【年度盘点】2024年智能肿瘤学十大突破

机器学习引领肿瘤临床试验结果迈向真实世界应用新时代

评估抗癌药物疗效的随机对照试验（RCT）被认为是肿瘤学中最可靠的研究方法。然而，由于RCT通常采用严格的纳入标准，其结果在真实世界肿瘤患者中的适用性受到质疑。其中预后风险的异质性和选择偏倚可能对试验结果的普遍性产生重大影响，而这一点长期以来缺乏深入研究。为解决这一问题，美国宾夕法尼亚大学和Emory 大学研究者开发TrialTranslator，这是一个基于机器学习的评估框架，旨在系统评估RCT结果在肿瘤治疗中的普遍性。TrialTranslator 提供了一种创新的方法来解析真实世界肿瘤患者的预后异质性对RCT普遍性的影响，解决了长期困扰临床试验的外部有效性问题。TrialTranslator 的成功应用展示了机器学习在肿瘤学领域的巨大潜力，不仅提升了RCT结果的外部有效性，还为真实世界数据的深度利用和个性化治疗决策提供了范例。未来，这一框架或将进一步推广至更多肿瘤类型和治疗方案，为全面实现精准医疗奠定基础。

TrialTranslator 工作流程图

DNA纳米机器人助力精准癌症治疗

瑞典卡罗林斯卡学院的研究团队开发了一种基于DNA折纸技术的纳米机器人设备，为靶向癌症治疗开创了全新方向。这种纳米机器人具有高度智能化的特性，其设计理念基于刺激响应机制：在中性环境（pH 7.4）下，设备会隐藏6个细胞毒性配体以保持惰性，避免对健康组织造成影响；而在肿瘤微环境的酸性条件（pH 6.5）下，纳米机器人会迅速激活，展开成直径10 nm的六边形结构，显示出这些“武器”。这些配体通过精准聚集肿瘤细胞表面的死亡受体（DR），高效诱导癌细胞凋亡。在小鼠实验中，这种设备显著减少了乳腺癌异种移植物的生长，高达70%的肿瘤缩减效果证明了这一技术的强大潜力。该研究不仅展示了刺激响应型DNA纳米机器人在精准治疗中的突破性成果，还为开发高效、低毒的癌症治疗策略提供了全新路径，标志着精准医疗迈向了新的里程碑。

DNA纳米机器人

AI助力表型驱动药物发现的新工具

AI正在变革药物发现，表型驱动的方法成为传统靶点导向策略的有力补充。为克服化学诱导转录谱中固有噪声的挑战，中国科学院上海药物研究所郑明月课题组开发了 TranSiGen——一种基于自我监督表示学习的深度生成模型。TranSiGen 能够通过分析细胞基因表达和化合物分子结构，高精度重建化学诱导的转录谱，从而捕获细胞和化合物之间的复杂信息关联。该模型在配体虚拟筛选、药物反应预测和药物再利用等下游任务中表现优异，尤其在胰腺癌药物发现中的应用得到体外验证，展示了识别有效化合物的潜力。TranSiGen 的问世为表型驱动的药物发现和机制研究提供了强有力的工具，为精准医疗和生物医学研究的进一步发展开辟了全新路径。

TranSiGen结构及应用

推动放射学AI转化的云技术创新

智能肿瘤学在放射学领域具有广阔的应用潜力，但临床转化的进程往往因研究透明度和可复现性不足而受限。为解决这一关键问题，哈佛大学的Dennis Bontempi等人提出了一种基于云基础设施的创新解决方案。该方法通过利用云技术，构建透明且可复现的AI放射学工作流程，使研究人员能够更高效地验证AI模型的性能，并在不同数据集上扩展应用。此方案不仅提升了AI算法的可信度，还为加速其在临床中的实际转化铺平了道路，推动放射学领域迈向更加智能化的未来。

研究概述（a.在云端实现可复现性的流程；b.如何用可复现性流程在2个模型上验证）

基于3D形态学的深度学习平台推动肿瘤学诊断与预测

传统的二维组织病理学检查因采样偏倚难以全面表征三维（3D）组织形态。为解决这一问题，研究团队开发了TriPath，一个利用深度学习分析组织体积的创新平台，通过捕获3D形态学特征，有效预测临床结果。该平台在前列腺癌标本中通过开顶光片显微镜和显微计算机断层扫描成像进行训练，其基于体积的3D预测性能显著优于传统二维切片分析方法，甚至超越了6位资深泌尿生殖系统病理学家的诊断结果。TriPath 展示了纳入更大组织体积和异质性形态的潜力，不仅改善了复发风险分层预测的准确性，还减轻了采样偏倚对预测结果的影响，为肿瘤诊断与预后提供了更加全面和精准的解决方案。这一突破性进展为3D组织病理学的临床转化奠定了基础，标志着智能肿瘤学迈向新阶段。

 2D、3D病理学技术对比图

AI与基因组数据提升儿童癌症预后预测

当前儿童癌症护理亟需创新的预后预测方法，以实现个性化治疗。然而，对传统与高级预后模型性能的研究仍显不足。一项分析1991-2024年间385篇研究的系统性综述表明，基于基因组/转录组数据（Category-2）和AI技术（Category-3）的模型在预测非中枢神经系统实体瘤（NCNSST）5年总生存率（OS）方面表现最佳。尽管内部验证方法显示出较高准确性，但存在偏差问题，凸显数据共享与验证标准化的重要性。研究建议将先进的预后模型更广泛地应用于临床，并加强儿童肿瘤数据的收集和共享，以推动个性化分层治疗的发展。这一进展标志着儿科癌症护理向智能化和精准化迈出了重要一步。

文章选择流程图

AI推动传统医学与西方医学融合助力癌症防控

在癌症防控和治疗领域，传统医学与西方医学的融合正成为研究新热点。随着AI技术的飞速发展，其在整合多维数据、提炼医学规律和优化诊疗方案方面展现出独特优势。发表在Cancer Discovery上的清华大学团队的研究深入探讨了AI在推动传统医学与西方医学协同中的关键作用。AI通过分析传统医学中的复杂组方模式与西方医学的循证机制，提升了两者结合的科学性和精准度，为癌症预防、早期诊断和个性化治疗提供了突破性方案。这一进展为构建更加全面、高效的癌症防控体系开辟了新路径。

AI推动传统医学与西方医学融合

多模态生成式AI在人类病理学中的应用探索

计算病理学发展迅速，在特定任务预测模型和通用自监督视觉编码器方面取得了显著进展。随着生成式AI（GAI）的蓬勃发展，构建适用于病理学的通用多模态AI助手的研究却较少。自然语言处理在病理学中具有重要意义，它是解锁人类医学知识、辅助模型开发以及促进AI与用户交互的关键。大语言模型（LLMs）和多模态LLMs的发展为计算病理学带来了新的机遇，强调自然语言和人机交互成为AI模型设计和用户体验的关键部分。一篇发表在Nature上的哈佛大学医学院研究开发了PathChat，一个用于人类病理学的多模态生成式AI助手，并对其进行了广泛评估，展示了其在病理学教育、研究和临床决策中的潜在应用价值。

指令跟随数据集的管理和PathChat概述

癌症诊断与预后预测的新突破：弱监督机器学习框架的应用

在癌症诊断和治疗中，组织病理学图像评估至关重要。然而，现有的AI技术在处理不同来源和处理方式的图像时，存在泛化能力有限的问题。发表在Nature上的一项研究开发了CHIEF模型，这是一个通用的弱监督机器学习框架，旨在提取病理成像特征以进行系统性的癌症评估。CHIEF模型结合了无监督和弱监督预训练方法，利用全切片图像进行训练，能够提取对癌症细胞检测、肿瘤起源识别、分子特征表征和预后预测有用的微观表征。在独立切片图像上的验证显示，CHIEF模型性能优于现有深度学习方法，为癌症患者的数字病理评估提供了一个高效且可泛化的基础，有望推动癌症诊断和预后预测的发展。

CHIEF模型的概述

数字病理学全切片图像分析的前沿研究与应用前景

在数字病理学领域，全切片图像（WSI）的分析因千兆像素切片包含数万个图像瓦片而面临计算挑战。以往模型常对每个切片的一小部分瓦片进行子采样，忽略了重要的切片级上下文。发表在Nature上的一项微软公司的研究介绍了一种名为Prov-GigaPath的全切片病理学基础模型，该模型在171,189张全切片图像上进行了预训练，涵盖了超过30,000名患者的31种主要组织类型。研究者们提出了GigaPath，这是一种新颖的视觉Transformer架构，用于预训练千兆像素病理切片，并采用LongNet方法扩展GigaPath以适应切片级学习。该模型在26项任务中的25项上取得了最先进的性能，并在18项任务上显著优于第二好的方法。此外，该模型在病理学视觉-语言预训练方面也展现出潜力。未来，Prov-GigaPath有望在临床诊断和决策支持中发挥重要作用，推动数字病理学的进一步发展。

Provi - GigaPath概述

作者介绍