人工智能在肿瘤学中的前沿应用与临床转化 中文标题

　　来自肿瘤学与人工智能交叉领域的研究人员，针对AI在癌症诊疗 continuum 中的整合难题，开展机器学习模型标准化与临床适用性研究。提出需建立统一评估指标以确保模型性能可靠，并强调肿瘤医生需掌握AI语言以推动技术落地，对实现精准医疗具有重要意义。

　　

人工智能（AI）——这一模拟人类智能的计算机科学领域——正推动肿瘤医学的创新浪潮。机器学习（Machine Learning）作为AI的子集，通过算法识别数据模式进行预测；深度学习（Deep Learning）则利用多层神经网络解析复杂输入（如影像），而自然语言处理（NLP）能大规模提取电子健康记录等非结构化数据中的关键信息。

在癌症诊断中，AI工具显著提升筛查与诊断的准确性。例如：AI辅助解读乳腺癌、肺癌、宫颈癌和结肠癌的筛查结果；基于血液的多组学检测（通过机器学习算法分析）用于高风险人群的癌症早期发现；FDA批准的首个计算病理学伴随诊断测试，通过全幻灯片图像定量评分TROP2¹²，预测非小细胞肺癌（NSCLC）患者对datopotamab deruxtecan的获益。深度学习算法甚至可分析单细胞层面组织空间转录组数据，助力诊疗决策¹³。

放射组学（Radiomics）模型同样日趋精密：基于胸部CT预测肺癌突变、基于脑MRI推断胶质瘤状态，或整合影像与病理特征预测结肠癌突变^14-16。AI算法还能通过多模态数据分层复发风险、预测疾病进展与生存期。

临床应用中，机器学习推动精准肿瘤学发展：例如多发性骨髓瘤的AI风险分类器整合基因组、临床与治疗变量，指导个体化治疗选择¹⁷；固体肿瘤模型识别免疫治疗获益人群及免疫相关不良事件高风险患者^18,19。大语言模型（LLM）作为决策支持工具，整合多源数据预测基因突变等特征的临床相关性²¹，但其与指南的一致性仍需标准化验证²²。

AI已重塑临床工作流：环境抄写员实时记录医患对话并生成摘要；LLM辅助安全消息回复与多语言患者教育材料生成；NLP算法实现患者-试验自动匹配与资格筛查²⁴；AI平台标准化影像评估（如ai.RECIST项目）甚至生成合成对照组以加速临床试验²⁷。

然而，机器学习工具存在显著局限：模型性能高度依赖训练数据的质量与多样性，数据偏差可能导致“幻觉”输出。需建立透明、公平且具代表性的公共数据集，并遵循ASCO与FDA发布的伦理框架^28-30，确保AI在肿瘤学中的负责任部署。跨学科合作是实现这一目标的核心——正如前美国医学会主席所言：“AI不会取代医生，但善用AI的医生将取代不使用它的人。”