基于动态感知模型（DAM）的纵向液体活检数据预测胃癌患者治疗响应研究

这篇综述创新性地将人工智能（AI）技术应用于纵向液体活检数据分析，开发了动态感知模型（DAM），通过整合循环肿瘤细胞（CTCs）、循环内皮细胞（CECs）和肿瘤标志物的动态特征，实现了胃癌（GC）治疗响应的精准预测（AUC达0.807）。研究突破了传统细胞计数方法的局限，首次揭示了AI模型对肿瘤细胞视觉特征（如大小、异质性）的解析能力，为个体化治疗策略提供了新范式。

　　

背景
胃癌（GC）作为全球第五大常见癌症，其治疗响应预测长期受限于患者间的高度异质性。液体活检技术的崛起为破解这一难题提供了新思路——通过捕获循环肿瘤细胞（CTCs）、循环内皮细胞（CECs）及肿瘤标志物等动态数据，既能反映细胞分子层面的异质性，又能实现低创、高频的时序监测。然而，传统基于细胞计数的统计方法难以充分挖掘纵向数据的价值。本研究首次将深度学习技术引入该领域，开发了动态感知模型（Dynamic-Aware Model, DAM），旨在通过AI解码多源时序数据的复杂模式，实现治疗响应的精准预测。

方法
研究团队收集了北京肿瘤医院91例GC患者2019-2022年的纵向数据，包含1895张肿瘤相关细胞图像和1698项肿瘤标志物指标（AFP/CEA/CA19-9等）。DAM的创新架构包含五大模块：

1. 细胞聚合器：采用ResNet-18提取CTCs/CECs图像特征，通过双阶段Transformer整合时序数据
2. 标志物聚合器：利用多层感知机（MLP）处理动态肿瘤标志物
3. 时序交互模块（TIM）：基于交叉注意力机制对齐不匹配的多源数据
4. 时序聚合器：四阶段Transformer生成患者级特征
5. 预测器：三层MLP分类响应（CR/PR）与非响应（PD/SD）

为应对小样本挑战，研究采用三折交叉验证（训练集74例，测试集17例）及动态纵向消除策略（80%时序随机采样），并通过Grad-CAM算法可视化模型注意力区域。

结果
DAM展现出显著优势：

• 预测性能：三折交叉验证平均AUC达0.807±0.048，独立测试集AUC 0.802，显著优于传统细胞计数模型（AUC 0.582）
• 早期预测：仅用3个月内数据即可达到AUC 0.718，6个月数据提升至0.786
• 多源整合：TIM模块有效融合图像与标志物数据，较单模态模型（DAM-TCI 0.731，DAM-TM 0.725）提升明显
• 视觉解析：CTCs注意力评分显著高于CECs（P<0.0001），识别出6个动态视觉特征（如聚焦区域变异度VarFA、平均面积AvgFA等），其构建的MLP分类器AUC达0.778

讨论
该研究突破了液体活检领域三大传统局限：

1. 动态建模：首次实现多时间点异质性特征的时序编码，早期数据即可预测远期疗效
2. 视觉解码：发现CTCs的形态学特征（如大尺寸、高复杂度）与疗效显著相关
3. 临床适配：模块化设计兼容时序缺失数据，为整合影像/病理等多模态数据预留接口

局限性在于当前样本覆盖多种治疗方案（化疗/靶向/免疫），未来需扩大特定疗法队列验证。

结论
这项研究开创了AI驱动纵向液体活检分析的新范式，DAM模型不仅证实了动态生物标志物的临床价值，更通过可视化解析揭示了肿瘤细胞的形态学预测规律。该技术框架可扩展至其他癌种，为实时监测治疗响应、优化个体化策略提供了智能化解决方案。