AI助力癌症預後評估，開啟精準醫療新紀元

Bringing medical advances from the lab to the clinic.

關鍵詞：人工智慧；多模態資料；癌症預後；可解釋性；Nature Cancer

精準醫學雖有進展，但臨床決策仍依賴有限變數和專家知識，難以全面整合多模態資料。為了克服這一侷限性，Julius Keyl 等研究人員在期刊 Nature Cancer上發表了題為Decoding pan-cancer treatment outcomes using multimodal real-world data and explainable artificial intelligence 的研究論文【1】。

本研究結合多模態真實世界資料（RWD）和可解釋人工智慧（xAI），旨在透過大規模資料解碼泛癌治療結果，識別關鍵預後標記物及其相互作用，為臨床決策提供資料驅動的支援，推動個性化癌症治療的發展。

研究結果表明，xAI能夠有效解碼癌症患者的預後結果，並透過多模態資料提供個性化的治療指導，為臨床決策提供支援。

(如需原文，加healsana並備註20250130NC)

主要研究結果

研究回顧性評估了德國埃森大學醫院150,079名癌症患者的電子健康記錄，最終納入15,726名接受系統治療的患者。研究使用深度神經網路預測患者的總生存期（OS）和下次治療時間（TTNT），並透過xAI方法（層相關傳播，LRP）解釋每個標記物對預後的貢獻。研究還透過外部資料集（3,288名非小細胞肺癌患者）驗證了xAI模型的效能，並比較了xAI模型與傳統預後評分系統的效能。

🔷模型效能

研究中開發的xAI模型在預測OS和TTNT方面表現出色，其效能優於傳統的預後評分系統，如UICC分期、ECOG表現狀態和Charlson合併症指數。在獨立的非小細胞肺癌患者佇列中，xAI模型的C-index顯著高於傳統評分系統（OS：0.75 vs 0.56，P<0.001；TTNT：0.70 vs 0.54，P<0.001），顯示出其在跨癌症型別風險分層中的優勢。

🔷關鍵標記物識別

xAI模型識別出114個關鍵標記物，這些標記物佔神經網路決策過程的90%。研究發現，C反應蛋白（CRP）、遊離三碘甲狀腺原氨酸（fT3）、ECOG表現狀態和乳酸脫氫酶（LDH）是最重要的標記物，它們在預測患者預後中起著關鍵作用。這些標記物的識別為臨床醫生提供了更全面的預後評估工具。

🔷標記物相互作用

xAI模型不僅識別了關鍵標記物，還揭示了1,373個標記物之間的預後相互作用。例如，CRP的預後貢獻取決於血小板計數和尿素氮水平。在外部驗證資料集中，這些相互作用的線性化斜率與內部資料集高度一致（Pearson’s r=0.9，P<0.001），驗證了xAI模型在不同資料集中的穩定性和可靠性。

圖1. 用於解碼治療結果的資料組成和基於 xAI 的工作流程概述

編者按：

本研究展示了xAI在多模態資料中的潛力，能夠為癌症患者提供個性化的預後評估和治療指導。未來的研究可以進一步探索xAI在不同型別癌症中的應用，並結合隨機對照試驗（RCT）設計，以生成新的資料驅動的假設並最佳化RCT設計。此外，隨著醫療資料的不斷增加，xAI方法有望無縫整合到常規臨床護理中，為精準醫療提供更強大的支援。

Reference：

【1】https://doi.org/10.1038/s43018-024-00891-1

編輯：Amber Wang，微訊號：Healsana；加好友請註明理由。助理：ChatGPT

征戰CS公眾號，以分享癌症領域最新研究為主旨，希望由此推動由實驗室向臨床應用的轉化。歡迎您的投稿與合作；也希望其他醫學科學家以推文的形式分享您的研究成果。

點選👆，關注癌症研究進展

運營：美國Healsan諮詢公司CA專案組，專注於臨床科研及臨床試驗的服務公司，擅長於針對癌症的臨床科研設計及臨床試驗結果的報告撰寫。

網址：https://healsan.com