综述：人工智能整合多组学在乳腺癌中的作用

　　本综述系统探讨了人工智能（AI）技术在整合多组学数据（如基因组、转录组、蛋白组等）于乳腺癌（BC）精准医疗中的应用。文章重点分析了机器学习（ML）与深度学习（DL）模型在解读复杂遗传数据、预测患者预后及个性化治疗（如PARPi靶向治疗）中的潜力，同时强调多组学整合对克服肿瘤异质性和优化临床决策的重要性。

　　

摘要

在精准肿瘤学时代，基因组检测已成为乳腺癌管理的关键环节。尽管胚系（germline）突变、体细胞突变及基因表达检测等技术已广泛应用于临床，但基因组数据解读与海量肿瘤信息整合仍面临挑战。人工智能（AI），尤其是机器学习（ML）和深度学习（DL）模型，能够解析复杂遗传（genetic）数据、预测患者结局并个性化制定治疗方案。本文综述了AI整合多组学在乳腺癌领域的当前作用。

引言

基因组检测是乳腺癌（BC）患者管理的基石，涵盖从胚系致病突变筛查到体细胞“驱动”突变靶点识别等多重用途。胚系检测有助于识别遗传性癌症风险，而体细胞检测聚焦获得性突变，两者共同优化预后评估并指导靶向治疗。然而，乳腺癌是一种复杂疾病，常由多基因组特征而非单一驱动突变主导。尽管DNA变异具有临床价值，但精准预后与治疗仍需补充RNA表达分析等生物学信息。多基因RNA表达检测可通过分子内在分型提供预后与预测信息，但随着组学技术（如基因组、表观基因组、转录组、蛋白组和代谢组）的不断发展，整合多组学方法已成为全面解析癌症生物系统复杂性的必要手段。

约5–10%的乳腺癌患者携带遗传性胚系突变（如BRCA1/BRCA2），其识别不仅影响手术决策，更可指导聚腺苷二磷酸核糖聚合酶抑制剂（PARPi）等靶向治疗。类似地，晚期激素受体阳性（HR+）患者中，PI3K/AKT通路突变或ESR1突变的检测能导向选择性雌激素受体降解剂（SERDs）等精准治疗。基因表达平台（GEPs）如21基因复发评分（Oncotype）或PAM50可辅助早期患者化疗或延长内分泌治疗选择。此外，免疫组化（IHC）等病理学检测仍是乳腺癌初评的核心。

随着新技术与药物获批，生物标志物需求日益增长。单一组学仅能提供肿瘤生物学的局部视角，因此需整合多组学甚至临床非结构化数据，以实现真正个性化癌症医疗。近年来，人工智能（AI）与基因组学的融合变革了乳腺癌诊疗。机器学习（ML）通过组合既定特征进行预测（如基于年龄、肿瘤大小和生物标志物的复发风险），而深度学习（DL）作为ML的高级分支，通过多层神经网络自动从大数据中学习模式，无需人工定义特征，为癌症研究与治疗带来新机遇。

深度学习

新型AI技术推动了从传统“浅层”ML向“深度”学习的转变。DL模拟人脑工作方式，通过多层神经网络自动识别数据模式并决策。其分层处理机制从简单特征提取逐步升级至复杂模式识别，依托大规模数据训练提升预测精度，尤其在处理多组学整合任务中展现强大潜力。

整合多组学与AI

基于DL的复杂模式识别能力，AI在多组学数据整合中发挥核心作用，提供肿瘤生物学及其演化的全局视角。通过融合基因组（如DNA修复突变或APOBEC签名）、基因表达和肿瘤微环境（TME）特征，AI模型无需人工特征优先即可生成预测洞察。多项AI/DL模型已在乳腺癌个性化精准医疗中展现应用前景，例如：

• •

  HER2DX assay：通过ML整合临床病理与基因组变量，为早期HER2+患者提供长期预后和病理完全缓解（pCR）概率双评分，指导抗HER2治疗（如曲妥珠单抗、帕妥珠单抗或T-DM1）的降级或升级。

• •

  TNBCDX：针对早期三阴性乳腺癌的基因组测试，整合临床变量与肿瘤免疫相关因子，通过ML输出风险评分和pCR评分，目前正处于验证与标准化阶段。

• •

  DNADX：基于ctDNA的ML多基因签名分析，可捕获肿瘤细胞增殖、ER通路激活、RB-LOH状态、TP53激活状态及DNA基础内在分型等表型特征，预测内分泌治疗（ET）联合CDK4/6抑制剂后的不良结局。

这些工具彰显了AI在融合临床与基因组数据以优化患者护理方面的价值。尽管现有方法推进了治疗个性化，但其依赖预设特征的限制仍仅提供肿瘤生物学的局部视图。为全面捕捉乳腺癌异质性，需采用DL等整合策略分析海量非结构化数据，挖掘隐藏模式。

未来方向

尽管新技术与治疗策略前景广阔，仍面临多重挑战：

1. 1.

   数据依赖与标准化：AI性能取决于数据质量与完整性，需确保数据集多样性与标准化以避免偏差。

2. 2.

   伦理与安全：隐私保护、责任监管及算法透明度需同步完善。

3. 3.

   临床整合：AI工具需通过随机试验验证并适应动态临床环境，同时降低计算资源门槛以提升可及性。

   多组学与AI的协同进化将推动乳腺癌医疗向动态、个性化及预防性模式转变。

结论

肿瘤学进展伴随经济负担加剧，对资源有限的医疗系统构成压力。多组学数据整合使治疗策略定制成为必然。基因组学与转录组学的融合增强了对肿瘤生物学的理解，减少过度治疗并优化资源利用，为个性化、经济高效的医疗铺平道路。AI正从依赖预设特征的ML模型转向DL驱动全面数据整合，通过自动模式识别支持临床决策，最终实现乳腺癌精准医疗的范式转型。

资助

本综述未接收外部资金。

伦理说明

本研究基于已发表文献合成，未直接涉及人类受试者，因此无需特定伦理审批。

作者贡献

RGB、BW与ES共同撰写文稿，所有作者参与规划与修订。

利益冲突

作者声明无相关利益冲突。