AI+优化测序：破解早期肺癌液体活检筛查难题

肺癌这件事，我说个让不少人紧张的数字：早期肺癌通过手术切除后的五年生存率可以超过90%，而中晚期肺癌五年生存率会断崖式掉到20%以下。拉开这么大差距的，其实就一个字——早。但早期肺癌几乎没有症状，常规体检的胸片对小结节不敏感，低剂量螺旋CT虽然灵敏度高，但假阳性也高得让人头疼。过去几年我一直在跟液体活检和AI结合的方向，最近看到一种思路——通过优化测序流程，把血液里的游离DNA信号做得更“干净”，再配合机器学习算法去鉴别早期肺癌患者。这个方向不算全新，但“优化测序”这四个字加上AI，确实把早期鉴别的精度往前推了一大步。

这篇文章我会把整个技术逻辑从里到外拆开来讲：测序到底优化了什么、哪些信号在帮模型做判断、机器学习建模怎么走通、验证环节怎么避坑、以及从研究到落地还差哪些关键动作。适合正在做医学AI、生物信息分析，或者关注肿瘤早筛产品的朋友参考。

1. 早期肺癌筛查的临床困境：为什么必须引入新技术

1.1 传统手段的边界：胸片、CT与肿瘤标志物的局限

先说说现在临床上实际在用的几板斧，到底卡在哪里。

胸片是最常规的体检项目，便宜、辐射低，但它对早期周围型肺癌的漏诊率相当高。一个2厘米以下、长在肺野边缘的磨玻璃结节，胸片上可能只是一个淡淡的影子，很容易和血管断面、陈旧病灶搞混。等到胸片上能明确看到一个肿块，往往已经不算“早期”了。

低剂量螺旋CT（LDCT）是目前公认的肺癌筛查金标准，美国国家肺癌筛查试验（NLST）的数据也证明它能把肺癌死亡率降低约20%。但它有个很现实的毛病：假阳性率高。很多人查出肺结节后，下一步要么是反复CT随访，要么是穿刺活检。穿刺是有创操作，气胸、出血风险都在那里摆着，而且很多小结节位置刁钻，穿刺难度很大。更麻烦的是过度诊断——有些惰性肺癌可能一辈子都不会进展，但ct发现了，就得处理，患者白挨一刀、白受一场惊吓。

肿瘤标志物这边，CEA、CYFRA21-1、SCC这些指标，特异性实在有限。肺炎、肺结核、吸烟、甚至某些良性疾病都可能把它们推高，反过来早期肺癌患者的标志物又可能完全正常。简单说，传统手段的困境是：要么看不见，要么看见了分不清好坏。

1.2 液体活检的思路：与其照影子，不如看“碎片”

既然影像学是“隔着肚皮猜肚子里的东西”，那能不能直接从血液里找到癌细胞留下的痕迹？这就是液体活检的基本逻辑。肿瘤细胞在生长和凋亡过程中，会释放DNA碎片进入血液循环。这些碎片叫做循环游离DNA（cfDNA），其中来自肿瘤细胞的那部分叫循环肿瘤DNA（ctDNA）。

听起来很简单，但难点在于：早期肺癌释放的ctDNA实在太少了。在cfDNA总量里，ctDNA的比例可能只有万分之几甚至更低。想象一下，你在一游泳池水里倒了一勺糖，还想通过测量甜度来判断这勺糖来自哪里——这就是早期肺癌液体活检的真实难度。传统测序方法面对这种极低丰度的信号，很容易被测序过程中的背景噪声淹没。搞不好你测到的变异，只是PCR扩增时产生的错误，根本不是肿瘤信号。

所以“优化测序”这件事，本质就是解决“在噪声里捞微弱信号”的问题。

1.3 优化测序和AI为什么是“天作之合”

如果只有优化测序，没有AI，行不行？勉强能行，但天花板很低。原因是测序数据量太大了。一次靶向甲基化测序可以覆盖几十万个CpG位点，每个位点在不同样本里的甲基化水平都不一样。如果用传统统计方法去逐个比较，早就被多重假设检验给“惩罚”到什么都筛不出来了。

而机器学习天然擅长在高维数据里找模式。它不会先入为主地认为“某个基因的甲基化一定和肺癌有关”，而是从数据里自己学出哪些特征的组合最有区分度。也就是说，优化测序负责把高质量的生物学信号洗出来，机器学习负责在几万、几十万个特征里找到那条最能区分早期肺癌和健康人的边界线。二者配合，才可能真正把早期肺癌鉴别这件事做到临床可用。

2. 优化测序技术拆解：它优化了什么，产生了哪些高价值信号

2.1 从采样到文库：优化测序的每一步都在对抗“背景噪声”

我在跟这个方向时，发现很多人低估了测序前处理的重要性。优化测序不是简单地把测序深度拉高，而是一整套流程上的“降噪工程”。

第一道关是采血和血浆分离。采血管的选择、离心力的大小、血浆的保存温度，都会影响cfDNA的产量和质量。操作稍有不慎，白细胞破裂释放的大片段基因组DNA会把cfDNA稀释掉，纯度一下子就崩了。我见过有团队为了标准化这件事，专门开发了一套全封闭的血浆分离流程，目的就是减少人为操作带来的批次差异。

第二道关是文库构建。传统建库方法需要对DNA片段加上接头再进行PCR扩增，而PCR扩增本身就会引入错误。优化方向上，UMI（分子标签）技术是绝对的功臣——每个原始DNA分子都被分配一个独特标签，测序结束后通过标签序列找出同一分子的所有副本，把它们组装成一条“共识序列”。这样PCR错误就会被精准过滤掉。双链测序（Duplex Sequencing）更进一步，让DNA的正义链和反义链分别测序，只有当正反两条链在同一个位点携带相同变异时才认为它是真实的。

第三道关是目标区域捕获。全基因组测序在早筛场景下成本太高，所以大家会聚焦在高价值的靶向区域，比如抑癌基因的启动子区域、已知的肺癌相关甲基化热点等。捕获效率直接决定了有效测序深度，捕获探针的设计、杂交和洗涤条件这些细节，都会影响最终数据的信噪比。

2.2 甲基化信号：早期癌细胞最明显的指纹

优化测序做出来后，第一个要看的信号是DNA甲基化。

DNA甲基化是一种表观遗传修饰，简单理解是在基因组上“贴标签”。它不改变基因序列，但会改变基因的表达开关。人类基因组里有大量的CpG二核苷酸位点，当某个基因启动子区域的CpG位点高度甲基化时，这个基因往往会被沉默。肿瘤细胞里，一部分抑癌基因就是这样被“关掉”的。

为什么甲基化信号特别适合早期肺癌鉴别？关键原因是信号强度。早期肺癌里的点突变，等位基因频率可能低到0.1%以下，机器根本分不清是真实突变还是测序错误。但甲基化水平是一个连续变量，范围从0到100%。如果某个抑癌基因启动子在健康人里只有5%的甲基化水平，在早期肺癌患者里上升到25%，这个差异在深度测序下是可以被稳定检测到的。

最新的一些panel设计思路，就是专门挑那些在肺癌早期就发生显著甲基化异常的位点，做成一张“甲基化热点图”。用酶转化法（EM-seq）替代传统的亚硫酸氢盐转化法，可以在保持高精度甲基化检测的同时减少DNA损伤，对纳米级的投入量尤其友好。我自己的理解是，测序流程“优化”的重点之一，就是把甲基化这个维度的信噪比提到极致。

2.3 片段组学信号：一份数据里的“第二桶金”

在测序数据里挖第二类信号，就是cfDNA的片段化模式，这类方法现在被归为“片段组学”（Fragmentomics）。

健康人的cfDNA不是随机长度分布的。每个核小体包绕大约147bp的DNA，加上连接区，血液中cfDNA的主要峰大约在166bp左右。肿瘤细胞的染色质开放程度、凋亡方式和正常细胞不同，释放出来的DNA片段长度分布也跟正常来源不一样。最典型的发现是：肿瘤来源的cfDNA片段整体偏短，短片段（比如100~150bp区间）的比例在癌症患者里会升高。

我最早看到这组数据时觉得挺反直觉的——肿瘤细胞乱糟糟，怎么碎片反而更短？其实正因为肿瘤细胞增殖快、凋亡多，染色质上的核小体排列更紊乱，DNA被“咬”得更碎。还有一个维度是片段末端序列模式。DNA断裂不是随机的，不同组织里核酸酶切位点的偏好有差异，所以cfDNA片段的末端几个碱基也携带了“来自哪个组织”的信息。

最妙的是，片段组学信号不需要额外的实验成本——它就是你测序数据里的原始信息。规范建库流程、不破坏cfDNA片段长度分布的前提下，做一次靶向测序同时拿到甲基化信号和片段组学信号，这等于一鱼两吃。

3. 机器学习建模全记录：特征矩阵、模型选型与训练策略

3.1 从测序结果到特征矩阵：这一步决定了模型上限

数据到手后，我习惯先把测序下游分析跑完，但真正的建模要走到特征矩阵构建这一步。

每一行是一个样本（受试者），每一列是一个特征。比如某个甲基化位点在样本里的甲基化水平，可以用β值表示，范围是0到1。又有碎片特征，比如样本的cfDNA片段长度中位数、短片段比例、某条染色体特定区域的覆盖深度差异，这些特征会被拼到同一个矩阵里。到这一步，维度可能已经高达几万甚至几十万，而你的样本量可能只有几百——这就是经典的“高维小样本”问题，很考验建模功底。

特征构建里有几个实操细节必须提到。第一，甲基化β值不适合直接扔给线性模型。β值在0和1附近严重偏态，我通常先做logit变换或者arcsine平方根变换，把它拉向正态分布再做后续分析。第二，局部波动要平滑。单一CpG位点受测序深度影响波动很大，更稳的做法是把一个基因启动子区域内的多个CpG位点整合起来，比如取加权均值，或者取这个区域内甲基化水平超过某个阈值的位点比例。第三，离群值必须排查。一次文库构建污染、一个样本的建库起始量过低，都可能让单个样本某个特征出现极端值，轻则影响归一化，重则污染整个训练集。

3.2 模型怎么选：逻辑回归、树模型还是深度学习

特征矩阵拼好后，就该面对那个经典问题了：用什么模型。

我个人的习惯是把逻辑回归作为第一棒。逻辑回归的优点是可解释性极好，每个特征对应一个权重，权重正负和大小直接告诉你是哪个信号在推动预测。在做早期筛查这类高监管、高责任场景时，能解释比玄学重要得多。而且当特征经过筛选后数量不大（比如一两百个）时，带L1正则化的逻辑回归效果往往出乎意料地好，它还能顺带做特征选择，把没用的维度压成零。

树模型发挥空间也很大。我最近在多个表格数据任务里被LightGBM惊艳过，它对特征尺度的敏感度低、能自动处理非线性关系、整合缺失值也很省心。更重要的是，树模型能输出特征重要性，方便你回头检查模型是不是靠一堆噪声特征在硬凑性能。

深度学习在这个场景里不是不能用，但要谨慎。当特征数量巨大且空间结构复杂（比如直接用原始甲基化谱作为输入，或者把序列信息编码成一维卷积输入），深度学习有优势。但有前提——样本量要足够多。几百个样本硬上深度网络，验证集上跑出来一个惊艳的AUC，我第一条判断是大概率过拟合了，而不是模型很牛。

我日常的选型路径是：逻辑回归跑基线，确认AUC后换XGBoost或LightGBM追上限，同时用随机森林做特征筛选交叉验证。如果你只让我给一个最稳的组合，高燃烧的候选特征+逻辑回归，是医疗器械报证场景下最常看到的搭配——监管机构喜欢可解释、可审计。

给一张模型选型参考表吧：

3.3 训练策略：交叉验证、类别不平衡与阈值校准

模型结构定了，剩下的就是训练策略。这一步才是真正拉开差距的地方。

早期肺癌鉴别最常见的坑是类别不平衡。队列设计时可能把病例组和对照组做成1比1，但真实世界的已知患病率可能只有百分之几，模型如果在高患病率队列里训练，直接搬到真实筛查场景会产生校准漂移。处理类别不平衡有几种办法：一是给少数类样本更高的损失权重；二是用SMOTE等过采样方法补充少数类样本，但要注意必须在交叉验证的每一折内部单独做，否则会造成严重的数据泄漏；三是模型训练时把目标定在AUC优化上而不是准确率优化。

交叉验证的细节我也提醒一条：样本分组时不要用随机分配，一定要用分层交叉验证。什么意思呢？就是每一折里都按吸烟史、年龄、性别比例保持和原始数据集一致，否则某些折里吸烟人士被分走了，另一折里全是吸烟患者，模型学到的可能是吸烟特征而不是肺癌特征。

训练完成后，还有一个常常被忽略的步骤——阈值校准。模型默认以0.5作为分类边界，但筛查场景更看重的往往是高灵敏度（不想漏掉病人）或高特异性（不想吓到健康人）。用验证集画出灵敏度-特异性曲线，再根据临床需求选一个合适的工作阈值，这一步做和不做，落地效果天差地别。

4. 验证环节：AUC、外部队列和泛化误差的真相

4.1 灵敏度、特异性、PPV：筛查场景下指标怎么读

我见过不少新入门的朋友，看到AUC 0.96就激动得不行。先别急，AUC只是模型排序能力的汇总指标，它没有告诉你模型在真实世界里到底做得好不好。真正需要配合看的，是灵敏度和特异性。灵敏度高可以理解为“真病人里有多少被揪出来了”；特异性高可以理解为“健康人里有多少没被冤枉”。

但更关键的指标，其实是阳性预测值（PPV）和阴性预测值（NPV）。PPV取决于一个公式：当疾病患病率很低时，就算特异性很高，PPV也可能低得离谱。举个例子：假设人群患病率是1%，模型特异性95%、灵敏度85%，那么10000个人里有100个真患者，其中85个被正确点亮；9900个健康人里有495个被误报。于是总共580个阳性结果里只有85个是真的，PPV大约只有15%。这意味着每出现一个真阳性，背后跟着五个多假阳性。

这就是早期筛查场景里最残酷的数学现实。所以在模型评估报告里，光给AUC没有意义，必须结合目标人群患病率给出PPV落地预测，让读到报告的临床医生理解，模型亮灯之后还需要影像学和病理学检查去进一步佐证。

4.2 独立外部验证：内测成绩好不算数

要说这个领域里翻车最多的环节，不是模型训练，而是验证。

一个模型在自己的中心、自己的样本、自己的测序批次上当然表现好，因为它在训练时就已经在隐式学习这批数据的特征。真正算数的是独立外部验证——用完全不同来源的样本（换一个医院，换一批测序时间，换一组操作人员），看看模型是否还能保持稳定。

现象很典型：训练集AUC0.99，内部验证AUC0.95，一到外部独立队列，AUC掉到0.7以下。为什么？因为测序数据里混入了非生物学的“批次信号”——不同中心采血管不同、血浆分离时间不同、测序仪器不同、试剂批次不同。这些因素会让同一个生物学样本看起来就像两组完全不同的数据。

所以做这个方向的人，第一优先级不是急着调模型参数，而是在研究设计阶段就想好怎么把多中心的概念跑通。哪怕暂时没有多中心数据，至少也要在内部做严格的“分批次验证”，用某一个测序批次的数据做训练，在另一个批次里测试模型，看看跨批次稳定性如何。这个结果能比较早地暴露出模型的真实泛化能力。

4.3 泛化误差界：回答“模型凭什么到新数据上还管用”

机器学习里有一个理论工具叫泛化误差界，前面的实践都在围绕它转，在这里我也用尽量不去堆公式的方式讲清楚背后的逻辑。

监督学习的泛化误差，可以拆成三块：经验风险（训练误差）、复杂度惩罚、数据量惩罚。数学上有个不等式，泛化风险被限制在训练误差加上一个跟模型复杂度、样本量负相关的惩罚项之上。你可以粗糙地把这些边界理解成：模型太复杂（特征太多、参数太多），而样本量太小时，理论上就没有任何保证它能泛化到新数据上。

这也是为什么在小样本队列里，简单模型往往吊打复杂模型。深度神经网络的容量太大，几百个样本根本撑不起几百万个参数，结果就是老老实实记住训练集的噪声，泛化界会往右升起。相比之下，花哨方法越少、可学的模式越简单，越可能有不错的泛化边界解析解。

所以当你看到一份论文里“训练数据集只有200例，深度学习AUC高达0.99”时，第一时间该想的不该是“它好厉害”，而是“这个模型的泛化上界撑得住吗”。形式化的工作通常要求复杂模型配合数千例甚至上万例的样本，才敢给出临床应用级别的判断。

5. 落地前必须处理的三个现实问题：批次、质控与可解释性

5.1 批次效应：看不见的模型杀手

批次效应我可以给你一句话总结：把不同日期实验造成的差异误当成生物学信息，然后模型不幸学到的正是前者。

最可怕的是，批次效应往往隐藏得很深。你在检查特征分布时，很难肉眼看出问题，因为单个特征的均值差异可能不显著，但一大堆特征组合起来就能形成一个完全分开的模式。模型学到的边界可能根本不是肺癌 vs 健康，而是“第一批测的样本” vs “第二批测的样本”。

规避策略从实验设计开始就要介入。第一，样品入库时就要做随机化，把患者和健康对照在每一批测序中都按比例混排；第二，同一批次的样本不要全部来自同一个医院，避免中心与批次完全混淆，这是最简单的混淆因素；第三，数据分析阶段可以用Harmony、ComBat这类工具做批次校正，但这类校正本身也有风险——过度校正可能抹掉真实的生物学信号。最好的策略仍然是从源头控制，而不是事后补救。

5.2 质控标准化：测序深度、UMI、文库制备缺一不可

优化测序的“优化”二字，落到实操上就是一套稳定可复现的质控标准。任何一次实验都不能再容忍“这次对付对付就过去了”的心态。

建议从这几个维度设置硬指标：第一，目标区域的平均有效测序深度。早筛panel的深度通常要求1000x以上；对于甲基化测序，我建议先跑一批预实验来评估”你关注的特定位点、在指定深度下能不能稳定读取甲基化状态”。第二，比对率和dup率。比对率过低提示样本污染或参考基因组选择不对；dup率过高提示建库起始DNA投入量不足。第三，UMI覆盖的共识序列质量。确保绝大多数原始分子都有足够的UMI深度来构建可靠的共识序列。第四，质控样本和标准品。每一批实验都放入阳性对照和阴性对照，阳性对照可以是甲基化水平已知的商业化标准品，阴性对照则是无模板的阴性对照文库。

我亲眼见过团队为省几个样本的钱，把qc样本省了，结果一批数据跑完发现探针杂交效率下降，所有样本的信号集体失真。耽误的几周时间、烧掉的测序费用，远远超过省下的qc成本。

5.3 可解释性与临床协作：模型给出的是概率，不是诊断

最后一个现实问题，也是模型从论文走向门诊的关键一步——可解释性。

临床医生在面对一个机器学习模型时，天然是有保留的。这很正常。如果模型只给一个“风险评分0.87”，不给任何理由，医生很难决定要不要让患者去做有创检查。这时候SHAP值、特征贡献度这类工具就该上场了。用SHAP解释一下，医生能看到这个高风险结论主要是由哪几个甲基化位点和哪些片段特征推动的，就可以结合影像学表现和临床既往史做综合判断。

另外，一定要摆正模型的角色定位。早期肺癌鉴别模型做的是“风险提示”，不是“确诊”。它存在的价值是帮助筛选出更有可能患肺癌的高危人群，为他们争取更早的进一步检查机会，而不是替代病理活检。作为一个做技术的人，我一直提醒自己：模型分值再高，都不该在临床上“一拍板”就说这人是肺癌。真正的临床协作，是让模型产生的概率分数变成医生决策的一部分，而不是全部。

最后分享一点心里话

如果总结这一路上的教训，最让我印象深刻的不是某个算法效果不好，而是“重模型轻数据”的弯路。最初在一个体外数据集上，我用一整套复杂特征做出了AUC 0.98的模型，当时心里还挺得意。结果换了个新批次的样本，AUC直接掉到0.7出头。复盘下来才发现，那套复杂特征里的核心部分，恰恰是不同批次之间差异最明显的“技术噪声”。也就是从那次开始，我确定了一个原则：任何医学AI项目，第一件事不是选模型，而是先做实验计划和批次分配，先把质控阈值定死，再谈特征和算法。AI+优化测序鉴别早期肺癌这件事，技术本身不是最大的瓶颈，把实验设计做严谨、把多中心验证做扎实，才是最难的功课。希望这篇文章能让你少走一点我走过的弯路。