随着人工智能（AI）技术的飞速发展，其在医学领域的应用正从概念走向现实。2025年美国临床肿瘤学会（ASCO）年会刚刚落下帷幕，会上多模态AI模型等前沿话题引发了广泛关注。AI将如何重塑肿瘤的诊断、治疗乃至新药研发的全景？近日，【肿瘤资讯】有幸邀请到三位深耕于该领域的顶尖专家——MD安德森癌症中心张建军教授、乐秀宁教授以及吴佳教授，围绕AI在肿瘤诊疗中的应用与挑战展开了一场精彩的圆桌访谈。
MD 安德森癌症中心 胸部肿瘤内科专家，胸部肿瘤内科终身教授，基因组医学科终身教授
MD 安德森癌症中心Moon Shot GEMINI数据库主任
MD 安德森癌症中心肺癌基因组学中心主任
MD 安德森癌症中心肺癌干预/预防中心主任
主要从事肺癌治疗和预防的临床及转化研究
研究方向为肺癌免疫基因组学
MD安德森癌症中心 胸头颈医学肿瘤内科
美国临床肿瘤学会（ASCO）会员
美国癌症研究协会（AACR）会员
临床专长：肺癌、头颈癌和其他胸部肿瘤的诊断和治疗
研究兴趣：非小细胞肺癌的分子机制和治疗策略
MD安德森癌症中心医学影像物理系/胸部/头颈部肿瘤内科学系 诊断影像学部
海湾海岸联合体转化影像指导委员会委员
乳腺癌月光射击计划IAB委员会委员
美国癌症研究协会（AACR）委员
美国医学物理学家协会委员
北美放射学会委员
研究兴趣和领域专长：医学影像物理、放射肿瘤学、生物工程、人工智能与机器学习等
多模态AI与免疫治疗：如何整合信息，应对决策冲突？
近年来，多模态AI模型因其整合不同来源数据的潜力而备受关注。然而，如何将其有效融入免疫治疗的临床决策，并解决在此过程中可能出现的冲突，是当前研究的核心议题。
吴佳教授首先指出，与单模态相比，多模态AI的优势在于能捕获更全面的信息，从而更精准地预测患者生存。然而，这也带来了挑战：所需数据维度更广，可能导致有效样本量减小；此外，如何选择最优的数据融合技术（如早期、中期或晚期融合）也是一个技术难题。目前，大多数研究仍处于“概念验证”阶段，虽然证明了多模态信息整合的价值，但尚未深入探讨临床实施层面的问题。吴佳教授提出了两个核心冲突点：“第一，当模型中不同模态的预测结果不一致时，我们应如何处理？第二，当AI模型的预测与现有金标准生物标志物（如PD−L1表达）不符时，临床医生应如何抉择？”这些问题表明，从研究到临床应用，我们仍有很长的路要走。
乐秀宁教授对此表示赞同，她从临床决策的角度强调，多模态整合是必然趋势。“医生做临床判断时，本身就是综合考量患者的个人情况、肿瘤特征、播散范围和基因组学信息。因此，多模态AI模型比单模态更符合临床逻辑。”但她也提醒，单模态AI的临床应用尚且有限，多模态模型在数据和监管层面将面临更多壁垒，短期内可能仍将主要停留在学术研究阶段。
张建军教授则进一步阐述了AI在免疫治疗中尤为重要的原因。他指出，与拥有明确突变靶点的靶向治疗不同，免疫治疗目前缺乏高效的生物标志物。决定免疫反应的因素极其复杂，涉及肿瘤微环境的方方面面，这远超人脑能处理的信息量。“免疫治疗的预测‘门槛’很低，我们确实需要更好的工具。AI，特别是能够整合影像组学、病理组学以及临床参数的多模态AI，正是在这个复杂系统中大有可为的方向。”
AI辅助病理诊断：从辅助工具到标准流程的最大的鸿沟在于“证据”
吴佳教授认为，基于基础模型（Foundation Model）的AI病理分析是近年来取得突破性进展的领域之一。海量病理图像数据为训练强大的AI模型提供了基础，使其在研究层面展现出超越放射组学和基因组学的潜力。然而，要将这些工具从“辅助”角色转变为“标准诊疗流程”的一部分，尚有距离。
吴佳教授将AI病理工具的应用场景归纳为三类：
计算机辅助诊断： 如利用AI辅助读取IHC染色的PD−L1表达率，提高效率和一致性
跨模态预测： 如利用常规的H&E染色图像直接预测PD−L1表达或EGFR突变状态，省去特定检测
开放式探索与发现： AI不局限于预测已知标志物，而是自主从数字病理切片中挖掘与患者预后或治疗敏感性相关的新信息
吴教授强调，实现临床转化的核心在于“证据等级”。“对于不同风险的应用场景，我们是否需要同样严格的验证标准？”吴教授提到，尽管学界对于是否所有AI模型都必须经过前瞻性临床试验验证存在争论，但主流观点仍倾向于严谨的验证方式。这无疑对研究提出了极高的要求，涉及资源、法规（如FDA审批）等多重挑战。吴教授呼吁，未来或许可以建立共识，对一些低风险应用场景（如辅助读片），在多中心回顾性数据或已发表的临床试验数据上进行验证，若能获得监管机构认可，将极大加速AI工具的临床转化。
张建军教授补充了一个较为接近临床的应用实例：利用AI驱动的图像分析系统，而非传统的人眼计数。虽然其基于回顾性数据训练的模式受到一些争议，但该公司正在开展前瞻性临床试验进行验证。“如果能够验证成功，这将成为病理影像AI领域的一个‘标杆’，为后续更广泛的应用奠定基础。”张教授认为，相较于更复杂的、从头发现新特征的AI模型，这类特定任务的AI工具可能更快进入临床。
AI驱动新药研发：从靶点发现到临床试验优化的革命
以AlphaFold在蛋白质结构预测领域取得革命性突破为标志，AI正在深刻变革药物研发的全链条。专家们探讨了AI在新药靶点识别和优化临床试验设计两方面的巨大价值。
靶点发现与药物设计：
吴佳教授引入了“数字孪生（Digital Twin）”的概念。正如工程师在电脑上模拟并优化建筑或飞机设计一样，AI的目标是在计算机中构建高保真的“数字病人”，用以模拟药物反应。随着单细胞、空间组学等多模态、多维度数据的积累，构建这样的“数字孪生”正成为可能。吴教授同时指出一个被忽视的关键点：我们用以衡量药物反应的“金标准”（如RECIST标准）本身存在粗糙和不精确性，这给AI模型的训练带来了“噪声”。因此，AI目前更多是作为高效的筛选工具，帮助研究者“排除”不良候选药物并“缩小”重点范围，但最终仍需实体实验进行验证。
乐秀宁教授对此充满信心：“AI辅助药物研发的机会巨大，许多初创公司已在布局。无论是优化小分子结构，还是预测药物敏感性，AI都能显著提升效率。”乐教授认为，技术迭代速度非常快，今天看似遥远的目标，在不远的将来或许就能实现。
张建军教授以蛋白质晶体结构预测为例，生动地说明了AI带来的颠覆性变革。“过去需要顶尖实验室花费一年甚至更长时间解析一个晶体结构，现在利用AI一周就能预测数个。这极大地加速了药物研发的早期进程。”但张教授同样强调，目前的预测精度尚未达到100%，后续的体内外功能验证依然是不可或缺的关键环节。
临床试验设计优化：
除了早期研发，AI在临床试验阶段同样潜力巨大。乐秀宁教授提出了两个创新方向：
简化试验入排标准： AI可以分析海量历史临床试验数据，识别出哪些入排标准是决定试验成败的关键，哪些只是沿用多年的“模板化”条款。通过简化非核心标准，可以让临床试验更贴近社区和真实世界，扩大患者招募范围
构建“合成/数字对照组”： 这是“数字孪生”理念的延伸。通过AI模型预测标准治疗在特定患者人群中的疗效，生成一个虚拟的对照组。这不仅能让更多参与试验的患者用上创新药物，还能在保证科学性的前提下，提升试验效率和伦理水平
吴佳教授补充道，AI还能用于“挽救”部分失败的临床试验。通过深度分析数据，AI或许能找到一个虽小但明确获益的亚组，使一个整体结果为阴性的药物重获新生。此外，在需要长期随访的试验中（如免疫预防研究），AI可以通过早期数据构建替代终点，提前预测试验成功概率，从而有效节约资源，加速决策过程。
AI应用的“全景图”：从预防到长期监测
访谈中，乐秀宁教授分享了他们近期合作发表的一篇综述文章。该文章系统性地梳理了AI技术如何在肺癌患者从预防到长期监测的整个旅程中发挥作用，构建了一幅AI应用的“全景图”。
综述框架涵盖六大关键节点：
预防（Prevention）
筛查（Screening）：如AI辅助识别肺结节。
诊断（Diagnosis）：如前述的数字病理分析。
预后（Prognosis）
治疗（Treatment）：辅助治疗决策。
监测（Monitoring）：监测治疗反应与复发。
这篇综述强调，是计算机科学、算力及算法（如基础模型、大语言模型）的底层技术突破，使得十年前、二十年前的临床构想在今天成为可能。
2025 ASCO前沿观察：AI在肿瘤学中的多维度渗透
谈及今年的ASCO年会，张建军教授总结了此次ASCO年会上AI相关的三大板块：
一是在临床研究层面，探讨AI如何优化试验设计和患者招募；
二是在临床实践层面，AI被用于帮助患者理解复杂的知情同意书，或自动生成病历以减轻医生负担；
三则是在基础研究与诊断层面，聚焦于数字病理和图像分析。
张教授认为，尽管2025年ASCO年会算不上一个“AI大年”，但它清晰地展示了一个持续、稳健的趋势：AI正在全面渗透到肿瘤学领域的各个角落，从基础研究到临床实践，再到患者沟通。
小 结
本次圆桌访谈清晰地勾勒出AI在肿瘤诊疗领域的应用现状与未来图景。从多模态数据整合到智能化病理诊断，再到颠覆性的药物研发模式，AI已不再是遥不可及的科幻概念，而是正在重塑肿瘤学未来的关键力量。
然而，专家们的探讨也充满了理性的思考——技术的可靠性、数据的精确性、临床验证的严谨性以及法规伦理的完善，是AI从“希望”走向“现实”必须跨越的关隘。未来，我们有理由期待，AI将真正解决临床上的一些核心难题，成为精准肿瘤学不可或缺的一部分。
排版编辑：肿瘤资讯-Nydia
苏公网安备32059002004080号
