自从人工智能诞生以来，它就被开发用于模仿生物体或生物结构的适应和自组织能力，以在数据驱动框架内寻找新的解决方案并做出决策。因此，将多种数据源结合用于医学应用是人工智能的进化下一步，这模拟了肿瘤学家复杂的决策过程。这些新颖的数据整合方法可能为临床决策支持系统带来信息处理技术的重大进步，为计算肿瘤学和精准医学创造前所未有的动力。
特别是，多模态人工智能已成为整合异质性肿瘤学数据（包括医学影像、基因组学、转录组学、放射组学、深度特征和临床参数）的关键推动者。深度学习模型或放射组学特征与其他组学结合，可能通过建立放射学特征与分子表达之间的关联来揭示潜在的疾病机制并支持个性化诊断，从而体现这一范式。与此同时，多组学研究已证明能够整体捕捉肿瘤内变异，改善预测性能、模型稳定性和预后准确性。
然而，多模态整合仍面临基础设施复杂性、数据共享法规、数据点不完整和临床变量缺失等挑战。因此，生成模型、可解释人工智能和联邦学习已成为在肿瘤学中开发稳健、可解释且保护隐私的多模态人工智能系统的重要组成部分。
本期特刊的目标是突出多模态人工智能在肿瘤学中的最新进展和新应用，特别关注整合异质性数据源的深度学习方法。多模态人工智能能够将医学影像、基因组学、转录组学、放射组学和临床数据融合到统一特征空间中，为癌症诊断、预后和治疗规划提供更精准和稳健的决策支持系统。尽管在多模态成像技术和计算方法方面取得了显著进展，但组织水平成像表型与潜在分子和遗传疾病生物标志物之间仍存在关键的知识空白。
将互补的数据模态（如影像、临床、实验室、语义、组学和放射组学）整合为复合特征，有潜力通过捕捉生物学通路、临床相关知识以及肿瘤异质性，来缓解单源数据的局限性。这种整体表示有望改善治疗反应评估、生存分析和预后建模。此外，融入更广泛的语义和上下文特征可能催生以人为中心的人工智能模型，增强可解释性、可信度和临床接受度，同时推动个性化肿瘤治疗的发展。
在本期特刊中，我们欢迎以下类型的稿件：多模态人工智能方法的新方法论贡献、基准测试和比较研究、批判性评述文章、聚焦数据整合策略的方法学调查，以及新多模态数据集和与肿瘤学相关的高质量转化研究。特别鼓励涉及多模态人工智能的理论基础、算法开发、临床验证和实际部署挑战的贡献。推进癌症诊断、预后和治疗规划领域最先进水平的探索性研究和应用驱动研究均属于本期特刊的范围。具体而言，感兴趣的主题包括但不限于：
• 从影像到基因组学：肿瘤学人工智能中的放射基因组学、放射转录组学、放射细胞遗传学
• 多模态肿瘤学数据集中的生成式人工智能
• 肿瘤学中的多模态联邦学习
• 多模态肿瘤学人工智能中的可解释人工智能
• 用于多模态癌症诊断的代理型人工智能
• 用于预后肿瘤学的多专家人工智能
• 医学中的预后多模态人工智能
• 癌症诊断中的多模态人工智能
• 肿瘤学数据与机器学习的多组学整合
• 用于癌症诊断多参数医学影像的集成人工智能
• 用于捕捉复杂潜在生物学机制的多模态数据融合
• 癌症预后和诊断中的多组学深度学习
• 放射组学、基因组学、实验室检查和临床数据的多源数据整合
请注意，仅包含公共组学数据库的生物信息学或计算分析，且未辅以相关功能验证（临床队列或体外/体内生物学验证）的稿件，不属于本研究主题的范围。
参考文献
[1] Trivizakis, E., & Marias, K. (2023). Deep Learning Fundamentals. In Introduction to Artificial Intelligence (pp. 101-131). Cham: Springer International Publishing.
[2] Trivizakis, E., Koutroumpa, N. M., Souglakos, J., Karantanas, A., Zervakis, M., & Marias, K. (2023). Radiotranscriptomics of non-small cell lung carcinoma for assessing high-level clinical outcomes using a machine learning-derived multi-modal signature. BioMedical Engineering OnLine, 22(1), 125.
[3] Trivizakis, E., Koutoulakis, E., Koutoulidis, V., Moulopoulos, L. A., Terpos, E., Ntanasis-Stathopoulos, I., ... & Marias, K. (2025, May). Radiocytogenetics in Multiple Myeloma: Predicting Cytogenetic Aberrations from WBCT Imaging Features. In 2025 IEEE 19th International Symposium on Applied Computational Intelligence and Informatics (SACI) (pp. 000231-000236). IEEE.
[4] Trivizakis, E., Souglakos, J., Karantanas, A., & Marias, K. (2021). Deep radiotranscriptomics of non-small cell lung carcinoma for assessing molecular and histology subtypes with a data-driven analysis. Diagnostics, 11(12), 2383.
[5] Trivizakis, E., Papadakis, G. Z., Souglakos, I., Papanikolaou, N., Koumakis, L., Spandidos, D. A., ... & Marias, K. (2020). Artificial intelligence radiogenomics for advancing precision and effectiveness in oncologic care. International journal of oncology, 57(1), 43-53.
[6] Dimitriadis, A., Trivizakis, E., Papanikolaou, N., Tsiknakis, M., & Marias, K. (2022). Enhancing cancer differentiation with synthetic MRI examinations via generative models: a systematic review. Insights into Imaging, 13(1), 188.
[7] Koutoulakis, E., Trivizakis, E., Markodimitrakis, E., Agelaki, S., Tsiknakis, M., & Marias, K. (2026). A critical review of explainable deep learning in lung cancer diagnosis. Artificial Intelligence Review, 59(1), 28.
[8] Markodimitrakis, E., Trivizakis, E., Ioannidis, G. S., Koutoulakis, E., Tsiknakis, M., Papanikolaou, N., ... & Marias, K. (2026). Federated learning on magnetic resonance imaging: a critical review. Artificial Intelligence Review.
【全文结束】