《Journal of the Egyptian National Cancer Institute》：Artificial intelligence in cancer immunotherapy: current trends in predicting response and personalizing treatment
人工智能（AI）能够通过更准确地预测治疗反应、发现特定生物标志物以及制定个性化治疗方案，从而变革癌症免疫治疗。传统的单标记生物标志物（PD-L1、TMB、MSI）在不同肿瘤类型间缺乏一致性，且无法评估肿瘤异质性或动态的肿瘤微环境（TME）。本综述综合了多模态AI模型的进展，这些模型整合了基因组学、转录组学、影像组学、数字病理学（病理组学）、循环生物标志物和临床证据，以构建具有显著更高判别能力的复合预测特征。在少数回顾性研究中，针对全切片图像、CT/MRI/PET影像组学、空间与单细胞组学以及多组学融合模型的深度学习和集成模型，其受试者工作特征曲线下面积（AUC）超过0.8，但前瞻性和多中心验证仍然匮乏，且外部验证常常显示性能下降。AI还被用于增强过继性细胞疗法（如CAR-T）的转化流程，通过改进患者筛选、制造过程（如数字孪生）以及早期毒性预测（如CRS，ICANS）来实现。尽管如此，临床实施仍面临数据异质性、偏倚、纵向验证不足、可重复性有限以及大多数模型缺乏透明度等障碍，而前瞻性、多中心验证和可解释AI对于建立临床医生信任和获得监管接受至关重要。诸如联邦学习、基础模型、空间组学、数字孪生和可穿戴监测等新系统，代表了在临床实践中实现可泛化、保护隐私且可操作系统的路径。为实现AI的潜力，需要标准化数据生成，报告必须透明、跨学科，并且监管框架必须得到加强，重点关注AI的实际应用和患者安全。通过采取这些措施，AI可以从一个回顾性研究工具转变为前瞻性的临床决策支持系统，利用AI有意义地增强癌症免疫治疗的个性化和治疗效果。
本文叙述性综述聚焦于利用人工智能预测免疫治疗反应及个性化治疗实体和血液系统恶性肿瘤。文献通过检索PubMed、Google Scholar和临床试验注册库至2025年初的数据，使用以下术语：人工智能、机器学习、免疫治疗、生物标志物预测、肿瘤微环境、CAR-T和影像组学。研究优先纳入原始研究、前瞻性或外部验证分析，以及在缺乏主要研究时具有里程碑意义的综述。AI模式包括基于基因组学和转录组学的模型、影像组学、数字病理学、多组学整合以及新兴模式，如联邦学习、基础模型、空间组学和数字孪生。
免疫治疗反应图景尽管免疫治疗已在多种癌症类型中证明其临床有效性，但预测个体患者的反应仍然悬而未决。部分患者可获得持久缓解，而另一些患者则获益甚微或无获益，这种差异可归因于肿瘤异质性、表观遗传修饰和动态肿瘤微环境之间的复杂相互作用。PD-L1表达等常见生物标志物虽具前景，但其预测能力不一致且并非普遍可用，因此需要更复杂的整合性预测系统。
当前生物标志物的局限性现有生物标志物，包括PD-L1表达和微卫星不稳定性（MSI），对免疫治疗反应的预测价值不可靠。它们在患者筛选和治疗方面存在局限，导致个性化治疗建议仍不理想。以下是其中一些关键限制：预测价值不一致：PD-L1和TMB在不同癌症类型中给出的反应各异。无论高表达或低表达，这些生物标志物都不是免疫治疗成功的万无一失的预测因子，因为任一组中的患者可能对治疗无反应。肿瘤内与患者异质性：生物标志物表达在不同肿瘤区域缺乏一致性，且这种异质性可能随时间变化。因此，单个活检样本无法代表整个肿瘤的生物学特性。亚克隆新抗原（源于肿瘤细胞突变的独特蛋白质）的多样性也使预测更加困难，因为引发免疫逃逸的克隆即使在生物标志物水平较高时也可能持续存在。缺乏标准化：生物标志物检测平台在方法、样本要求和评分截断值上存在显著差异，这导致不同实验室和临床环境中的结果不一致且相互矛盾。复杂且不可预测的毒性：目前，生物标志物在预测或预防免疫相关不良事件方面不可靠。它们使患者管理和治疗选择复杂化，迫使医生考虑其他治疗选择。大多数支持免疫治疗的生物标志物数据仍处于研究阶段。这些生物标志物需要大规模、成功的临床试验来验证并获得接受。
肿瘤微环境（TME）的复杂性肿瘤微环境是一个复杂的生活环境，包含肿瘤细胞、防御机体的免疫细胞、支持机体的基质细胞、内衬血管的内皮细胞以及细胞外的细胞外基质系统。研究发现，TME的组成部分通过复杂的信号通路和代谢网络介导癌症转移、免疫稳态和对治疗的免疫反应。TME组分包括T细胞、调节性T细胞、骨髓来源抑制性细胞和肿瘤相关巨噬细胞。这些细胞产生细胞因子、代谢物和生长因子，抑制抗肿瘤机制，激活免疫抑制，并刺激肿瘤发展。围绕肿瘤细胞的细胞外基质和异常脉管系统塑造了肿瘤结构，同时也是免疫细胞浸润的屏障，削弱了免疫治疗反应。TME的代谢重编程导致营养匮乏和代谢物的免疫抑制，这触发了肿瘤对免疫检查点抑制剂的抵抗。免疫抑制网络，包括趋化因子信号和补体系统，促进了免疫逃逸。血管生成和基质的致密产生等物理屏障阻止了细胞毒性淋巴细胞的进入，这些屏障限制了免疫治疗的有效性。
整合/多模态生物标志物的兴起组合或多模态生物标志物——集合了不同流的数据（遗传、影像和临床数据）——正迅速成为免疫治疗反应预测的游戏规则改变者。这些数据模式，包括基因组学、转录组学、影像组学、组织病理学、血液生物标志物和临床特征，在性能上优于传统的单模态标志物（如PD-L1和TMB）。单个生物标志物不足以准确预测免疫反应，主要源于其单分子性质；因此，由复杂、动态相互作用驱动的反应需要更强大的解决方案。相比之下，整合模型拓宽了对肿瘤生物学、免疫状态和治疗反应的视野，反映了免疫逃逸和抵抗的各种机制。例如，深度学习框架如deepAFM整合了多种类型的数据，包括组织病理学、基因组学、影像组学和临床数据，以提高免疫治疗反应的预测。研究报告了高达0.80的AUC值，因为它还能识别与良好结果相关的关键模式和特征。将多组学与影像组学和病理组学整合，产生比任何单一模式更具鲁棒性的预测特征。将影像特征和数字病理学与分子生物标志物相结合，比单独使用每个特征能提供更好的预后信息。循环肿瘤DNA（ctDNA）动态、基于肿瘤组织的RNA谱和临床变量的结果，在预测免疫检查点抑制剂获益方面，与单一平台方法相比，显示出更高的敏感性和特异性。
AI模型与数据模式免疫治疗AI利用患者数据（包括遗传信息、实验室结果、影像和健康记录）来识别治疗反应者。整合各种数据集有助于识别复杂的生物标志物并预测肿瘤-免疫反应，利用AI支持医生为个体选择最有效的治疗。
基因组学和转录组学基因组学和转录组学提供了关于肿瘤生物学的高维视角：基因组学描述突变景观，而转录组学描述跨细胞类型和微环境状态的动态基因表达模式。AI与生物信息学和多组学整合，揭示肿瘤进化，识别有用的生物标志物，并支持药物选择。新兴工具，如用于基因组数据的Deep DR模型，在指导免疫治疗决策时面临标准化和互操作性方面的挑战。AI的应用涉及使用大规模基因组数据来支持个性化治疗、早期诊断、预后和药物开发。大数据应用将基因组学和转录组学与深度学习相结合，以预测变异、药物反应和遗传变化，为治疗提供信息。其中之一是基于AI的整合基因组学、转录组学、蛋白质组学和表观基因组学数据，以建立多组学生物标志物，模拟肿瘤行为和个性化免疫治疗。例如，神经网络可以预测肽-MHC结合亲和力，从而有可能识别新抗原，而转录组模型可以模拟肿瘤微环境的特征，作为靶向免疫治疗的预测因子。
影像组学与医学影像AI将影像组学与包括CT、MRI、PET和乳腺X线摄影在内的影像技术相结合，以检测病变、分层风险和预测结果。深度学习使用影像、基因组学和临床数据的组合来增强癌症的诊断和预后。通过非侵入性生物标志物（包括放射基因组学方法）可以预测遗传突变和结果追踪。在数据标准化、可重复性、基础设施和伦理方面存在临床应用的挑战。免疫组学和新成像用于测量免疫治疗的免疫相关副作用。使用AI也改善了对影像反应和毒性的评估，因为PET/CT和其他成像技术已经取得了进展。通过持续监测，使用这些方法可以实现这一点。在肿瘤学领域结合临床和影像数据可增强风险分层和个性化规划，以及影像组学-AI在临床决策支持中的整合。多模态成像（CT、MRI和PET/CT）结合机器学习模型用于预测肿瘤行为、复发和反应。用于预测新辅助免疫治疗后病理完全缓解的MRI影像组学临床列线图具有重要意义，因为它凸显了基于AI的影像组学如何支持优化个性化治疗和筛选患者以纳入免疫治疗试验。
数字病理学与病理组学基于人工智能的数字病理学使用H&E染色切片进行免疫肿瘤学分析，研究深度学习和计算方法在全切片图像上的效用，以识别和量化免疫生物标志物，为免疫检查点抑制剂分层患者，并预测免疫治疗反应和生存。它解决了组织采样、手动量化的主观性等挑战，以及未来临床部署的方向。基于数字病理学的AI模型可以分析组织病理学图像，以预测肿瘤分级、治疗反应和复发。通过应用深度学习，这些模型支持个性化免疫治疗策略，当与多组学数据整合时，可以改善癌症治疗的临床决策。结合全切片图像验证的AI数字病理模型可以预测对免疫检查点抑制剂的反应、对患者进行风险分层，并监测免疫治疗期间肿瘤微环境的长期变化。它们在可解释AI模型中的有用性也已在最近的工作中得到证明，显示了它们在评估模型严谨性、识别偏倚和基于假设的解释方面的价值，超越了传统的注意力图。一个多模态放射病理特征，结合数字H&E病理图像与CT扫描，并使用七种机器学习模型训练，在验证队列中预测胃癌免疫治疗反应和预后（AUC：0.978 - 0.822），并且遗传测量也将该特征与免疫相关通路和记忆B细胞浸润联系起来，提供了生物学解释性并促进了关于免疫治疗使用的准确决策。
其他输入类型多种类型的数据正成为AI分析的标准输入，例如H&E染色、免疫组化（IHC）、基因表达、遗传改变、TCGA数据和免疫细胞密度，特别是在结直肠癌免疫肿瘤学中。多模态AI被用于预测MSI状态和免疫反应，以及生存，许多研究采用深度学习、支持向量机和集成方法以获得稳健的预测。高级输入类型，如多重免疫组化（mIHC）和单细胞分析，能够对肿瘤微环境中的免疫细胞进行高分辨率图谱绘制。这些方法超出了标准H&E染色的能力，可以对细胞相互作用进行空间分析，并模拟黑色素瘤肿瘤生态系统的复杂性。将这些数据与数字病理学和AI相结合，将提高诊断准确性，并能更准确地预测免疫治疗反应，从而实现个体化治疗。
AI在实体瘤中的应用实体瘤的复杂性、异质性以及各种免疫逃逸策略使其成为免疫治疗的主要挑战。AI可以通过整合影像和临床数据来追踪反应、检测生物标志物，并根据个体患者的需求定制治疗，从而帮助克服这些障碍。以下部分讨论了在黑色素瘤、胃肠道癌症、非小细胞肺癌和其他实体瘤中的应用。
黑色素瘤：免疫原性金标准黑色素瘤具有高突变负荷，可能对免疫治疗有反应。AI利用全基因组和转录组学数据来识别可用于免疫治疗的免疫原性突变。深度学习和免疫原性量表大规模运作，以加速每个患者突变基因组的发现和验证。以下是实体瘤中的核心AI应用：新抗原发现：新抗原候选物通常使用基于AI的算法和免疫信息学来识别，然后用于开发针对每位患者独特癌症突变景观的个性化癌症疫苗。过继性细胞疗法优化：预测模型为过继性细胞疗法（ACT）细化T细胞选择和靶向，确保对患者特异性新抗原的高特异性并减少不良反应。治疗个性化：AI可以根据患者对免疫治疗的预期反应对患者进行排名，指导临床医生选择最有效的疗法和联合方案，并监测耐药机制。影像组学与无创诊断：基于AI的影像组学可以在病变组织的影像中检测到人眼无法看到的隐藏线索，提供治疗反应和总体生存的指标，甚至在某些情况下无需组织活检来检测突变。组织病理学与基因组学融合：像Pathomic Fusion这样的模型将组织学切片图像与基因组数据相结合，以增强预测、预后和治疗反应信息，并在胶质瘤和肾细胞癌等肿瘤中有效。同样，深度学习模型已将组织学与组学数据整合到各种癌症类型中，优于单模式特定模型，并提供诸如免疫细胞浸润等特征。AI在黑色素瘤和其他实体瘤中的应用展示了如何结合基因组学、影像学和临床数据实现高度个性化的免疫治疗。通过识别针对患者肿瘤基因型、免疫微环境和临床病史量身定制的治疗方法，这种方法也加速了生物标志物的发现和治疗优化，最终有助于精准肿瘤学的更大目标。
非小细胞肺癌：真实世界AI实施非小细胞肺癌是全球最常见的癌症之一，拥有大量真实世界临床数据，使其成为AI在免疫治疗中应用的天然试验场。基于临床、影像组学和基因组数据训练的AI模型有助于预测对免疫检查点抑制剂的反应，提高预测准确性，并实现更个性化的治疗决策。AI在日常分析临床、影像组学和基因组数据以改善使用免疫检查点抑制剂的治疗方面发挥着作用，并比传统方法更准确地预测患者反应。机器学习用于预测免疫治疗反应最近的研究发现，基于真实世界患者数据训练的机器学习模型可以预测免疫治疗在非小细胞肺癌中的有效性。CatBoost、逻辑回归、神经网络和向量机是测试的模型，用以评估其对疾病控制率、总体生存期和治疗失败时间等结果的预测能力。中性粒细胞与淋巴细胞比率、表现状态、PD-L1水平、治疗线和联合治疗状态都是重要的临床预测因子。AI工具与FDA认可Onc.AI开发的AI预后工具最近获得了FDA突破性设备认定。该工具对于利用真实世界数据集的影像扫描进行深度学习分析至关重要，用于在治疗期间将NSCLC患者分为高风险和低风险组。该工具的目标是通过增强风险分类来提高肿瘤治疗的效力。这将帮助肿瘤科医生根据自动化的、可重复的预后见解做出更好的决策。
胃肠道癌症：新兴挑战在胃肠道恶性肿瘤中，诸如数据质量、生物标志物限制和临床实施等挑战正在出现。目前，GI癌症数据集通常具有异质性或缺乏标准化，这使得AI模型难以持续学习模式并在不同患者群体中泛化发现。大多数用于诊断或预测胃癌或结直肠癌的AI训练模型未经外部验证，这引发了对其在标准临床实践中的可重复性和有用性的质疑。AI模型整合到临床实践中面临可解释性、偏倚以及与安全性和有效性相关的监管问题的限制；正在评估其作为指导免疫治疗使用的因素，无论其对其他临床因素的影响如何。随着AI应用从研究走向临床，数据隐私、算法透明度和公平获取等伦理和法律问题继续成为讨论的主题。因此，AI在增强GI癌症免疫治疗的使用方面具有巨大潜力；这些新兴问题需要妥善系统化，以便在临床中安全、有效和公平地实施。
其他实体瘤：例如，乳腺癌，胶质母细胞瘤在乳腺癌中，主要是三阴性形式的疾病，AI正在作为免疫生物标志物的预测因子进行评估，并用于分离最有可能对免疫治疗产生反应的患者，尽管存在共同的无反应性。胶质母细胞瘤可能由于其免疫抑制性微环境而具有挑战性；在此背景下，AI有助于分析肿瘤异质性和免疫逃逸机制，并识别潜在靶点。同样的策略正应用于肾细胞癌和头颈癌，AI分析病理信息以及其他影像和分子数据，以决定个体是否应接受免疫治疗。总之，这些应用突显了AI将个性化免疫治疗扩展到历史上对免疫耐药的非转移性实体瘤的潜力。通过提高免疫治疗的预测能力、诊断和定制治疗计划，AI正在重新定义实体瘤的管理，包括乳腺癌和胶质母细胞瘤。乳腺癌AI结合复杂的生物标志物数据来预测免疫治疗反应。这指导了对最有可能从免疫检查点抑制剂中获益的患者的选择。当与基因组学、转录组学和影像学结合使用时，AI能够实现免疫治疗有效性的个体化预测，特别是在难治亚型如三阴性乳腺癌中。使用基于AI的病理工具对免疫生物标志物和肿瘤浸润淋巴细胞进行标准化和自动化评分，使这些工具更准确、更少受观察者偏倚影响，并通过影像和分子谱分析更适合个体化治疗，以及预测治疗反应。胶质母细胞瘤在胶质母细胞瘤中，AI可以通过影像和分子分析来辅助免疫治疗，预测治疗反应，模拟治疗反应，并识别潜在的耐药机制。AI能够整合纵向临床和分子数据来模拟肿瘤进化和免疫逃逸，这是这种异质性和侵袭性肿瘤中的一个重要障碍。多模态AI模型已被研究以更好地分层实验性免疫治疗；然而，由于数据不足和脑肿瘤独特的微环境，仍存在重大挑战。AI正在引领为乳腺癌和胶质母细胞瘤创建定制免疫治疗的道路。然而，要充分实现其潜力，仍需进一步验证。
AI在血液系统恶性肿瘤中的应用CAR-T细胞疗法：预测模型与制造优化CAR-T细胞疗法代表了癌症免疫治疗中最重大的突破之一。将人工智能整合到CAR-T疗法中，改变了应对患者筛选、个性化治疗和改进制造过程中的挑战的方法。本分析回顾了AI驱动的预测模型在制造CAR-T细胞疗法中的当前应用、局限性和未来前景。
生物标志物发现与患者筛选AI彻底改变了CAR-T疗法中预测性生物标志物的识别，能够通过先进的机器学习模型准确预测治疗结果。AI驱动的多组学整合能够分析基因组、蛋白质组和代谢数据，以详细分析患者概况。CAR-T疗法的生物标志物使用诸如InflaMix等模型来识别治疗失败，提供比临床标志物更准确的信息。
不良反应预测AI在CAR-T疗法中最关键的应用之一是检测不良反应。机器学习模型使用实时患者数据准确预测细胞因子释放综合征（AUC高达0.90），并在临床表现出现前最多72小时预警其发生。同样，用于免疫效应细胞相关神经毒性综合征的神经影像和临床模型准确识别高风险患者，以进行早期干预，改善患者安全和结果。
通过数字技术优化制造：数字孪生的实施数字孪生是一个强大的工具，正在通过创建生产过程的虚拟模型来彻底改变CAR-T制造，正如AIDPATH项目中的多个用例所示。实时细胞扩增监测：数字孪生通过基于营养和代谢物水平的建模来预测最佳CAR-T细胞收获时间。软传感器集成：一个AI驱动的传感器网络解释生物反应器数据，提供实时警报和优化建议。生产计划优化：机器学习算法同步多患者制造，并管理细胞扩增时间表中的不确定性。
AI在预测淋巴瘤和白血病反应/毒性方面人工智能在预测白血病和淋巴瘤的治疗反应和毒性方面正在取得进展，从而实现血液癌症的精准医疗。预测治疗反应：基于影像的模型：AI驱动的PET/CT扫描的影像特征是淋巴瘤和治疗反应的准确预测因子，并优于传统指标。例如，使用治疗前模型预测伊布替尼反应的AUC值高达0.86。多模态和基因组AI：AI模型结合临床、遗传、病理和影像信息，用于个性化预测淋巴瘤的复发和生存，比传统的风险评分更有效。可解释AI和决策树对霍奇金淋巴瘤患者进行分类，以做出最有效的治疗选择。CAR-T与免疫治疗：基于深度学习的AI测试预测淋巴瘤患者对免疫治疗（如CAR-T）的结果，通过患者特异性治疗规划。预测和监测毒性：AI用于不良事件风险：机器学习算法可以预测严重的免疫治疗毒性，如CRS和神经毒性，特别是在白血病和淋巴瘤的CAR-T治疗期间。心理社会结果：利用AI分析患者报告的结果，揭示了经历严重心理社会毒性的高风险淋巴瘤和白血病患者群体，促进了更全面的护理。
局限性与未来方向：数据标准化与多中心验证：异质的数据集和可变的临床工作流程阻碍了AI工具的有效性。算法可解释性：决策树和可解释AI模型正日益普及，以建立临床医生信任并促进监管合规。整合到护理中：当与临床决策支持系统整合时，AI预测模型的使用将产生最显著的影响，促进利用实时患者数据的适应性治疗。
新兴血液疗法的转化潜力血液癌症的新疗法具有巨大潜力，AI的使用可以提高其预测能力、输送和个性化。新型和新兴疗法：细胞疗法：CAR-T细胞和工程化T细胞受体疗法正在重塑血液癌症的格局。双特异性抗体与抗体药物偶联物：双特异性抗体和抗体药物偶联物正在推进靶向免疫治疗，实现对癌细胞的精确靶向。先进纳米医学：最近的进展涉及配体定向的纳米粒子，可特异性地将药物靶向骨髓肿瘤细胞，提高生物利用度并减少全身毒性。人工智能的转化作用：生物标志物发现：机器学习和大数据支持的生物标志物改进了疾病分类和治疗，实现了精准医疗。个性化与定制化：通过整合临床、基因组和生物信息学信息，AI为每位患者量身定制抗体、细胞和纳米药物疗法，提供更个性化的血液癌症治疗方法。挑战与未来展望：转化障碍：主要挑战包括生物学变异性、对新型输送方法的免疫反应以及扩展复杂疗法。AI通过提供增强的预测和针对性的患者和疾病护理来帮助解决这些困难。个性化纳米医学：AI和先进诊断技术的使用有望成为血液癌症安全、有效和可扩展治疗的关键因素。
整合AI以实现个性化免疫治疗当今，癌症免疫治疗中的AI可以通过结合多种数据类型，如基因组学、转录组学、影像学、病理学和临床记录，成为真正的精准医疗。这种方法有助于捕捉肿瘤与免疫系统之间复杂的相互作用。使用AI进行肿瘤微环境分析和多模态数据可以发现新的生物标志物并预测治疗反应。这两种策略都可以支持以患者为中心的疗法，改善治疗决策，并帮助将免疫治疗推向常规实践。
新型生物标志物发现数字病理学中的AI使用H&E染色全切片图像研究癌症组织及其内部的免疫细胞。这是通过分析肿瘤浸润淋巴细胞等模式以及肿瘤微环境的特征来完成的。AI可以识别超出PD-L1、MSI或TMB等标准测试范围的免疫生物标志物。借助多重免疫组化和多组学整合等先进工具，AI可以揭示新的肿瘤-免疫相互作用，并支持发现更准确的生物标志物，以预测免疫治疗反应和患者生存。2025年美国临床肿瘤学会（ASCO）的亮点展示了数字病理学中的AI如何提供关键分子特征，例如HER2、BRCA和MSI，通过将病理学与临床数据相结合生成预后评分（如CAPAI），使其能够使用常规H&E切片和循环肿瘤DNA预测治疗反应或风险。这些进步极大地增强了生物标志物的发现能力，超出了传统检测的能力，从而为精准肿瘤学提供了强大工具。用于精准肿瘤学的人工智能和数字生物标志物正越来越多地用于在免疫肿瘤学中识别精确的生物标志物。AI能够检测肿瘤组织中的空间、上下文和细微形态模式，这些模式可以预测免疫反应和治疗结果。这项工作反映了AI驱动的生物标志物发现在精准癌症治疗中日益增长的应用和科学信心。
TME分析AI驱动的肿瘤微环境分析展示了肿瘤在组织病理学、单细胞测序和空间转录组学方面的空间和细胞复杂性。这些方法还揭示了免疫细胞浸润和检查点分子表达的模式，从而能够对“热”肿瘤和“冷”肿瘤进行分类。因此，它能够更好地预测免疫治疗反应，并为克服耐药性提供策略，从而将TME分析确立为个性化癌症免疫治疗的基础。AI驱动的TME分析正在变革个性化免疫治疗，通过实现肿瘤免疫和基质环境的多维表征，与治疗结果预测和优化具有清晰、直接的相关性。设计的AI算法检查组织病理学、转录组学和影像组学，以精确确定TME的组成、定位、空间分布和细胞相互作用，从而提高对免疫治疗的反应。专家已经证明，通过从标准病理切片中提取空间分辨的TME特征来预测患者预后的能力，其中种群和细胞水平的相互作用通过免疫治疗预测患者结果。AI具有测量免疫浸润、预测生物标志物表达以及识别传统病理学方法无法获取的免疫微环境特征的潜力，为指导治疗选择提供实时、无创和高通量的疾病评估。TME分析是人工智能驱动的快速发展的个性化免疫治疗基石，实现了更深刻的免疫表征和实时临床决策。
多模态整合AI的多模态整合结合了基因组学、转录组学、影像学、病理学和临床数据，以揭示肿瘤-免疫相互作用的趋势。这些模型通过从多种数据类型中提取信息，实现了生物标志物发现、治疗反应预测和适应性治疗规划。这种系统级策略也允许更大程度的患者区分，并朝着提供真正的个性化免疫治疗迈出下一步。AI中的多模态整合使用多种类型的数据来提高预测、评估治疗反应并为特定患者区分免疫治疗方案：基因组学、医学影像、数字病理学和临床记录。Transformer和图神经网络等先进的深度学习架构将多样化的数据结合起来，以在预测接受免疫治疗的癌症患者生存时揭示模式。多模态模型在预测治疗反应、复发风险和生存方面始终优于单模态方法，并且已被证明在预测生存和治疗选择方面具有显著的AUC，范围在0.80到0.91之间。结合纵向和常规诊断数据，如CT扫描、血液测试、药物史和基因组分析，可以实现这一点，无论癌症类型如何。多模态整合可以整体地表征肿瘤，考虑到个性化免疫治疗所需的空间、分子和临床异质性。它对结果做出更有力的预测，并且比单独的传统单标记生物标志物（如TMB或PD-L1）更有效。它加速了从精准医疗到日常肿瘤学实践的转变。基于AI的多模态整合将迅速推动个性化免疫治疗的发展，具有更强的预测能力和为癌症患者提供更定制的治疗计划。
局限性、验证与可解释性数据相关挑战AI在血液癌症中的应用因数据质量、偏倚和样本量等问题而受到严重阻碍。这些问题影响了AI在癌症免疫治疗和预测治疗反应中的准确性、可靠性、安全性和公平性。数据与质量挑战AI模型需要大量、精心策划的基因组学、临床和影像数据集。低质量、不一致的数据标签降低了模型性能和可重复性。在血液学中，罕见癌症病例很常见，高质量的全切片图像和标注样本通常不可用，这限制了深度学习模型的应用。由于不同的标准和数据孤岛，跨中心组织数据仍然是一个持续的障碍。偏倚及其影响算法偏倚源于倾斜或不平衡的数据，导致AI模型在多样化人群中应用不佳，并加剧医疗不公平。血液癌症风险AI模型存在偏倚，在没有外部验证的情况下，无法在非人口代表性数据集上很好地泛化，导致不同群体间的诊断准确性不平等。数据规模与限制血液AI研究通常基于小而有限的数据集，因为一些血液癌症很罕见，且数据共享受到限制，导致过拟合、校准不良和模型鲁棒性降低。
前瞻性验证与可重复性差距AI在预测免疫治疗反应方面显示出前景，但关键的验证和可重复性差距严重限制了其临床转化。仅为1.88%的用于癌症诊断的AI模型达到前瞻性临床使用，大多数仅限于回顾性分析。前瞻性验证危机与可重复性挑战大多数AI免疫治疗模型缺乏通过随机对照试验进行的前瞻性验证。当进行前瞻性测试时，AI性能通常会比回顾性结果下降，外部验证经常显示性能从0.80+的AUROCs降至0.66-0.70的范围。不到50%的免疫治疗AI研究包括外部验证队列。这种验证缺陷代表了临床实施最紧迫的障碍。此外，关于AI在肿瘤学中的研究面临着数据标准化方面的挑战，因为影像方案、肿瘤分割和数据收集程序不一致，使得难以复制模型。数据集中的偏见也使结果更加困难，因为研究中的大多数参与者是白人，且没有很多种族。学术机构通常提供不代表少数群体和低收入群体的训练数据，因此无法推广到这些群体。此外，不充分的方法学描述和脱节的算法开发降低了大多数研究的可重复性。
实施障碍与前进道路在癌症免疫治疗中实施AI面临各种挑战，例如优先考虑技术准确性而非临床使用的无效监管框架。其他挑战包括无法将AI整合到当前工作流程中、缺乏基础设施以及AI创新的快速发展，这些都使稳步实施变得困难。现状需要标准化方案、多机构临床试验、多代表性训练数据集和更强大的监管系统。需要跨学科协作和高层验证标准，以确保可重复性并实现AI在提供个性化癌症免疫治疗方面的潜力。
可解释性、透明度与临床信任许多AI模型是黑匣子，这仍然是其在癌症免疫治疗中应用的主要障碍，在这里决策可能影响患者生存。大多数系统不可解释，即使具有高预测准确性，这限制了临床医生的采用。医生很难理解AI生成的建议，因为将其整合到临床工作流程中具有挑战性。可解释AI（XAI）方法如SHAP和LIME通过阐明特征如何影响预测来帮助解决这个问题。研究表明，透明度提高了医生对AI生成建议的信心。例如，SHAP突出了关键生物标志物，如中性粒细胞与淋巴细胞比率，作为非小细胞肺癌患者免疫治疗结果的强预测因子，帮助临床医生用医学知识验证AI见解。最近的研究还表明，当与多模态模型和病理学结合使用时，可解释AI可以增强透明度和临床实用性，允许定量评估模型行为和识别嵌入的偏倚。尽管如此，对AI的信任是复杂且相对的。医生的接受取决于癌症类型、治疗复杂性以及与常规治疗的一致性，而患者仍然更倾向于遵循医生的决定而非基于AI的建议。透明度不应仅限于算法描述；它还应涵盖有关训练数据、偏倚和局限性的信息。然而，大多数医疗AI应用的开放性较低，透明度为22.7%至60.9%。要实现可靠的免疫治疗AI，需要更严格的透明度标准、用户友好的临床医生界面以及符合伦理和协作导向的应用。最后，为了促进以患者为中心、可解释和安全的癌症护理，AI不能取代人类知识；相反，它应该对其起补充作用。
未来展望与临床转化下一代AI方法：联邦学习、基础模型联邦学习允许多家医疗机构在不违反患者隐私的情况下共同训练AI模型，原始数据存储在每个本地站点。联邦学习避免将所有数据集中在一个位置，而是使用分布式计算来构建共享模型，最大限度地减少传统AI系统中普遍存在的数据稀缺和人群偏倚问题。基于联邦学习的模型在癌症研究中表现出色，在四个中心预测胃癌复发的AUC为0.710-0.869，在乳腺癌分类中的准确率为98.9%。但应注意，这些发现主要基于回顾性或有限队列研究，需要在不同人群中进行验证才能建议临床适用性。联邦学习框架有助于利用真实世界、多中心数据集预测免疫治疗中的治疗反应和不良事件。基础模型利用在数百万癌症样本上的大规模自监督预训练，为各种肿瘤学任务创建可泛化的表示。专门模型如MUSK，结合了来自5000万张图像的病理图像和临床数据，在预测免疫治疗结果方面比传统方法更有效。同样，Threads模型在超过47,000个组织切片上进行训练，并结合基因组信息，已在54个肿瘤学任务（包括突变检测和治疗反应预测）中展示了泛化能力。能够捕捉空间肿瘤异质性的视觉Transformer在对免疫治疗决策重要的分类任务中达到96-99%的准确率。ChatGPT-4和更大的语言模型如OncoGPT和CancerLLM是高性能模型，在回答免疫肿瘤学问题和预测药物敏感性方面达到约75%的准确率。Google开发的C2S-Scale基础模型甚至在免疫治疗中产生了新的假设，后来通过实验得到证实。结合多种类型的数据、影像、基因组学和临床信息，以及基于Transformer的架构，进一步增强了预测的准确性和鲁棒性。总之，这些下一代AI系统解决了数据稀缺、隐私和泛化性的长期问题，使癌症的可扩展、个性化免疫治疗成为可能。
新兴数据流空间组学技术绘制肿瘤微环境分子图谱并维持组织结构，从而阐明免疫细胞如何与肿瘤进行空间通信，与掩盖异质性的传统批量测序形成对比。空间转录组学和蛋白质组学记录细胞间相互作用，这些对免疫治疗反应很重要。空间多组学预测非小细胞肺癌免疫治疗结果的AUC为0.838，远高于传统生物标志物。基于AI的分析可以检测到新的空间耐药特征和虚拟生物标志物，如肿瘤与免疫聚集体之间的限制性细胞外基质，在无反应者中。数字孪生是结合基因组学、影像学、临床数据和实时测量的虚拟患者模型，用于模拟疾病进展和个性化免疫治疗计划。治疗诊断数字孪生在预测检查点抑制剂和PD-L1治疗反应方面有效，从而指导治疗前结果。使用数字孪生的体外实验节省了患者招募时间，并在临床注射前识别出那些将对免疫治疗产生反应的患者。使用AI控制的可穿戴设备，可以无创地持续监测癌症患者，在免疫治疗期间跟踪生命体征、活动和生物标志物。使用机器学习算法的可穿戴设备在识别免疫治疗并发症和在临床表现出现前识别危及生命的不良事件方面达到70-90%的准确率。作为数字孪生一部分的可穿戴数据，能够实现动态反馈系统，根据实时生理数据调整治疗方案。包括对数据隐私、标准化差距、传感器精度限制以及医疗保健集成障碍的批评。这些趋同的数据流代表了向整体、空间感知、持续监控、AI驱动、个性化癌症免疫治疗的范式转变。
迈向临床级AI与监管途径美国食品药品监督管理局将AI视为基于风险的软件即医疗设备。2025年1月的草案指南提出了一个七步可信度评估模型，重点关注验证、透明度和生命周期监测。肿瘤学AI计划（2023年启动）向FDA提供AI赋能的癌症药物开发特殊审查。仅1.88%的AI肿瘤学工具实现临床部署。FDA需要前瞻性随机试验来证明更好的患者结果，但大多数系统缺乏真实世界验证证据。现有要求需要与传统方法相媲美的卓越性，而大多数AI模型无法实现。在FDA批准的71个AI设备中，54.9%是放射学设备，19.7%是病理学设备，其中超过80%是诊断性的。一些最新的进展包括Paige的多器官癌症检测和具有87.2%临床准确性的自主AI代理。大多数研究基于回顾性数据，而不是在多样化人群中进行前瞻性和多中心验证。真实世界临床环境已显示由于外部验证而导致的性能显著下降。现有的实质等同途径可能不足以评估新的AI架构。AI实施需要可解释性；必须有电子健康记录整合和人类-AI协作框架，而不是自主决策。它对工作流程和未经培训的临床医生的阻力阻碍了采用。监管模型必须允许AI系统通过提供算法更改协议来持续学习。国际协调工作旨在代表大量人群并最小化偏倚。要实现临床级AI，需要将技术措施转化为临床益处和改善的患者结果。
结论AI已成为癌症免疫治疗的游戏规则改变者，特别是在解决患者间治疗反应异质性这一长期问题上。AI模型通过将高维数据整合到模型中，提供了对肿瘤生物学和肿瘤微环境更详细的描述。机器学习和深度学习方法在预测对免疫检查点抑制剂的反应、识别新的复合生物标志物和患者分层方面变得更加有用，且不依赖于传统的单参数生物标志物，如PD-L1表达或肿瘤突变负荷。值得注意的是，AI还将支持动态和纵向评估，使治疗决策能够跟上肿瘤适应和免疫重塑的步伐。所有这些发展使AI成为真正个性化免疫治疗的关键，能够实现高反应率、减少不合理的毒性并改善临床决策。尽管前景广阔，但AI作为免疫治疗的临床转化因数据质量、模型理解、可重复性和监管可接受性问题而停滞不前。需要在其他患者群体中进行强有力的前瞻性验证，以确保结果具有可泛化性并避免算法偏倚。此外，应标准化数据生成方案和透明报告模型，以减少计算和临床应用之间的差距。未来的方向将以肿瘤学家、免疫学家、数据科学家、生物信息学家和监管机构之间高度的跨学科合作为标志。这种合作不仅对于完善预测模型是必要的，而且对于在基于AI的工具中实施伦理、可解释和以患者为中心的原则也是必要的。AI可以用于治疗患者的一种可能方式是使其成为精准癌症免疫治疗的稳定、有意义的工具，作为治疗方案的一部分，帮助个体协调他们的努力。
