2026年9月12日至15日，由国际肺癌研究协会（IASLC）主办的2026世界肺癌大会（WCLC 2026）在韩国首尔隆重召开。作为全球胸科肿瘤学领域规模最大、影响力最广的学术盛会，本届大会汇聚全球顶尖研究者、临床医生及患者倡导者，并将集中呈现肺癌诊疗领域的前沿突破与未来图景。
编者按：2026年9月12日至15日，由国际肺癌研究协会（IASLC）主办的2026世界肺癌大会（WCLC 2026）在韩国首尔隆重召开。作为全球胸科肿瘤学领域规模最大、影响力最广的学术盛会，本届大会汇聚全球顶尖研究者、临床医生及患者倡导者，并将集中呈现肺癌诊疗领域的前沿突破与未来图景。
本届大会上，广东省人民医院胸外科周海榆教授团队共有14项研究成果入选，覆盖术前预测、术中判断和预后监测等关键环节，系统构建早期肺癌人工智能（AI）全流程诊疗布局。《肿瘤瞭望》特邀周海榆教授及团队成员接受专访，围绕MaCTex、G-MAPS、CPT-STAS三项代表性研究及医工交叉模式展开深入对话，分享团队在肺癌精准智能诊疗领域的最新成果、临床转化经验与未来规划。
MaCTex
多模态AI辅助术中判断
卢瑛炜医生：术中冷冻切片（FS）是当前早期肺腺癌（LUAD）手术决策的主要依据，但其存在取材局限、诊断耗时及判读不一致等问题。因此，我们设想利用术前及术中的多维信息，对术中切除的肺结节进行病理诊断，以辅助手术决策。
本研究由广东省人民医院牵头，联合广东医科大学附属医院和梅州市人民医院等多中心单位，纳入2020年6月至2023年9月期间接受完整切除的IA期LUAD患者。收集术前1个月内的薄层胸部CT图像和文本报告、术中大体图像。术前CT影像主要包含结节的影像学特征；放射学报告包含影像科医生对胸部CT的解读；术中大体剖面图像则蕴含宏观病理信息。基于上述特征，我们构建MaCTex模型，用于LUAD的IASLC分级（AIS、MIA、IAC G1、IAC G2、IAC G3）的5分类预测，以术后石蜡病理作为金标准。
本研究共纳入三个中心1,424例患者的1,554个结节。其中，广东省人民医院纳入1,231例患者的1,344个结节，用于模型开发及内部五折交叉验证；广东医科大学附属医院和梅州市人民医院分别纳入111例患者的122个结节、82例患者的88个结节，作为两个外部测试集。研究整合CT图像、影像学报告和术中大体图像，用于AIS、MIA及浸润性腺癌G1、G2、G3的五分类预测。重点考察从单模态CT、CT联合文本到三模态融合模型MaCTex的性能变化，对应外科医生从术前阅片、结合影像学报告到术中观察标本切面的信息整合过程。
内部五折交叉验证结果显示，单模态CT模型的宏平均AUROC为0.817，加入文本报告后提高至0.855，进一步融合大体图像后，MaCTex达到0.892。在广东医科大学附属医院和梅州市人民医院两个外部测试集中，MaCTex的宏平均AUROC分别为0.868和0.849。这些结果提示，影像学报告和术中大体图像可能提供与CT互补的信息，有助于改善五分类判别性能。
需要强调的是，该模型并非旨在取代病理科医生或FS，而是辅助病理科医生及外科医生，在常规信息获取手段之外，提供额外的决策支持信息，以优化术中决策。未来仍需开展前瞻性研究，进一步优化多模态数据融合，以更好地贴合真实世界应用。
周海榆教授：术中诊断如何影响手术决策始终是外科医生关注的核心问题。如何提高术中快速诊断的效率和速度，指导手术决策，目前许多外科和病理科医生都在进行探索。这项研究提出了一种新思路——将术前影像文本、术中大体图像，以及术中快速应用的其他信息，包括H&E全切片图像（WSI），进行数据整合以不断提升效率，这种转化性研究具有重要意义。
T-PRISM
从H&E推导T细胞状态预测新辅助免疫疗效
李东燊医生：新辅助免疫治疗已显著改善可切除非小细胞肺癌（NSCLC）患者的预后，但并非所有患者均能达到病理完全缓解（pCR），治疗反应异质性显著，且目前仍缺乏稳健的预测生物标志物。现有研究如CheckMate-816和KEYNOTE-671均显示生存获益，但未达到pCR的患者仍面临检查点抑制剂相关不良反应风险。因此，本研究的目的是精准识别新辅助治疗中的获益人群。
肿瘤微环境中T细胞的功能表型（如耗竭状态）是免疫检查点抑制剂疗效的关键决定因素。尽管转录组学（RNA-seq）能精确分析T细胞状态评分（TCSS），但其高昂成本和复杂质控要求限制了常规临床应用。本研究建立了一种基于注意力门控多示例学习（ABMIL）算法的深度学习工作流程。收集未经治疗的NSCLC患者的H&E手术全切片图像，并利用匹配的RNA-seq数据计算多种T细胞状态分数（包括细胞毒性、辅助性、调节性、衰老、静息、增殖、祖细胞耗竭和终末耗竭等）作为真实标签。随后，我们开发了基于ABMIL架构的回归-分类模型，通过提取H&E图像特征预测病理衍生的T细胞状态评分（pTCSS）。在前期多中心合作中，我们于4个中心收集了900多张患者治疗前的活检穿刺切片，通过对病理组学及RNA-seq数据进行模型预训练，使模型掌握从H&E切片中识别T细胞状态的能力，从而进一步实现对新辅助治疗患者疗效的预测。
初步实验结果表明，该基于病理图像的深度学习回归-分类模型能够有效从常规H&E切片中学习并提取与T细胞状态相关的空间病理特征。在内部训练集的初步评估中，模型预测的pTCSS与RNA-seq衍生的真实T细胞状态表现出良好一致性。具体而言，对于关键T细胞状态，CLAM模型获得约r=0.5的相关性（例如，增殖性T细胞r=0.570，细胞毒性T细胞r=0.570，衰老T细胞r=0.541，辅助性T细胞r=0.543）。未来我们将开展前瞻性验证及更多中心的外部验证，以更好地指导新辅助治疗患者的方案决策。
周海榆教授：这项研究的意义在于，我们高度关注新辅助免疫治疗模式在NSCLC围术期中的作用，尽管其疗效显著，但仍存在一定的有效率和毒副作用问题，H&E WSI图像在一定程度上蕴含大量数字信息，这些信息尚待挖掘。既往我们利用空间转录组、单细胞测序等数据进行免疫微环境预以预测免疫疗效，而H&E图像可实现简易、廉价的快速评估。若仅从H&E图像中即可发现更多数据信息，进而提示或预测疗效，其意义可能更大。这种基于数字病理学的方法为预测NSCLC患者对新辅助免疫治疗的个体化反应提供极具前景的工具，有望促进临床实践中的术前风险分层和治疗决策。
CPT-STAS
虚拟PET无创预测气腔播散
黄振宇医生：气腔播散（STAS）是早期LUAD复发的关键风险因素，但其术前识别仍具挑战性。根据近期文献报道，STAS缺乏数据化的预测方式，且术中冰冻切片（FS）的效率和准确性有限，因此我们试图寻找一种可在术前更精准预测STAS状态的方法。
鉴于目前已有诸多CT影像组学研究可实现术前STAS预测，我们不仅关注CT，亦将PET纳入研究视野。然而，对于早期肺癌患者，PET-CT并非常规检查手段。因此，我们采用生成对抗网络（GAN），基于常规胸部CT生成虚拟PET，进而构建融合模型，尝试预测STAS状态。具体而言，我们招募了三家机构的1183名早期浸润性LUAD患者，采用Pix2pixHD GAN从CT生成合成PET图像，通过支持向量机（SVM）整合来自CT和合成PET的影像组学特征和代谢特征。使用受试者工作特征（ROC）分析、校准和决策曲线评估模型性能，通过亚组分析和无复发生存（RFS）结局进一步评估临床效用，同时利用影像基因组学识别分子相关性。
关于CPT-STAS多模态模型，合成PET图像对比于真实PET，其表现出高保真度。CPT-STAS模型在内部验证中达到AUC 0.845，与真实多模态模型相当（DeLong P=0.707），并在CTR（肿瘤实性成分占比）=1亚组中达到AUC 0.845。在外部测试中，CPT-STAS始终优于单模态模型。同时，高模型评分也与较差的无复发生存（RFS）显著相关（P<0.01）。影像基因组学揭示，该模型捕获了与侵袭性表型和代谢重编程相关的影像异质性。
关于生成的虚拟PET，我们认为，尽管PET可提供一定的代谢信息，但其并不能完全取代真实PET，仅可作为无法提供PET影像信息时的替代性手段。虚拟PET能否从预测走向指导临床决策，仍需更多中心前瞻性研究进一步验证。
周海榆教授：对于肺结节及早期肺癌1~3 cm病灶，PET-CT对实性结节在指南中仍有要求。对完全实性的1 cm以上实性结节，高度怀疑高危肺癌时，需进行PET-CT扫描。在预测肺癌高危程度（如病理高危亚型）方面，目前需通过CT或影像学特征，PET-CT在一定程度上也可以提示高危成分的存在及高危因素的相关性。我们通过模态生成方法，基于CT生成虚拟PET，在一定程度上减少PET检查需求，并通过多模态模型提升预测效能。CPT-STAS模型为LUAD术前STAS预测提供了一种稳健、经济有效的工具，通过整合合成代谢数据，有助于在不同临床环境中促进个体化手术决策和精确风险分层。
AI-MDT全流程闭环
从单点模型到围术期决策
翁锚涛博士：这个问题也是我们团队一直在思考及未来探索方向之一。正如前面所介绍的，我们既有术前的CPT-STAS预测，也有术中的大体图像结合CT预测整体肿瘤浸润程度，还有新辅助疗效预测及后续随访策略。我们更关注的是在不同临床场景中应用人工智能模型。因此，第一个挑战核心在于明确具体临床场景，针对每一类整合需求，选用不同的单点AI模型。
第二个挑战在于从实验室走向临床，需要模型具备可解释性，使医生信任AI模型。我们更关注每一个决策是否有迹可循，当AI决策与临床医生经验出现冲突时，能否复核决策来源，从而让医生更信任AI模式。
最后一个挑战是如何验证整体发展模式。AI模型本质上是辅助临床医务人员的工具，验证这些工具应真正回到临床。我们希望未来将研究拓展为真正的临床试验，在更大规模中进行验证。正如本届大会“IASLC-CAALC-CSCO联合专场”上所呼吁的，能否将中国的临床研究推向全球。我们期待在周海榆教授的带领下，团队相关研究能够进一步向前瞻性、多中心乃至国际化方向努力拓展。
将AI模型真正融入多学科诊疗（MDT）流程：第一，确定临床场景的使用；第二，使AI具备可行的设计，与多学科临床医生和工科专家进行互动与融合；第三，通过不同系统和中心乃至国际化的临床试验，使AI模型真正落地于临床实践。
医工交叉模式展望
团队方向与未来规划
周海榆教授：目前，我们团队的许多研究工作尚处于起步阶段。提升肺癌全程化智能管理模型，涉及防、筛、诊、治、康整个流程AI应用。这一过程需要工科、医科及各方面专家共同努力。
从防筛检板块来看，我们目前正逐步推进，特别是筛查中的高危判断等，通过影像判断可实现相对明确的判断。在诊断方面，重要方向是聚焦系统诊断疑难病例，通过多模态数据快速诊断，提升效能、效率及诊断速度，更快地辅助决策。这也是我们当前的工作和未来包括AI相关项目的探索路线。
在术中诊断板块，AI可用于术中智能导航项目，更好地实现术中智能导航结构虚拟成像，这可能对我们外科医生将有一定程度的帮助。团队主要聚焦于机器人手术方向，机器人手术与AI的融合，可能会是第六代、第七代机器人一个很好的探索方向之一。
在术后随访智能化方面，术后患者随访管理、复发监测仍是难点。我们相信，通过发展AI模型可以完善智能全流程个体化诊治流程，实现进一步肺癌全程管理规划。尽管这一目标尚需时日，但我们需要通过交叉学科一起努力共同研发，包括成熟的、算法软件及新兴人工智能企业的深度参与，进一步通过前瞻性对照临床研究进行分析和验证，更好地推进人工智能技术在临床当中的推广应用。
专家简介
周海榆 教授
主任医师 博士生导师
广东省人民医院 广东省医学科学院 胸外科 主任医师 博士生导师 博士后合作导师
广东省医师协会医学机器人医师分会 主任委员
中国抗癌协会整合肿瘤相关结节专委会 副主任委员兼秘书长
中国抗癌协会肿瘤人工智能专委会 常务委员
中国肺癌人工智能与机器人技术转化研究协作组 组长
澳门镜湖医院胸外科顾问医生 澳门医学专科学院 Fellow
广东省杰出医学青年人才
广州抗癌协会食管癌专委会 主任委员
哈佛医学院/麻省总医院访问学者
美国胸外科医师协会(STS) 国际委员
中国抗癌协会科技奖二等奖获得者（1/10）
广东省科技进步奖二等奖获得者（1/7）
师从肺癌单病种专家吴一龙教授，从事肺癌、肺结节及食管癌、胸腺瘤达芬奇机器人及微单孔胸腔镜微创手术治疗技术20余年，年手术量1000台。于2021.1–2022.1挂职江西省肿瘤医院副院长，曾任江西省肿瘤医院胸部肿瘤外科行政主任，江西省肺癌研究所所长。现主持国自然面上项目2项、工信部人工智能揭榜挂帅项目1项，省重点研发计划1项和广州市重点项目1项，第一完成人获得肺癌肺结节精准微创诊疗技术获2023年广东省科技进步奖及2024年抗癌协会科技奖，人工智能辅助肺精准微创切除技术获2025年广州市临床重大技术项目。
翁锚涛 博士
南方医科大学
南方医科大学 胸外科 专业博士研究生
广东省人民医院胸外科 住院医师
“国际肺癌研究协会(IASLC)” 青年会员
广东省医师协会医学机器人医师分会 秘书
主要研究领域：虚拟影像转化生成及临床转化应用，包括影像组学、病理组学与人工智能的应用，在The Lancet Digital Health等SCI期刊发表多篇文章。
黄振宇 医生
毕业于广州中医药大学（肿瘤学方向）
主要研究方向：影像组学及人工智能在早期肺腺癌STAS的应用
2026 WCLC oral presentation: Non-invasive Prediction of Spread Through Air Spaces in Stage I Lung Adenocarcinoma Using CT-based Virtual PET (CPT-STAS): A Multicenter Study
李东燊 医生
南方医科大学学术型硕士研究生
研究方向：肺癌病理人工智能与肿瘤免疫微环境
卢瑛炜 医生
IASLC Member
Poster Tour Presenter
主要从事肺癌精准诊疗与医学人工智能研究，聚焦CT影像、大体图像及病理信息的多模态融合与临床转化，探索大体图像的语义表征及其在肿瘤表型刻画和临床决策中的应用。相关研究成果入选2026年WCLC Poster Tour及ASCO会议摘要。
参考文献：
1. Y.Lu, H.Zhou, et al. Intraoperative Grading of Early Lung Adenocarcinoma via Macroscopic Figures, CT Imaging, and Textual Reports (MaCtex). 2026 WCLC. PT1.07.01
2. Z. Huang, H.Zhou, et al. Non-Invasive Prediction of Spread Through Air Spaces in Stage I Lung Adenocarcinoma Using CT-based Virtual PET (CPT-STAS): A Multicenter Study. 2026 WCLC. OA08.04
3. D. Li, H.Zhou, et al. Predicting NSCLC Neoadjuvant Immunotherapy Response Using H&E-Derived T-Cell States via Deep Learning. 2026 WCLC. OA11.03