肺癌作為當前全球范圍內發病率與死亡率均居前列的惡性腫瘤，其早期發現與有效治療對于提升患者生存率而言至關重要[1]。隨著影像學技術的飛速發展，尤其是胸部CT技術的廣泛應用，肺結節的檢出率顯著提升，但如何精準鑒別這些結節的良惡性，成為臨床診療中的一大挑戰[2-4]。
近年來，Science、Cell等國際權威學術期刊相繼揭示了腫瘤生物學行為在腫瘤發生、發展過程中的核心作用，為肺結節的精準診斷開辟了全新的視角與途徑[5-7]。腫瘤的生物學特征紛繁復雜，涵蓋了持續增殖信號、細胞能量異常、抵抗細胞死亡、基因組不穩定性和突變、持續血管新生、組織浸潤和轉移、促進腫瘤炎癥、無限復制能力、避免免疫摧毀、抗生長信號的不敏感性等多個方面[6]。這些特征不僅決定了腫瘤的活躍程度，也影響了其治療反應和預后。特別值得關注的是，早期腫瘤細胞即可激發免疫反應，產生針對腫瘤相關抗原的特異性抗體[8]。除傳統腫瘤標志物之外，7種與肺癌緊密相關的血清自身抗體（autoantibodies，AABs）：腫瘤抑制蛋白p53（tumor protein 53，p53）、蛋白基因產物9.5（protein gene product 9.5，PGP9.5）、性別決定區Y框蛋白2（SRY-box containing gene 2，SOX2）、G抗原7（G antigen 7，GAGE7）、ATP依賴型RNA解旋酶（ATP-dependent RNA helicase，GBU4-5）、人黑色素瘤相關抗原A1（melanoma antigen A1，MAGE A1）以及癌癥/睪丸相關抗原（cancer/testis-associated antigen，CAGE）的抗體，作為當前具有顯著應用潛力的肺癌血清生物學標志物。這些抗體組合形成的七聯自身抗體組（7-AABs），已被驗證在肺癌早期即可被檢測到[9-10]，同時在診斷中展現出較高的靈敏度[11]。
在肺癌的早期篩查中，影像學檢查尤其是CT從宏觀層面發揮了關鍵作用。CT能夠檢測到直徑僅1 mm的腫瘤（約含106個腫瘤細胞），并隨著腫瘤直徑增大至8 mm（約109個細胞）而清晰顯現，進一步增長至20 mm時則可能伴隨臨床癥狀[12]。而微觀層面上，血清中7-AABs作為重要指標，能夠反映腫瘤細胞的生物學行為，包括增殖、侵襲和轉移狀態等，為預測肺結節良惡性、手術時機及制定個性化治療方案提供了寶貴信息[13-14]。2017年的一項針對1 987例不確定性肺結節風險評估研究[15]發現，不論結節大小，聯合肺癌自身抗體檢測后都能顯著提高肺結節診斷的準確性。我們前期分別在包含百人和千人規模的隊列中驗證了胸部CT聯合7-AABs在鑒別肺結節良惡性方面的準確性[16-17]。本研究旨在進一步擴展并深化這一領域的探索，通過回顧性分析浙江大學醫學院附屬第一醫院近4年
1 資料與方法
1.1 臨床患者數據
本研究回顧性收集了2020年1月—2024年4月在浙江大學醫學院附屬第一醫院接受胸部CT和7-AABs檢測的
1.2 7-AABs定量檢測
采用杭州凱保羅生物科技有限公司提供的試劑盒（p53、PGP9.5、SOX2、GAGE7、GBU4-5、MAGEA1、CAGE），通過間接酶聯免疫吸附試驗（ELISA）進行。檢測程序概述：首先，向患者采集5 mL靜脈血（使用促凝管），離心后分離上層血清作為待測樣品。接著使用磷酸鹽緩沖鹽水（PBS）對血清樣品進行適當稀釋（具體比例因試劑盒而異），并將稀釋后的樣品加入抗原包被的微孔板中。微孔板在室溫下振蕩孵育，使血清中的自身抗體（一抗）與預孵育的靶抗原充分結合。之后，用洗滌緩沖液徹底清洗微孔板，以去除未結合的游離抗體。隨后，向每孔加入稀釋的辣根過氧化物酶（HRP）偶聯的抗人IgG（二抗），并再次在室溫下孵育，使二抗與已結合的一抗形成復合物。孵育完成后，使用緩沖液清洗微孔板，去除未結合的二抗。然后，加入顯色底物，在室溫避光條件下振蕩孵育一段時間（具體時長根據試劑盒說明），使HRP催化底物產生顏色反應。反應終止后，立即使用分光光度計在450 nm波長處測定各孔的OD值。每種AAB的截止值分別設定為p53：13.1 U/mL、PGP9.5：11.1 U/mL、SOX2：10.3 U/mL、GAGE7：14.4 U/mL、GBU4-5：7.0 U/mL、MAGEA1：11.9 U/mL、CAGE：7.2 U/mL。如果至少一個AAB高于截止值，則結果被視為陽性。
1.3 統計學方法
使用R軟件（4.2.2版本）和MSTATA軟件（www.MSTATA.com）進行統計分析。患者數據按7∶3比例隨機分為訓練集和驗證集。連續變量正態分布數據以均數±標準差
描述，兩組比較采用t檢驗分析。分類變量使用χ2檢驗（四格表χ2檢驗與R×C列聯表χ2檢驗）或Fisher精確檢驗進行分析。訓練組中，采用單因素和多因素logistic回歸分析篩選獨立風險因素并建立預測列線圖（nomogram）。使用受試者工作特征（receiver operating characteristic，ROC）曲線評估nomogram的性能。同時進行了決策曲線分析（decision curve analysis，DCA），以確定預測的凈收益閾值。P≤0.05為差異有統計學意義。
1.4 倫理審查
待補充。
2 結果
2.1 基線資料
在納入分析的
表1
訓練集與驗證集患者臨床資料和基線特征
2.2 單因素診斷效能比較
在利用單因素評估肺結節良惡性診斷效能的過程中，通過繪制針對每種變量的ROC曲線來進行分析，單獨采用7-AABs作為診斷指標時，其效能顯著不足， 曲線下面積（area under the curve，AUC）僅為0.514；而單獨依賴CT影像結果的診斷效能雖有所提升，但仍不夠理想，AUC為0.667。當CT結果與7-AABs檢測相結合時，診斷效能在所有單因素ROC曲線中達到了最高水平，AUC值為0.794，表明這種聯合檢測策略顯著增強了診斷的準確性；見圖1a。此外，我們還發現其他變量如影像學上結節的性質也展現出了較好的診斷效能（AUC=0.652），與單獨CT診斷相仿。然而，盡管CT聯合7-AABs的診斷效能有了顯著提升，但仍未完全滿足臨床實踐中對高精度診斷的需求。因此，為了進一步提升診斷的準確性，有必要進一步探索并構建更加精準、綜合的臨床預測模型，以期實現對肺結節良惡性的更可靠判斷。
圖1
A 單因素ROC曲線；B 訓練集logistic回歸建立預測模型列線圖；C 預測模型訓練集與驗證集ROC曲線；D 訓練集列線圖的決策曲線分析；E 驗證集列線圖的決策曲線分析。
2.3 Logistic回歸模型建立
單因素logistic回歸分析結果顯示年齡、影像學結節的直徑、影像學結節的性質、CT檢查結果以及CT聯合7-AABs檢測差異均有統計學意義；見表2。將這些有顯著影響的變量納入多因素logistic回歸分析中，以構建一個預測模型。考慮到CT結果與CT聯合7-AABs兩個變量存在共線性，而前期單因素診斷效能結果來看，CT聯合7-AABs比單獨CT結果AUC值更高，因此在多因素logistic回歸分析中，排除CT結果因素，我們將其余4個獨立的預測因子構建成logistic回歸模型。為了便于臨床使用與解讀，將該回歸模型轉化為一個直觀的列線圖（圖1b），以便清晰地展示各預測因子與預測結果之間的關系。
表2
訓練集單因素與多因素logistic回歸分析
2.4 預測模型診斷效能驗證與評估
經logistic回歸構建的診斷模型，在統計驗證過程中展現出優秀的診斷能效：在訓練集中AUC值為0.831，在驗證集中AUC值為0.861（圖1c）。表明該模型在肺結節良惡性預測中具備了高度的靈敏度和特異度。DCA結果顯示，該模型在訓練集和驗證集中均展現出了優異的DCA曲線（圖1d～e），顯示在廣泛的閾值范圍內，采用該模型進行決策相比于極端的診斷結果，能夠為臨床決策提供更高的凈收益。
3 討論
在當今醫學領域，癌癥的早期診斷被視為提高患者生存率和生活質量的關鍵。鑒于肺癌的高度生物學異質性，從生物學角度深入理解和定制篩查策略顯得尤為重要。為了提高肺癌早篩的準確性和效率，我們將生物學特征檢測與影像學評估聯合起來，通過整合患者的血清自身抗體水平和影像學檢查結果，對肺結節進行精準評估。研究結果顯示，單獨使用7-AABs或單獨以CT作為診斷指標時，診斷效能較低，而將CT結果與7-AABs檢測相結合時，診斷效能顯著提高，表明這種聯合檢測策略能夠顯著增強診斷的準確性。通過logistic回歸分析構建的預測模型，在訓練集和驗證集中均表現出優異的診斷能效，顯示出高度的靈敏度和特異度。DCA結果顯示，該模型在訓練集和驗證集中均展現出優異的決策曲線，不僅驗證了模型在理論上的優越性，更為其在實際臨床場景中的廣泛應用奠定了堅實的基礎，為臨床決策提供了有力支持，有助于實現肺癌的早發現、早診斷。
在深入探索肺癌生物學特性的過程中，一項針對157例非小細胞肺癌（non-small cell lung cancer，NSCLC）患者的長期隨訪結果顯示，盡管總體研究人群的5年生存率達到了62%，但在肺癌自身抗體檢測為陽性的患者群體中，5年生存率卻驟降至7.6%，反映了自身抗體作為預后不良重要標志物的潛力[18]。此外，術前檢測肺癌自身抗體不僅有助于精準制定診療方案，陽性結果提示需采取輔助治療以提高生存率，而陰性結果則預示著較好的預后。有研究[19]進一步拓展，初步應用7-AABs檢測于早期NSCLC患者，發現MAGEA1、PGP9.5、SOX2和TP53等自身抗體在NSCLC患者血清中顯著升高，并與患者總生存期負相關，聯合篩查這4種自身抗體展現出71.8%的敏感度和89%的特異度，顯示出在早期診斷及預后預測中的巨大潛力。這一發現不僅強化了肺癌自身抗體在篩查中的應用價值，還進一步揭示了其在評估患者預后方面的重要作用，為NSCLC的精準醫療開辟了新途徑。
一項由上海瑞金醫院李鶴成教授與陶生策教授團隊歷時3年的研究[20]表明，7-AABs陽性不僅揭示了疾病狀態，更是微小殘留病灶（MRD）存在的重要預警信號。歷經3年不懈探索，該團隊對肺癌患者自身抗體在療效與復發監測中的作用進行了全面而系統的研究，發現手術治療后，患者體內這些特異性抗體水平呈現顯著且持續的下降趨勢，尤為關鍵的是，在腫瘤復發之前，這些抗體即已提前轉陽，為肺癌的早期干預與精準治療開辟了新視野。一項針對352例肺癌患者的長期隨訪研究[21]發現，表現出高惡性程度的結節不僅預示著更嚴峻的病情進展，還顯著增加了淋巴結受累與遠處轉移的風險。研究[21]明確指出肺癌自身抗體的高表達與淋巴結侵襲及遠處轉移之間的強烈正相關關系，這一發現為肺癌的預后評估與治療策略制定開辟了新視角。
因此，通過深入研究血清自身抗體的特征及其在肺結節診斷中的應用，可以進一步推動肺癌早期篩查技術的發展，為患者帶來更高的治療成功率和更長的生存期。術前進行肺癌自身抗體檢測，能夠幫助醫生更精準地評估患者的疾病狀態，從而制定個體化的診療方案。對于抗體檢測陽性的患者，由于其較高的復發和轉移風險，應考慮采取更為積極的治療措施，如輔助治療等，以盡可能地提高患者的生存率。而對于抗體檢測陰性的患者，則可能預示著較好的預后，這為患者的治療選擇和心理調適提供了積極的指導。因此，結合生物學特征和影像學評估的綜合策略，將是未來肺癌早期診斷和治療的重要方向。
未來我們致力于在深化肺結節良惡性預測領域取得更為顯著的突破。為此，我們不僅將攜手多中心合作，共同發起并推進大規模、高質量的數據驗證項目，以確保我們的研究成果具有廣泛的代表性和可靠性，還將積極探索并整合更多前沿的生物標志物與檢測技術于我們的預測模型中，如血清癌胚抗原（CEA）、循環腫瘤DNA（ctDNA）、微小殘留病灶（MRD）監測、外泌體分析以及揮發性有機化合物（VOCS）氣體檢測等一系列臨床指標。這些指標各自蘊含著豐富的生物學信息，能夠從不同維度反映肺結節的生物學特性與惡性潛能。通過綜合運用這些先進的檢測技術，我們有望捕捉到更多細微而關鍵的生物學變化，從而為肺結節的良惡性預測提供更加全面、精準的依據。同時，我們將繼續采用先進的統計方法與機器學習算法，深入挖掘各指標之間的相互作用與關聯，構建出既科學又實用的預測模型。我們堅信，隨著技術的不斷進步與數據的不斷積累，一定能將肺結節良惡性預測的精準度推向一個新的高度，為肺癌的早期診斷與治療贏得寶貴的時間窗口，從而提高患者的生存率與生活質量。這是一項充滿挑戰與機遇的征程，我們將以堅定的信念與不懈的努力，攜手國內外同行，共同推動這一領域的持續進步與發展。
利益沖突：無。
作者貢獻：張蕾、李子豪、李楠負責開展研究，分析并解釋數據；李子豪撰寫初稿并修訂稿件；程鈞、張鋒、夏平會負責數據收集、整理及統計學分析；張蕾、李楠負責數據及結果校對；呂望、胡堅負責研究設計及課題指導；所有作者均同意發表。
肺癌作為當前全球范圍內發病率與死亡率均居前列的惡性腫瘤，其早期發現與有效治療對于提升患者生存率而言至關重要[1]。隨著影像學技術的飛速發展，尤其是胸部CT技術的廣泛應用，肺結節的檢出率顯著提升，但如何精準鑒別這些結節的良惡性，成為臨床診療中的一大挑戰[2-4]。
近年來，Science、Cell等國際權威學術期刊相繼揭示了腫瘤生物學行為在腫瘤發生、發展過程中的核心作用，為肺結節的精準診斷開辟了全新的視角與途徑[5-7]。腫瘤的生物學特征紛繁復雜，涵蓋了持續增殖信號、細胞能量異常、抵抗細胞死亡、基因組不穩定性和突變、持續血管新生、組織浸潤和轉移、促進腫瘤炎癥、無限復制能力、避免免疫摧毀、抗生長信號的不敏感性等多個方面[6]。這些特征不僅決定了腫瘤的活躍程度，也影響了其治療反應和預后。特別值得關注的是，早期腫瘤細胞即可激發免疫反應，產生針對腫瘤相關抗原的特異性抗體[8]。除傳統腫瘤標志物之外，7種與肺癌緊密相關的血清自身抗體（autoantibodies，AABs）：腫瘤抑制蛋白p53（tumor protein 53，p53）、蛋白基因產物9.5（protein gene product 9.5，PGP9.5）、性別決定區Y框蛋白2（SRY-box containing gene 2，SOX2）、G抗原7（G antigen 7，GAGE7）、ATP依賴型RNA解旋酶（ATP-dependent RNA helicase，GBU4-5）、人黑色素瘤相關抗原A1（melanoma antigen A1，MAGE A1）以及癌癥/睪丸相關抗原（cancer/testis-associated antigen，CAGE）的抗體，作為當前具有顯著應用潛力的肺癌血清生物學標志物。這些抗體組合形成的七聯自身抗體組（7-AABs），已被驗證在肺癌早期即可被檢測到[9-10]，同時在診斷中展現出較高的靈敏度[11]。
在肺癌的早期篩查中，影像學檢查尤其是CT從宏觀層面發揮了關鍵作用。CT能夠檢測到直徑僅1 mm的腫瘤（約含106個腫瘤細胞），并隨著腫瘤直徑增大至8 mm（約109個細胞）而清晰顯現，進一步增長至20 mm時則可能伴隨臨床癥狀[12]。而微觀層面上，血清中7-AABs作為重要指標，能夠反映腫瘤細胞的生物學行為，包括增殖、侵襲和轉移狀態等，為預測肺結節良惡性、手術時機及制定個性化治療方案提供了寶貴信息[13-14]。2017年的一項針對1 987例不確定性肺結節風險評估研究[15]發現，不論結節大小，聯合肺癌自身抗體檢測后都能顯著提高肺結節診斷的準確性。我們前期分別在包含百人和千人規模的隊列中驗證了胸部CT聯合7-AABs在鑒別肺結節良惡性方面的準確性[16-17]。本研究旨在進一步擴展并深化這一領域的探索，通過回顧性分析浙江大學醫學院附屬第一醫院近4年
1 資料與方法
1.1 臨床患者數據
本研究回顧性收集了2020年1月—2024年4月在浙江大學醫學院附屬第一醫院接受胸部CT和7-AABs檢測的
1.2 7-AABs定量檢測
采用杭州凱保羅生物科技有限公司提供的試劑盒（p53、PGP9.5、SOX2、GAGE7、GBU4-5、MAGEA1、CAGE），通過間接酶聯免疫吸附試驗（ELISA）進行。檢測程序概述：首先，向患者采集5 mL靜脈血（使用促凝管），離心后分離上層血清作為待測樣品。接著使用磷酸鹽緩沖鹽水（PBS）對血清樣品進行適當稀釋（具體比例因試劑盒而異），并將稀釋后的樣品加入抗原包被的微孔板中。微孔板在室溫下振蕩孵育，使血清中的自身抗體（一抗）與預孵育的靶抗原充分結合。之后，用洗滌緩沖液徹底清洗微孔板，以去除未結合的游離抗體。隨后，向每孔加入稀釋的辣根過氧化物酶（HRP）偶聯的抗人IgG（二抗），并再次在室溫下孵育，使二抗與已結合的一抗形成復合物。孵育完成后，使用緩沖液清洗微孔板，去除未結合的二抗。然后，加入顯色底物，在室溫避光條件下振蕩孵育一段時間（具體時長根據試劑盒說明），使HRP催化底物產生顏色反應。反應終止后，立即使用分光光度計在450 nm波長處測定各孔的OD值。每種AAB的截止值分別設定為p53：13.1 U/mL、PGP9.5：11.1 U/mL、SOX2：10.3 U/mL、GAGE7：14.4 U/mL、GBU4-5：7.0 U/mL、MAGEA1：11.9 U/mL、CAGE：7.2 U/mL。如果至少一個AAB高于截止值，則結果被視為陽性。
1.3 統計學方法
使用R軟件（4.2.2版本）和MSTATA軟件（www.MSTATA.com）進行統計分析。患者數據按7∶3比例隨機分為訓練集和驗證集。連續變量正態分布數據以均數±標準差描述，兩組比較采用t檢驗分析。分類變量使用χ2檢驗（四格表χ2檢驗與R×C列聯表χ2檢驗）或Fisher精確檢驗進行分析。訓練組中，采用單因素和多因素logistic回歸分析篩選獨立風險因素并建立預測列線圖（nomogram）。使用受試者工作特征（receiver operating characteristic，ROC）曲線評估nomogram的性能。同時進行了決策曲線分析（decision curve analysis，DCA），以確定預測的凈收益閾值。P≤0.05為差異有統計學意義。
1.4 倫理審查
待補充。
2 結果
2.1 基線資料
在納入分析的
表1
訓練集與驗證集患者臨床資料和基線特征
2.2 單因素診斷效能比較
在利用單因素評估肺結節良惡性診斷效能的過程中，通過繪制針對每種變量的ROC曲線來進行分析，單獨采用7-AABs作為診斷指標時，其效能顯著不足， 曲線下面積（area under the curve，AUC）僅為0.514；而單獨依賴CT影像結果的診斷效能雖有所提升，但仍不夠理想，AUC為0.667。當CT結果與7-AABs檢測相結合時，診斷效能在所有單因素ROC曲線中達到了最高水平，AUC值為0.794，表明這種聯合檢測策略顯著增強了診斷的準確性；見圖1a。此外，我們還發現其他變量如影像學上結節的性質也展現出了較好的診斷效能（AUC=0.652），與單獨CT診斷相仿。然而，盡管CT聯合7-AABs的診斷效能有了顯著提升，但仍未完全滿足臨床實踐中對高精度診斷的需求。因此，為了進一步提升診斷的準確性，有必要進一步探索并構建更加精準、綜合的臨床預測模型，以期實現對肺結節良惡性的更可靠判斷。
圖1
A 單因素ROC曲線；B 訓練集logistic回歸建立預測模型列線圖；C 預測模型訓練集與驗證集ROC曲線；D 訓練集列線圖的決策曲線分析；E 驗證集列線圖的決策曲線分析。
2.3 Logistic回歸模型建立
單因素logistic回歸分析結果顯示年齡、影像學結節的直徑、影像學結節的性質、CT檢查結果以及CT聯合7-AABs檢測差異均有統計學意義；見表2。將這些有顯著影響的變量納入多因素logistic回歸分析中，以構建一個預測模型。考慮到CT結果與CT聯合7-AABs兩個變量存在共線性，而前期單因素診斷效能結果來看，CT聯合7-AABs比單獨CT結果AUC值更高，因此在多因素logistic回歸分析中，排除CT結果因素，我們將其余4個獨立的預測因子構建成logistic回歸模型。為了便于臨床使用與解讀，將該回歸模型轉化為一個直觀的列線圖（圖1b），以便清晰地展示各預測因子與預測結果之間的關系。
表2
訓練集單因素與多因素logistic回歸分析
2.4 預測模型診斷效能驗證與評估
經logistic回歸構建的診斷模型，在統計驗證過程中展現出優秀的診斷能效：在訓練集中AUC值為0.831，在驗證集中AUC值為0.861（圖1c）。表明該模型在肺結節良惡性預測中具備了高度的靈敏度和特異度。DCA結果顯示，該模型在訓練集和驗證集中均展現出了優異的DCA曲線（圖1d～e），顯示在廣泛的閾值范圍內，采用該模型進行決策相比于極端的診斷結果，能夠為臨床決策提供更高的凈收益。
3 討論
在當今醫學領域，癌癥的早期診斷被視為提高患者生存率和生活質量的關鍵。鑒于肺癌的高度生物學異質性，從生物學角度深入理解和定制篩查策略顯得尤為重要。為了提高肺癌早篩的準確性和效率，我們將生物學特征檢測與影像學評估聯合起來，通過整合患者的血清自身抗體水平和影像學檢查結果，對肺結節進行精準評估。研究結果顯示，單獨使用7-AABs或單獨以CT作為診斷指標時，診斷效能較低，而將CT結果與7-AABs檢測相結合時，診斷效能顯著提高，表明這種聯合檢測策略能夠顯著增強診斷的準確性。通過logistic回歸分析構建的預測模型，在訓練集和驗證集中均表現出優異的診斷能效，顯示出高度的靈敏度和特異度。DCA結果顯示，該模型在訓練集和驗證集中均展現出優異的決策曲線，不僅驗證了模型在理論上的優越性，更為其在實際臨床場景中的廣泛應用奠定了堅實的基礎，為臨床決策提供了有力支持，有助于實現肺癌的早發現、早診斷。
在深入探索肺癌生物學特性的過程中，一項針對157例非小細胞肺癌（non-small cell lung cancer，NSCLC）患者的長期隨訪結果顯示，盡管總體研究人群的5年生存率達到了62%，但在肺癌自身抗體檢測為陽性的患者群體中，5年生存率卻驟降至7.6%，反映了自身抗體作為預后不良重要標志物的潛力[18]。此外，術前檢測肺癌自身抗體不僅有助于精準制定診療方案，陽性結果提示需采取輔助治療以提高生存率，而陰性結果則預示著較好的預后。有研究[19]進一步拓展，初步應用7-AABs檢測于早期NSCLC患者，發現MAGEA1、PGP9.5、SOX2和TP53等自身抗體在NSCLC患者血清中顯著升高，并與患者總生存期負相關，聯合篩查這4種自身抗體展現出71.8%的敏感度和89%的特異度，顯示出在早期診斷及預后預測中的巨大潛力。這一發現不僅強化了肺癌自身抗體在篩查中的應用價值，還進一步揭示了其在評估患者預后方面的重要作用，為NSCLC的精準醫療開辟了新途徑。
一項由上海瑞金醫院李鶴成教授與陶生策教授團隊歷時3年的研究[20]表明，7-AABs陽性不僅揭示了疾病狀態，更是微小殘留病灶（MRD）存在的重要預警信號。歷經3年不懈探索，該團隊對肺癌患者自身抗體在療效與復發監測中的作用進行了全面而系統的研究，發現手術治療后，患者體內這些特異性抗體水平呈現顯著且持續的下降趨勢，尤為關鍵的是，在腫瘤復發之前，這些抗體即已提前轉陽，為肺癌的早期干預與精準治療開辟了新視野。一項針對352例肺癌患者的長期隨訪研究[21]發現，表現出高惡性程度的結節不僅預示著更嚴峻的病情進展，還顯著增加了淋巴結受累與遠處轉移的風險。研究[21]明確指出肺癌自身抗體的高表達與淋巴結侵襲及遠處轉移之間的強烈正相關關系，這一發現為肺癌的預后評估與治療策略制定開辟了新視角。
因此，通過深入研究血清自身抗體的特征及其在肺結節診斷中的應用，可以進一步推動肺癌早期篩查技術的發展，為患者帶來更高的治療成功率和更長的生存期。術前進行肺癌自身抗體檢測，能夠幫助醫生更精準地評估患者的疾病狀態，從而制定個體化的診療方案。對于抗體檢測陽性的患者，由于其較高的復發和轉移風險，應考慮采取更為積極的治療措施，如輔助治療等，以盡可能地提高患者的生存率。而對于抗體檢測陰性的患者，則可能預示著較好的預后，這為患者的治療選擇和心理調適提供了積極的指導。因此，結合生物學特征和影像學評估的綜合策略，將是未來肺癌早期診斷和治療的重要方向。
未來我們致力于在深化肺結節良惡性預測領域取得更為顯著的突破。為此，我們不僅將攜手多中心合作，共同發起并推進大規模、高質量的數據驗證項目，以確保我們的研究成果具有廣泛的代表性和可靠性，還將積極探索并整合更多前沿的生物標志物與檢測技術于我們的預測模型中，如血清癌胚抗原（CEA）、循環腫瘤DNA（ctDNA）、微小殘留病灶（MRD）監測、外泌體分析以及揮發性有機化合物（VOCS）氣體檢測等一系列臨床指標。這些指標各自蘊含著豐富的生物學信息，能夠從不同維度反映肺結節的生物學特性與惡性潛能。通過綜合運用這些先進的檢測技術，我們有望捕捉到更多細微而關鍵的生物學變化，從而為肺結節的良惡性預測提供更加全面、精準的依據。同時，我們將繼續采用先進的統計方法與機器學習算法，深入挖掘各指標之間的相互作用與關聯，構建出既科學又實用的預測模型。我們堅信，隨著技術的不斷進步與數據的不斷積累，一定能將肺結節良惡性預測的精準度推向一個新的高度，為肺癌的早期診斷與治療贏得寶貴的時間窗口，從而提高患者的生存率與生活質量。這是一項充滿挑戰與機遇的征程，我們將以堅定的信念與不懈的努力，攜手國內外同行，共同推動這一領域的持續進步與發展。
利益沖突：無。
作者貢獻：張蕾、李子豪、李楠負責開展研究，分析并解釋數據；李子豪撰寫初稿并修訂稿件；程鈞、張鋒、夏平會負責數據收集、整理及統計學分析；張蕾、李楠負責數據及結果校對；呂望、胡堅負責研究設計及課題指導；所有作者均同意發表。
