Nature系列綜述：王嫣然等提出AI驅動的 “智能患者檢索” 技術，有望重塑腫瘤多學科會診決策

編輯丨王多魚

排版丨水成文

腫瘤多學科會診，是癌癥診療的核心環節，腫瘤醫生、放射科醫生、病理科醫生及其他專科醫生共同協作，解讀復雜臨床證據并制定治療方案。但隨著精準腫瘤學的發展，臨床工作負荷也隨之增加：不斷擴展的基因組檢測組合、多模態影像、病理結果以及漫長的治療史，使得醫生難以快速整合完整信息，尤其是那些最具挑戰性、最需要審慎討論的疑難病例。

近日，密歇根大學王嫣然（Joyce Yan-Ran Wang）教授與斯坦福大學Akshay Chaudhari教授在 Nature 旗下綜述期刊Nature Reviews Cancer發表了題為：的觀點文章。文章提出，可引入一種 AI 輔助能力來支持多學科診療決策，即AI 驅動的智能患者檢索系統（AI-driven smart patient retrieval system）。腫瘤診療團隊可借助相關系統，檢索與當前患者臨床特征相似的既往病例，并將匹配結果與真實世界的治療路徑和預后數據相結合。

王嫣然及其合作者將“智能患者檢索” 定義為一種語義多模態檢索系統，該系統能夠在臨床病歷、醫學影像、病理資料和分子數據之間學習聯合特征表示。與依賴關鍵詞檢索或僵化的結構化篩選不同，這類系統旨在識別跨不同數據類型的綜合相似性 —— 例如，細微的影像特征、文本記錄的癥狀以及分子變異組合，共同構成具有臨床意義的病例相似性。

王嫣然表示，這本質上是一項行動倡議。我們認為，這是實現真正精準腫瘤學的重要且極具前景的路徑。這套 AI 系統不僅分析影像，還綜合放射影像、CT、病理數據以及基因信息等多模態資料，整合所有歷史數據與新病例信息，識別出最相似的既往病例，為新患者的診療提供有價值的參考。

該方法將腫瘤臨床中常見的“我曾遇到過類似患者……” 這一經驗式推理模式系統化，并將其拓展至超越單個醫生個人經驗的范圍。這一點至關重要，因為在罕見癌癥和非典型腫瘤表現中，即便是經驗豐富的專家，整個職業生涯中也僅能接觸到少量相似病例。智能檢索技術可在單個醫療系統或機構網絡中挖掘相關歷史病例，擴大臨床團隊對集體知識的獲取范圍。

作者們同時強調了該技術對患者的潛在價值。當前臨床試驗匹配與治療方案選擇，往往受限于僅關注少數生物標志物的狹隘規則性標準。智能患者檢索可納入非結構化病歷與多模態信號，擴大檢索范圍，從而識別出攜帶罕見突變或非典型特征、易被常規流程遺漏的患者，這對提升先進療法和臨床試驗的公平可及性尤為重要。

與此同時，文章還強調，該技術的臨床應用需要嚴謹的設計與驗證。AI 模型識別出的 “相似性” 并不自動等同于臨床相關性，且檢索得到的預后數據來自真實世界診療模式，而非對照試驗結果。作者們提出了多個研究方向，包括預后感知表征學習、先滿足嚴格臨床約束的兩階段檢索，以及結合臨床醫生反饋使結果更貼合專家判斷等。他們還呼吁建立完善的安全與治理機制，包括人在回路審核、不確定性評估、偏倚檢測與審計追蹤。

“我們倡導協同行動，”王嫣然表示，“學術中心應實現腫瘤多學科會診流程的數字化，同時臨床醫生必須作為共同設計者深度參與，因為他們的臨床判斷是系統的核心組成部分。這是一項多方協作的工作，需要共同致力于探索如何最大限度地利用數據與 AI 模型改善癌癥診療。”

文章中進一步提出，大語言模型在基于檢索到的實證依據時，可輔助腫瘤多學科會診流程，幫助生成結構化病例摘要、整合多模態患者數據，避免出現無依據的推斷。

總體而言，這篇觀點文章為 AI 賦能腫瘤多學科會診提供了發展路線圖：幫助會診團隊從耗時費力的數據整理轉向更聚焦、更具循證依據的深度討論，決策依據不僅來自診療指南和文獻，更來自真實相似患者的治療數據與疾病經歷，讓既往病例真正惠及后續患者。

論文鏈接：

https://www.nature.com/articles/s41568-026-00923-1