人工智能（AI）自诞生以来，已在多种能力上被用于从根本上改变肿瘤学治疗。最初，这项技术被Matthew Matasar医学博士（罗格斯癌症研究所血液疾病科主任，也是《肿瘤学》杂志癌症幸存者编委会成员）形容为“容易产生幻觉的笑点”，但如今它已演变为肿瘤学治疗中一个“日益严肃”的方面，具有多种应用。
美国国家癌症研究所（NCI）将AI视为进一步了解癌症和改善患者护理的“前所未有的机遇”。NCI指出，近年来在AI模型训练、硬件升级以及获取影像、基因组学等领域大数据集这三个方面的发展，已使这些工具在癌症研究中产生了“有前景的新应用”。
NCI还强调，需要在临床实践中验证AI和机器学习技术，并推进“可解释的”AI，以便更好地将这些技术整合到工作流程中。此外，NCI指出，这些模型可能存在不准确代表更广泛医疗人群的风险，并且由于数据不完整或缺乏适当的多样性，可能会延续医疗偏见。因此，他们承认需要为这些技术的开发制定标准，以限制偏见并保持可重复性。
为了纪念该期刊创刊40周年，《肿瘤学》杂志采访了三位精通AI的肿瘤学家：Matasar；Arturo Loaiza-Bonilla医学博士、MSEd、FACP，圣卢克大学健康网络系统范围内的血液学和肿瘤学主任；以及Patrick Borgen医学博士，迈蒙尼德医学中心外科主任。三人讨论了诸如专用大型语言模型（LLM）、用于早期检测的AI辅助CT扫描以及使病理学民主化的基础模型等主题。
探索AI在临床工作流程中的专业应用
肿瘤学领域拓宽并发展了AI的应用，特别是在文档处理方面，这使临床医生能够更直接地与患者互动。Matasar表示：“我们正处于一个转折点，AI作为推进我们肿瘤学工作的工具已经到来……[包括]专用LLM……旨在简化临床研究流程的公司激增[以及]AI支持的临床图表记录能力。过去一年，早期采用的速度显著加快，然而我们只触及了表面。”
关于LLM，Matasar重点提到了OpenEvidence，这是一个声称从《新英格兰医学杂志》和《美国医学会杂志》网络以及NCCN指南等期刊中提取信息，为临床医生提供AI生成的见解的LLM。他们的使命是以医生为中心，并将自己定位为“AI副驾驶”，以帮助做出高风险、即时临床决策。此外，该应用声称已支持了超过1亿次来自美国临床医生的临床咨询，并且符合《健康保险可携性和责任法案》以及美国注册会计师协会的系统和组织控制2类II型合规要求。
此外，在回答AI如何融入工作流程时，Loaiza-Bonilla表示，AI可用于优化工作流程，并作为一种“结缔组织”来加速临床流程。
他解释说：“从临床角度来看，AI正变得越来越像肿瘤学连续体中的结缔组织。问题不在于‘我是否应该采用它？’而更多是‘我如何调整我的工作流程以适应AI的到来，从而造福我的实践和我的患者？’我们已经看到代理型AI支持肿瘤委员会[和]临床试验匹配，我们也在做路径依从性、护理协调，并与[美国临床肿瘤学会]和NCCN的指南相结合。”
代理型AI利用AI编排来协调机器学习模型执行任务，它使用LLM在现有的生成式AI技术基础上进行构建。此外，它与其他生成式AI模型的不同之处在于它能够使用生成的内容，调用外部工具自主完成复杂任务。Loaiza-Bonilla进一步表示，这项技术并非旨在取代临床医生，而是消除日常临床实践中出现的摩擦点。
Loaiza-Bonilla解释说：“最有意义的部署不会是花哨的或[在新闻稿中宣布的]。关键在于我们能否减轻文档负担，能否加快分诊速度，能否更快地获得试验机会并帮助团队执行——这才是我们将在这些工具部署中看到的真正价值。”
补充放射学扫描以实现更早的癌症检测
与两大趋势（乳腺X线摄影和肺癌筛查中的早期检测）相一致，AI正被用于更好地识别患者的早期癌症。Loaiza-Bonilla解释说，在乳腺X线摄影中使用AI可能有助于减少与该程序相关的时间和精力。
他说：“我们现在正在使用AI辅助[乳腺X线摄影]，以减少对这些乳腺X光片的双重审查数量，并且它也在临床试验中进行。我们有来自欧洲的数据，但现在美国也有多项努力，因为我们在乳腺密度等方面的人群不同。我很兴奋地看到这些算法在部署时的结果。”
除了肺癌和乳腺癌筛查，Loaiza-Bonilla还提到了由“癌症研究之友”领导的一项倡议，旨在建立将AI模型整合到RECIST评估中的标准，以便以更具可扩展性的方式更好地测量病灶。此外，他提到了发表在《柳叶刀肿瘤学》上的PANORAMA试验的结果，该试验强调了AI辅助CT扫描检测早期胰腺癌的能力，因为胰腺癌通常是在晚期才被发现的。
他最后强调希望看到这些模型在真实世界实践中得到部署，并指出许多放射学模型只局限于少数用例。
他说：“我所希望的是开始在实际实践中使用这些模型。目前，我们在放射学中使用的许多模型都局限于那少数几个用例和急诊科，例如发现骨折，但现在，肿瘤学作为这些高风险疾病之一，我们在这里有机会。”
通过基础模型促进心脏肿瘤学中的泛化性
据Loaiza-Bonilla称，基础模型将有助于促进心脏肿瘤学中的临床流程，特别是对于心电图（ECG）。基础模型是包含多达数百万个标记测试的数据集，可以针对特定用例构建泛化性。
他解释说：“在这种情况下，它可能是检测心律失常或危险因素，例如服用[酪氨酸激酶抑制剂]患者的QT间期延长，或新出现的[不良]效应，特别是对于可能有心血管疾病等易感因素的患者。”
在概述该领域的现状时，他指出了公司寻求向FDA验证这些基础模型以使其在心脏肿瘤学中普及的趋势。他预计，ECG的普遍性和易用性将允许其作为风险分层工具获得FDA的快速批准。这些模型与其他数据驱动算法一起，在整合到电子病历中时，可能有助于在心脏肿瘤学领域“推动发展”。
AI辅助乳腺癌筛查的进展
在2025年圣安东尼奥乳腺癌研讨会（SABCS）上，一种基于Transformer的架构展示了预测既往接受过乳腺癌治疗的患者复发风险的能力。此外，Loaiza-Bonilla表示，该工具可用于优化复发反应评分，并识别罕见疾病亚型的患者。
他说：“[该架构]可以更有意义地优化我们从不同供应商处看到的那些复发反应评分，并找到那些需要更多筛查或早期发现其他问题（如种系改变或危险因素）的特定患者，当我们使用与其他数据集的任何组合时。”
此外，他强调，利用AI在影像组学中的应用可能有助于确定患者是否可能从内分泌治疗等治疗中获益，只需观察CT扫描即可。他强调了III期TAILORx试验（NCT00310180）的结果，并解释说，AI工具的使用已成为在临床中部署或正在测试的模型的“主要验证点”。
SABCS上公布的结果显示，这种整合了影像、临床和扩展分子模型的多模态模型，在总复发和晚期疾病复发方面表现出强大的预后性能，优于单独的Oncotype DX 21基因复发评分。它在低基因组风险和高基因组风险组中表现出统计学上显著且临床相关的预后分层。
此外，Borgen表示，AI可用于更好地筛查患者和阅读乳腺影像研究。尽管是新颖的技术，需要进一步验证，但他设想将其用作一种经济高效且效率更高的工具，以增强肿瘤学实践。
他解释说：“我们已经看到数据表明，AI在阅读乳腺影像研究方面做得一样好甚至更好。当然，在筛查环境中，AI现在能够阅读3D或断层合成乳腺X光片，这是过去无法做到的。我们正在等待它们添加一项功能，将旧X光片进行比较，但在某个时候，它将取代一些人……它还没有准备好进入黄金时间，还没有准备好投资一家公司，但初步数据令人信服。”
通过基础模型实现病理肿瘤学的民主化
考虑到中低收入国家以及他称之为“癌症护理荒漠”的美国某些农村地区病理学家的短缺，Loaiza-Bonilla认为，答案可能在于基础模型，以加快即时读取，从而在缺乏现成病理学家的情况下识别需要进一步检测或治疗的患者。
他解释说：“目前，全球范围内，不仅在中低收入国家，而且在美国的县，我们都非常缺乏随时可以审查切片并提供支持的病理学家。我们现在看到的一件事是，借助这些包含数百万张切片、全切片图像的基础模型，我们可以利用这些模型仅查看[苏木精-伊红]染色。”
他进一步表示，在大规模使用这些民主化工具时，数据可以通过云上传并发送到本地计算机，从而使得初始筛查的评估可以在任何地方远程进行。此外，利用这些模型，甚至可以在病理学家自己读取切片之前识别潜在生物标志物的风险。
他说：“[你]只需拍摄图像并部署，然后说，‘嘿，这可能存在EGFR突变，或者这个样本可能是[雌激素受体]/[孕激素受体]阳性或具有PD-L1阳性。’这在病理学的使用中可能是至关重要的。[多学科]努力需要在[实践]之间进行才能实现这一点，但前景是巨大的。”
Borgen补充说，他承认一种情况，即AI图像分析将取代基因组分析领域的研究。他解释说：“在病理学中……这些平台学习速度极快，并且可以接受指令。一个问题是：‘在基因组分析领域的所有现有测试中，使用AI的图像分析是否会取代这些研究？’这当然是一种可能性。”
2026年：肿瘤学中AI工业化的年份
据Loaiza-Bonilla称，2026年将是AI工业化的年份。除了基础设施嵌入式服务之外，医疗和制药公司正在投资于在自己专有数据集上授权和训练基础模型，旨在加速从药物发现到患者部署的过程。
他解释说：“我们正在看到发现周期从数年压缩到几个月，在某些情况下甚至是几周。这就是我们将看到改进的方式。”
他表示，代理型AI将用于此过程中的“最终步骤确定”，它旨在帮助筛选出版物，并将“原始新闻转化为明智的决策”。具体来说，它是一种为小众和技术领域编译信息，并进行筛选以提供可能无法从主流新闻媒体快速获取的敏锐洞察力的手段。
此外，尽管出现了以AI为中心的平台，但Loaiza-Bonilla强调，在开发这些系统时必须实施监督，使其与循证医学文献保持一致，并打击错误信息。
他指出：“机遇巨大，但它们需要与证据、安全性、工作流程保持一致，当然，我们也要避免任何错误信息。[必须]有临床参与、治理和一些护栏，至少是在专业驱动的路径中。希望这能转化为我认为的最佳用例，即速度、可及性和执行力。”
他提到的面向患者的平台包括ChatGPT Health和Claude。ChatGPT Health声称提供专门的健康体验，具有ChatGPT的功能，并能够连接医疗记录和健康应用程序等信息，以帮助患者做出与健康相关的决策。Claude源自一个LLM“家族”，提供三种不同规模和复杂度的模型，最小的Haiku 4.5提供更快的见解，最大的Opus 4.6提供复杂的分析、深入研究和文档生成。
Loaiza-Bonilla最后解释说，要使AI模型成为他实践中的基础组成部分，它们必须符合他的最佳用例。
他解释说：“[AI]是否更快地将疗法带给患者，或者他们是否非常知情？我们能否更快地获得临床试验和指南一致性护理？我的团队和[我]是否花了更多时间行医，而更少时间与系统作斗争？如果AI帮助我们做到了这些，[它就在肿瘤学中赢得了]一席之地。这就是它如何从一项外围技术转变为[我们]工作流程中有趣的基础组成部分。”
参考文献
- 人工智能（AI）与癌症。美国国家癌症研究所。访问于2026年2月10日。
- 关于我们。OpenEvidence。访问于2026年2月9日。
- Agentic.ai主页。访问于2026年2月9日。
- Ai.RECIST项目：人工智能驱动的实体瘤疗效评价标准项目。癌症研究之友。访问于2026年2月9日。
- Alves N, Schuurmans M, Rutkowski D, 等。使用标准护理CT扫描进行胰腺癌检测的人工智能和放射科医生（PANORAMA）：一项国际性、配对、非劣效性、验证性、观察性研究。《柳叶刀肿瘤学》。2026；27(1):116-124。doi:10.1016/S1470-2045(25)00567-4
- Sparano JA, Lama N, Gray RJ, 等。整合影像、临床和分子数据以预测TAILORx研究中早期和晚期乳腺癌复发的多模态人工智能（AI）模型。发表于：2025年圣安东尼奥乳腺癌研讨会；2025年12月9-12日；德克萨斯州圣安东尼奥。摘要1601。
- 介绍ChatGPT健康。OpenAI。2026年1月7日。访问于2026年2月9日。
- 什么是Claude AI？IBM。更新于2026年2月3日。访问于2026年2月9日。
- 概述。Claude。访问于2026年2月9日。
【全文结束】