肺癌筛查的优化与风险分层：从“一刀切”到“精准预防”

低剂量CT（LDCT）筛查能有效降低肺癌死亡率已成为共识。然而，当前基于年龄和吸烟史（如NLST标准）的筛查策略仍显粗糙，存在过度筛查和漏筛并存的问题。未来的方向是利用多维度信息进行精确的风险分层，实现筛查效益最大化和危害最小化。

当前筛查标准的局限性

· 漏筛：约50%的肺癌患者不符合当前筛查标准（如NLST标准：55-74岁，≥30包年，当前吸烟或戒烟<15年），包括：

· 年轻患者（<55岁）。

· 轻度吸烟者或非吸烟者（但可能有其他风险因素，如家族史、氡气暴露、COPD）。

· 戒烟时间过长（>15年）的高龄者。

· 过度筛查：许多符合标准的重度吸烟者可能并不会罹患肺癌，却要承受LDCT筛查带来的辐射暴露、假阳性结果引发的焦虑以及不必要的侵入性检查。

精准风险分层的新工具

1. 风险预测模型（Risk Prediction Models）：

· 相比简单的包年史，综合了更多变量的模型能更精准地识别高危个体。例如：

· PLCOm2012模型：纳入了年龄、吸烟史（强度、持续时间、戒烟时间）、种族、教育程度、身体质量指数（BMI）、个人癌症史、家族肺癌史等因素。

· 利物浦肺癌项目（LLP）模型：还结合了 occupational asbestos exposure （石棉暴露）。

· 使用这些模型，可以计算出个体的6年肺癌绝对风险值，并设定一个风险阈值（如≥1.5%）来决定是否进行筛查，从而纳入更多高风险的非标准人群，排除低风险的重度吸烟者。

2. 生物标志物（Biomarkers）：

· 血液标志物：寻找在肺癌早期就释放入血的蛋白质、抗体或循环肿瘤DNA（ctDNA）特征，作为LDCT的补充。例如，4-蛋白 biomarker panel (4MP) 在识别高危人群方面显示出前景。未来可能采用“初筛用血液标志物，高危者再进LDCT”的二步策略。

· 痰液生物标志物：检测痰液中的基因甲基化谱，是一种直接针对气道 field cancerization （场癌效应）的检测方法。

· 呼出气分析：通过分析呼出气中的挥发性有机化合物（VOCs）图谱来无创筛查肺癌，虽仍在研究早期，但潜力巨大。

3. 影像组学与人工智能：

· 对基线LDCT图像进行影像组学分析，提取人眼无法分辨的定量特征，可以预测未来患癌风险。AI模型可以识别出那些当前未见结节、但肺纹理已呈现“高危模式”的个体，对其进行更密切的随访。

实施挑战与未来展望

转向基于风险模型的筛查面临操作层面的挑战：需要将模型整合到电子病历系统中，并对医生和公众进行教育。然而，这是必然趋势。美国预防服务工作组（USPSTF）最新的筛查指南已悄然扩大了年龄和吸烟史范围，并向风险分层理念靠拢。

结论：

肺癌筛查的未来是“精准预防”。通过整合临床变量、生物标志物和AI影像分析，我们能够绘制出个体的“肺癌风险图谱”，从而将有限的筛查资源精准地投入到最需要的人群身上，让更多本会被遗漏的患者得以早期发现，同时避免对低风险人群造成不必要的医疗伤害。