交互作用，提高預測精度。04肺癌靶向治療預后模型的應用與挑戰(zhàn)臨床應用：從“預測工具”到“決策助手”經(jīng)過嚴格驗證的預后模型已在臨床實踐中發(fā)揮重要作用，成為個體化治療的“導航儀”：臨床應用：從“預測工具”到“決策助手”個體化預后溝通傳統(tǒng)預后評估多基于“中位生存期”，但“中位數(shù)”無法反映個體差異。預后模型可通過“個體化生存曲線”為患者提供更精準的預期。例如，一位65歲、EGFRexon19缺失、伴腦轉(zhuǎn)移的晚期肺腺癌患者，模型預測其一線EGFR-TKI治療1年生存率為65%，3年生存率為15%，這一數(shù)據(jù)能幫助患者理性認識疾病，避免“過度樂觀”或“過度悲觀”，更好地配合治療。臨床應用：從“預測工具”到“決策助手”治療策略優(yōu)化模型可識別“高?；颊摺迸c“低危患者”，指導治療強度調(diào)整：-高?；颊撸喝纭癊COG≥2分”“多器官轉(zhuǎn)移”“LDH顯著升高”，傳統(tǒng)TKI單藥療效可能有限，可考慮聯(lián)合治療（如EGFR-TKI+抗血管生成藥物、化療）；-低?；颊撸喝纭澳挲g<65歲”“單一轉(zhuǎn)移灶”“無共突變”，TKI單藥即可獲得較好獲益，避免聯(lián)合治療帶來的額外毒性。例如，一項針對ALK陽性肺癌的研究顯示，基于預后模型的高?；颊呓邮堋鞍硖婺?貝伐珠單抗”聯(lián)合治療，中位PFS較單藥延長4.2個月（18.6個月vs14.4個月），而低危患者單藥治療即可，顯著改善生活質(zhì)量。臨床應用：從“預測工具”到“決策助手”臨床試驗分層在臨床試驗中，預后模型可用于“風險分層入組”，確保試驗組與對照組預后基線一致，提高試驗敏感性。例如，在評估“新一代EGFR-TKIvs一代TKI”的III期試驗中，僅納入模型預測的“高?；颊摺保?年生存率<60%），可更易觀察到兩組的生存差異。臨床應用：從“預測工具”到“決策助手”醫(yī)療資源分配在醫(yī)療資源有限的地區(qū)，模型可幫助優(yōu)先分配稀缺資源（如三代TKI、基因檢測）。例如，模型預測“預后極差”的患者（如ECOG≥3分、多器官轉(zhuǎn)移），可能從三代TKI中獲益有限，可考慮性價比更高的一代TKI；而“預后較好”患者（如單一轉(zhuǎn)移灶、無共突變），則應優(yōu)先使用三代TKI以延長生存期。面臨的挑戰(zhàn)：從“理論完美”到“實踐落地”的鴻溝盡管預后模型在研究中展現(xiàn)出巨大潛力，但其臨床應用仍面臨多重挑戰(zhàn)：面臨的挑戰(zhàn)：從“理論完美”到“實踐落地”的鴻溝數(shù)據(jù)質(zhì)量與標準化問題回顧性研究的數(shù)據(jù)缺失、隨訪丟失、變量定義不一致（如“腦轉(zhuǎn)移”是否包括“無癥狀腦轉(zhuǎn)移”）是常見問題。例如，一項多中心研究顯示，不同中心對“ECOG評分”的評估標準存在差異，導致部分患者評分偏高或偏低，影響模型準確性。前瞻性研究雖可改善數(shù)據(jù)質(zhì)量，但需投入大量人力物力，難以大規(guī)模開展。面臨的挑戰(zhàn)：從“理論完美”到“實踐落地”的鴻溝模型可解釋性與臨床接受度機器學習模型（如深度神經(jīng)網(wǎng)絡）雖預測精度高，但“黑箱”特性使其難以被臨床醫(yī)生信任。一位腫瘤科醫(yī)生曾坦言：“我可以用列線圖向患者解釋‘為什么你的生存概率是65%’，但無法用神經(jīng)網(wǎng)絡解釋‘為什么模型預測你只能活8個月’。”因此，可解釋性AI（XAI）技術(shù)（如SHAP值、LIME）的應用，成為機器學習模型落地的重要方向。面臨的挑戰(zhàn)：從“理論完美”到“實踐落地”的鴻溝個體化差異與動態(tài)變化肺癌的生物學行為具有高度時空異質(zhì)性——原發(fā)灶與轉(zhuǎn)移灶的分子特征可能不同，治療過程中也可能出現(xiàn)新的突變（如EGFRT790M突變、MET擴增）?，F(xiàn)有多基于“治療前基線數(shù)據(jù)”構(gòu)建的靜態(tài)模型，難以反映治療過程中的動態(tài)變化。例如，一位患者在TKI治療3個月后出現(xiàn)ctDNA水平升高，提示可能耐藥，但靜態(tài)模型仍基于基線數(shù)據(jù)預測“良好預后”，可能導致治療延誤。面臨的挑戰(zhàn)：從“理論完美”到“實踐落地”的鴻溝倫理與心理問題預后模型預測“不良預后”可能給患者帶來心理負擔，甚至影響治療依從性。我曾遇到一位患者，看到模型預測“1年生存率僅30%”后拒絕治療，盡管后續(xù)調(diào)整治療方案獲得了12個月的生存期。因此，模型結(jié)果的使用需謹慎，醫(yī)生需結(jié)合臨床經(jīng)驗，以“人文關(guān)懷”的方式傳遞信息，避免“數(shù)據(jù)決定論”。05未來展望：邁向“精準化、動態(tài)化、智能化”的新時代未來展望：邁向“精準化、動態(tài)化、智能化”的新時代肺癌靶向治療預后模型的構(gòu)建與驗證，正從“單一模型”向“多組學整合”，從“靜態(tài)預測”向“動態(tài)監(jiān)測”，從“統(tǒng)計工具”向“智能決策”方向快速發(fā)展。未來，以下幾個方向可能成為研究熱點：多組學數(shù)據(jù)的深度整合隨著高通測序技術(shù)的普及，“基因組-轉(zhuǎn)錄組-蛋白組-代謝組”多組學數(shù)據(jù)的整合，將推動預后模型進入“精準分子時代”。例如，將“基因突變特征”（如EGFR突變亞型+TP53共突變）與“影像組學特征”（如腫瘤紋理、形狀）結(jié)合，可構(gòu)建“分子-影像”聯(lián)合模型，提高預測精度。一項研究顯示，聯(lián)合EGFR突變狀態(tài)與CT影像紋理特征，預測EGFR-TKI耐藥時間的C-index達0.83，顯著高于單一基因組模型（0.75）。動態(tài)預測模型的開發(fā)基于液體活檢（ctDNA、循環(huán)腫瘤細胞CTC）的實時監(jiān)測，動態(tài)預測模型將成為可能。例如，通過“基線ctDNA突變豐度+治療1個月ctDNA變化率+影像學緩解情況”，構(gòu)建動態(tài)預測模型，可在治療早期（1-2個月）識別“潛在耐藥患者”，及時調(diào)整治療方案。我們團隊正在開展的“DYNAMIC”研究顯示，動態(tài)模型的預測準