編輯丨王多魚

排版丨水成文

腫瘤多學(xué)科會(huì)診，是癌癥診療的核心環(huán)節(jié)，腫瘤醫(yī)生、放射科醫(yī)生、病理科醫(yī)生及其他專科醫(yī)生共同協(xié)作，解讀復(fù)雜臨床證據(jù)并制定治療方案。但隨著精準(zhǔn)腫瘤學(xué)的發(fā)展，臨床工作負(fù)荷也隨之增加：不斷擴(kuò)展的基因組檢測(cè)組合、多模態(tài)影像、病理結(jié)果以及漫長(zhǎng)的治療史，使得醫(yī)生難以快速整合完整信息，尤其是那些最具挑戰(zhàn)性、最需要審慎討論的疑難病例。

近日，密歇根大學(xué)王嫣然（Joyce Yan-Ran Wang）教授與斯坦福大學(xué)Akshay Chaudhari教授在 Nature 旗下綜述期刊Nature Reviews Cancer發(fā)表了題為：的觀點(diǎn)文章。文章提出，可引入一種 AI 輔助能力來支持多學(xué)科診療決策，即AI 驅(qū)動(dòng)的智能患者檢索系統(tǒng)（AI-driven smart patient retrieval system）。腫瘤診療團(tuán)隊(duì)可借助相關(guān)系統(tǒng)，檢索與當(dāng)前患者臨床特征相似的既往病例，并將匹配結(jié)果與真實(shí)世界的治療路徑和預(yù)后數(shù)據(jù)相結(jié)合。

王嫣然及其合作者將“智能患者檢索” 定義為一種語義多模態(tài)檢索系統(tǒng)，該系統(tǒng)能夠在臨床病歷、醫(yī)學(xué)影像、病理資料和分子數(shù)據(jù)之間學(xué)習(xí)聯(lián)合特征表示。與依賴關(guān)鍵詞檢索或僵化的結(jié)構(gòu)化篩選不同，這類系統(tǒng)旨在識(shí)別跨不同數(shù)據(jù)類型的綜合相似性 —— 例如，細(xì)微的影像特征、文本記錄的癥狀以及分子變異組合，共同構(gòu)成具有臨床意義的病例相似性。

王嫣然表示，這本質(zhì)上是一項(xiàng)行動(dòng)倡議。我們認(rèn)為，這是實(shí)現(xiàn)真正精準(zhǔn)腫瘤學(xué)的重要且極具前景的路徑。這套 AI 系統(tǒng)不僅分析影像，還綜合放射影像、CT、病理數(shù)據(jù)以及基因信息等多模態(tài)資料，整合所有歷史數(shù)據(jù)與新病例信息，識(shí)別出最相似的既往病例，為新患者的診療提供有價(jià)值的參考。

該方法將腫瘤臨床中常見的“我曾遇到過類似患者……” 這一經(jīng)驗(yàn)式推理模式系統(tǒng)化，并將其拓展至超越單個(gè)醫(yī)生個(gè)人經(jīng)驗(yàn)的范圍。這一點(diǎn)至關(guān)重要，因?yàn)樵诤币姲┌Y和非典型腫瘤表現(xiàn)中，即便是經(jīng)驗(yàn)豐富的專家，整個(gè)職業(yè)生涯中也僅能接觸到少量相似病例。智能檢索技術(shù)可在單個(gè)醫(yī)療系統(tǒng)或機(jī)構(gòu)網(wǎng)絡(luò)中挖掘相關(guān)歷史病例，擴(kuò)大臨床團(tuán)隊(duì)對(duì)集體知識(shí)的獲取范圍。

作者們同時(shí)強(qiáng)調(diào)了該技術(shù)對(duì)患者的潛在價(jià)值。當(dāng)前臨床試驗(yàn)匹配與治療方案選擇，往往受限于僅關(guān)注少數(shù)生物標(biāo)志物的狹隘規(guī)則性標(biāo)準(zhǔn)。智能患者檢索可納入非結(jié)構(gòu)化病歷與多模態(tài)信號(hào)，擴(kuò)大檢索范圍，從而識(shí)別出攜帶罕見突變或非典型特征、易被常規(guī)流程遺漏的患者，這對(duì)提升先進(jìn)療法和臨床試驗(yàn)的公平可及性尤為重要。

與此同時(shí)，文章還強(qiáng)調(diào)，該技術(shù)的臨床應(yīng)用需要嚴(yán)謹(jǐn)?shù)脑O(shè)計(jì)與驗(yàn)證。AI 模型識(shí)別出的 “相似性” 并不自動(dòng)等同于臨床相關(guān)性，且檢索得到的預(yù)后數(shù)據(jù)來自真實(shí)世界診療模式，而非對(duì)照試驗(yàn)結(jié)果。作者們提出了多個(gè)研究方向，包括預(yù)后感知表征學(xué)習(xí)、先滿足嚴(yán)格臨床約束的兩階段檢索，以及結(jié)合臨床醫(yī)生反饋使結(jié)果更貼合專家判斷等。他們還呼吁建立完善的安全與治理機(jī)制，包括人在回路審核、不確定性評(píng)估、偏倚檢測(cè)與審計(jì)追蹤。

“我們倡導(dǎo)協(xié)同行動(dòng)，”王嫣然表示，“學(xué)術(shù)中心應(yīng)實(shí)現(xiàn)腫瘤多學(xué)科會(huì)診流程的數(shù)字化，同時(shí)臨床醫(yī)生必須作為共同設(shè)計(jì)者深度參與，因?yàn)樗麄兊呐R床判斷是系統(tǒng)的核心組成部分。這是一項(xiàng)多方協(xié)作的工作，需要共同致力于探索如何最大限度地利用數(shù)據(jù)與 AI 模型改善癌癥診療?！?/p>

文章中進(jìn)一步提出，大語言模型在基于檢索到的實(shí)證依據(jù)時(shí)，可輔助腫瘤多學(xué)科會(huì)診流程，幫助生成結(jié)構(gòu)化病例摘要、整合多模態(tài)患者數(shù)據(jù)，避免出現(xiàn)無依據(jù)的推斷。

總體而言，這篇觀點(diǎn)文章為 AI 賦能腫瘤多學(xué)科會(huì)診提供了發(fā)展路線圖：幫助會(huì)診團(tuán)隊(duì)從耗時(shí)費(fèi)力的數(shù)據(jù)整理轉(zhuǎn)向更聚焦、更具循證依據(jù)的深度討論，決策依據(jù)不僅來自診療指南和文獻(xiàn)，更來自真實(shí)相似患者的治療數(shù)據(jù)與疾病經(jīng)歷，讓既往病例真正惠及后續(xù)患者。

論文鏈接：

https://www.nature.com/articles/s41568-026-00923-1