综述：闭环精准肿瘤学：一种数字孪生驱动的肿瘤动态决策范式

《iMetaMed》：Closing the Loop in Precision Oncology: A Digital Twin-Driven Paradigm for Dynamic Decision-Making

　　

精准肿瘤学正从预测范式向基于动态数据的自适应决策演变。本文系统性地提出了一种前瞻性的闭环智能肿瘤系统（Closed-Loop Intelligent Oncology System, CIOS）概念框架，旨在通过更新近似患者病理生理状态关键方面的个体化数字孪生，支持对候选治疗策略的迭代评估，并为临床护理的及时调整提供信息。CIOS的核心思想不仅在于预测肿瘤演化，更在于将决策构建为一个闭环过程，即在计算环境中于明确约束下评估候选策略。本文描述了一个五层参考架构以阐明CIOS的运行机制：（1）感知层：多模态数据融合；（2）仿真层：基于物理信息神经网络（Physics-Informed Neural Network, PINN）的数字孪生；（3）决策层：用于自适应治疗的安全强化学习（Safe Reinforcement Learning, Safe RL）；（4）演化层：元学习（Meta Learning）与联邦学习（Federated Learning, FL）；（5）信任层：可解释人工智能（Explainable AI, XAI）与不确定性报告。研究人员系统回顾了各层关键技术在肿瘤学领域的初步研究进展与应用探索，并深入讨论了技术挑战、临床转化障碍及未来研究方向，旨在为进一步研究和最终实现这一概念框架提供理论参考与潜在指导。

1 背景与介绍

精准肿瘤学在过去十年中显著重塑了癌症治疗格局，治疗决策日益受到个体化分子和遗传学特征的指导。基于特定生物标志物的靶向治疗和免疫检查点抑制剂已重塑了多种癌症的治疗策略，并改善了部分晚期疾病患者的预后。然而，在这一成功背后，一个重要的局限性也日益凸显：当前的精准肿瘤学范式在许多场景下仍相对静态且具有反应性。治疗决策通常基于诊断时的单时间点“快照”，例如对原发肿瘤组织的一次性基因测序。这种方法忽视了肿瘤作为一个复杂、动态和适应性系统的内在本质。肿瘤并非均质的细胞团，而应被理解为由多个亚克隆组成、具有显著内部异质性的进化生态系统。在治疗的选择性压力下，肿瘤可能发生达尔文式进化，对治疗敏感的癌细胞被清除，而少数预先存在或新出现的耐药细胞存活并增殖，进而导致复发和治疗失败。肾癌的多区域测序研究清晰地揭示了肿瘤内部的广泛空间异质性，发现不同的转移灶可能拥有完全不同的基因突变谱，这解释了针对单一靶点的药物为何往往难以取得持久疗效。结直肠癌的“大爆炸”生长模型则表明，肿瘤的大部分遗传多样性可能在发展极早期就已确立，这意味着治疗策略必须从一开始就考虑肿瘤异质性。McGranahan和Swanton进一步阐述了这种克隆进化是癌症治疗失败的主要驱动因素。因此，当潜在疾病状态持续变化时，依赖静态生物标志物的治疗策略可能是不足的。这些观察结果表明，临床实践可能受益于一种能够从“静态预测”转向“动态决策”的新范式，即根据治疗期间患者的连续反馈（如肿瘤消退、耐药亚克隆的出现）动态且前瞻性地调整治疗策略。在此背景下，数字孪生的概念为解决这些挑战提供了一个潜在的实用框架。在医疗保健领域，数字孪生可被理解为整合了机理知识与输入临床数据的、动态更新的患者或疾病过程的计算表征。最近的综述表明，这一概念可能支持个体化预测、计算机模拟实验和模型知情决策支持，尽管大多数肿瘤学应用仍处于早期、模块化且验证不足的阶段。心血管建模领域的研究指出，临床实用的人类数字孪生需要严格的个性化、明确的不确定性管理以及持续的验证与确认。类似的要求在肿瘤学中可能更为严格，因为疾病轨迹受到克隆进化、治疗适应性和异质性多尺度数据的共同影响。原则上，肿瘤学数字孪生应超越静态健康记录库，整合多模态纵向数据流（包括影像学、液体活检、实验室结果和患者生成信号），以支持肿瘤演化和治疗反应的动态预测。然而，此类全面个体化孪生的证据基础仍处于初步阶段，前瞻性临床验证仍然有限。本文提出的CIOS并非可部署的产品，而是一个用于综合围绕闭环肿瘤学的碎片化证据基础的组织框架。重要的是，本文应被理解为叙述性和概念性综述，而非系统性综述。各节讨论的文献是有针对性地选择的，旨在说明该框架五层的发展现状、代表性技术方法和主要争议，重点关注有影响力的肿瘤学研究、基础方法论论文和最新的转化报告。因此，研究人员的目标不是提供详尽的定量证据综合，而是阐明所提出架构的运行逻辑，比较竞争性的建模选择，评估现有证据的成熟度，并确定在闭环肿瘤学走向前瞻性验证之前必须解决的科学、临床和实施问题。同样重要的是要将CIOS与医疗数字孪生、AI辅助诊断和自适应治疗等相邻概念区分开来。现有的数字孪生工作通常侧重于个体化预测或仿真，但不一定包含闭环决策优化循环。AI辅助诊断通常是围绕单个决策点的分类或风险估计展开的开环任务。自适应治疗引入了动态治疗调整，但通常是在更窄的策略空间内，且没有显式集成的多模态状态估计、仿真、持续更新和信任治理架构。因此，CIOS的独特贡献不在于单一的算法组件，而在于提出了一个协调的感知-仿真-决策-演化框架，其中患者监测、模型更新和面向临床医生的决策支持被视为一个迭代控制系统的组成部分。

2 方法学：CIOS五层参考架构

为了更具体地阐述闭环智能肿瘤学的愿景，本文描述了一个五层参考架构，该架构描绘了从数据采集到可信治疗建议和模型更新的信息流。该架构旨在作为一种概念性的系统工程框架，而非固定的软件堆栈。其主要价值在于明确一层生成的输出如何成为下一层的输入、约束或监测信号。这五层分别是感知层、仿真层、决策层、演化层和信任层，它们共同构成了一个迭代的感知-仿真-决策-评估-更新循环。在修订后的框架中，每一层都与一个独特的数据对象和接口契约相关联：感知层产生带时间戳的患者状态表示；仿真层将该状态转换为候选干预下的校准预测；决策层在安全性和有效性约束下对可行行动进行排序；演化层利用新积累的本地和联邦证据更新模型参数；信任层通过解释、不确定性报告、公平性监测和鲁棒性检查来审计每个阶段。从系统角度来看，闭环行为不仅取决于这些层的存在，还取决于其交互的延迟和可靠性。因此，具有临床意义的实现需要版本化的状态向量、明确的置信度元数据以及伴随每次层间传输的人类可读的决策摘要。例如，感知层传递的不应仅仅是融合特征，还应包括模态可用性、数据时效性和估计的测量误差；仿真层应返回预测轨迹以及失败或发散指标；决策层应输出一组有界建议及其相关的权衡取舍，而不是不透明的单一动作；演化层应根据预定义的治理规则更新模型，而不是不受控制的持续漂移。另一个系统问题是跨多个临床时间尺度的异步操作。在肿瘤学中，生命体征和患者报告的结果可能每日更新，实验室标志物可能每几天更新一次，影像学可能每月更新，而基因组重新分析可能仅在主要的临床转换时发生。因此，修订后的CIOS架构假设了一种嵌套的时间结构：用于近期安全监测和症状引导适应的快速循环，用于影像信息指导下肿瘤负荷和反应重新校准的中等循环，以及在分子证据表明耐药性或谱系改变时进行战略修订的慢速循环。这种明确的时间模型有助于区分闭环控制与静态数字孪生，并阐明了互操作性、数据版本控制和延迟约束为何是核心设计要求而非实施细节。

2.1 感知层：多源异构数据融合与动态状态表示

感知层是CIOS的数据基础和信息网关。其核心功能是收集、处理和融合来自不同来源的数据，以构建全面、动态和多维度的患者状态表示。现代肿瘤学实践产生了海量异构数据，这为构建高保真数字孪生提供了重要机遇，但也带来了巨大的整合挑战。关键数据类型包括放射组学（CT、MRI、PET）、组学数据（基因组学、转录组学、蛋白质组学）、数字病理学、液体活检（循环肿瘤DNA，ctDNA）、电子健康记录（Electronic Health Record, EHR）和可穿戴设备数据。有效融合这些多模态数据流被认为是推进精准肿瘤学的关键步骤。放射组学涉及从CT、MRI和PET等标准临床图像中高通量提取肉眼无法察觉的定量特征。这些特征（如形状、纹理和小波特征）可以非侵入性地捕获肿瘤的宏观表型、内部异质性和微环境信息（如血管生成）。深度学习模型，特别是卷积神经网络（Convolutional Neural Network, CNN），已被证明可以直接从原始图像中学习更具预测性的高级特征，用于预测病理类型、关键基因突变状态（如EGFR、KRAS）和治疗反应。组学数据涵盖了一系列分子分析技术，包括全基因组和外显子组测序（基因组学）、RNA测序（转录组学）、蛋白质组学和代谢组学。这些数据可以揭示肿瘤的分子水平驱动机制、信号通路活性模式以及潜在治疗靶点，从而为构建个体化数字孪生提供分子基础。大规模泛癌基因组分析，如癌症基因组图谱（The Cancer Genome Atlas, TCGA）和全基因组泛癌分析（Pan-Cancer Analysis of Whole Genomes, PCAWG）联盟开展的项目，极大地扩展了人们对跨癌症类型突变景观的理解，尽管将这些发现转化为个体化临床决策仍是一个活跃的研究领域。临床数据仍然是肿瘤学实践中基础的信息来源，包括EHR中的结构化和非结构化内容，如实验室检测结果（如肿瘤标志物、血细胞计数）、数字病理图像、生命体征、合并症、既往病史以及详细的治疗记录（药物、剂量、时间）。行为和与环境相关的数据通过可穿戴设备（如智能手表、健身追踪器）和移动应用程序收集，可以通过日常活动水平、心率变异性、睡眠模式和患者报告结局等指标，为评估治疗毒性、总体表现状态和治疗耐受性提供连续的真实世界维度。虽然将这些数据整合到临床工作流程中仍处于早期阶段，但它有潜力捕捉在偶发性临床就诊中不易观察到的患者体验方面。感知层的核心技术挑战在于在时间不规则性、异构分辨率和缺失情况下的多模态数据融合。这些数据源在时间尺度、空间粒度和误差结构上存在显著差异：可穿戴数据流可能连续更新，影像学是偶发性的，而组学检测稀疏但信息密集。因此，临床实用的融合策略不仅仅是连接特征，它还应支持在不均匀采样间隔下的时间对齐，保留关于陈旧或插补模态的不确定性，并在推理时一种或多种模态不可用时保持鲁棒性。对于肿瘤学用例，基准测试最好针对特定任务。动态状态估计任务可能侧重于短期进展或毒性预测；纵向比较任务可能评估潜在状态表示是否保留了就诊期间具有临床意义的变化；干预指导任务可能测试融合状态是否改善了治疗分层。在所有三种设置中，都应明确评估对缺失模态场景的鲁棒性，而不是将其视为事后的想法。感知层中一个核心的方法论辩论涉及早期融合、晚期融合和中间融合的相对优势。早期融合可以捕获低级别的跨模态结构，但当模态在维度上不平衡或观察不完全时通常很脆弱。晚期融合在医院中通常更容易操作，因为它容忍缺失模态并允许模态特定的验证，但它可能未充分利用只有通过联合表示学习才能出现的协同信息。中间或混合融合可能为某些肿瘤学任务提供更好的折衷方案，特别是当使用交叉注意力或基于图的架构来建模病理学、影像学、基因组学和临床事件之间的关系时。然而，这些模型计算需求更高，更难解释，并且对小样本过拟合更敏感。因此，我们不暗示融合策略之间存在普遍的赢家。相反，首选方法取决于临床任务、预期的模态缺失率、所需的周转时间以及准确性、可解释性和可部署性之间可接受的权衡。未来的工作将受益于基准套件，这些套件不仅报告区分指标，还报告校准、时间可移植性以及在缺失数据压力测试下的优雅降级。

2.1.1 证据水平与转化准备度

肿瘤学中多模态数据融合的证据基础主要仍处于回顾性、单机构水平，大致对应于标准层级中的3至4级证据。基于放射组学的预测模型拥有最成熟的证据基础，已有多项多中心回顾性验证发表，尽管前瞻性试验相对较少。用于治疗反应预测的基因组学整合借鉴了TCGA和PCAWG等大规模发现项目，但这些数据集主要是为生物学发现而组装的，其在实时治疗指导中的直接适用性仍在探索中。可穿戴设备和患者报告结果数据的整合处于更早的阶段，现有证据主要限于试点可行性研究。迄今为止，尚无前瞻性随机试验证明多模态AI驱动的融合能比标准评估方法改善临床结果。这种技术能力与前瞻性临床验证之间的差距可能是感知层最重要的转化瓶颈之一。

2.2 仿真层：跨越机理、混合和数据驱动方法的数字孪生建模

仿真层是探索候选未来轨迹的计算环境，但不应等同于单一建模家族。其任务是构建一个足够贴近生物学基础的个体化模型，以支持反事实推理，同时在临床上保持计算可行性。基于常微分方程（Ordinary Differential Equation, ODE）或偏微分方程（Partial Differential Equation, PDE）的传统机理模型保留了重要价值，因为它们编码了关于增殖、治疗反应、血管生成和药理学的可解释假设。纯粹的数据驱动模型可以从大型数据集中学习灵活的潜在动态，但在训练分布之外可能会不可靠地外推。因此，物理信息神经网络（Physics-Informed Neural Network, PINN）应被视为更广泛设计空间中的一种混合选择，而不是每个肿瘤学数字孪生的默认骨干。根据肿瘤类型、数据密度和预期用途，更简单的药代动力学/药效动力学（Pharmacokinetic/Pharmacodynamic, PK/PD）模型、机理生长模型、神经ODE或代理模型可能比重度依赖PINN的公式更合适。作为一个说明性例子，在肿瘤生长建模中，反应-扩散方程描述了肿瘤细胞密度u的时空演化，其中D代表扩散系数，ρ代表增殖率，K代表承载能力。在PINN框架内，该方程在神经网络输出处计算的残差可以作为基于物理的损失项L_phy纳入训练过程。这种方法可以使模型在患者特定数据稀疏时（例如仅可获得有限数量的纵向影像扫描）产生更稳健和可推广的预测，通过利用领域知识来约束解空间。最近的工作已经证明了这种方法在基于MRI数据的胶质母细胞瘤生长建模中进行个体化参数估计的可行性，尽管在临床环境中的前瞻性验证仍然有限。重要的是要强调，PINN在肿瘤学中的应用目前主要基于仿真，鲁棒的的临床验证仍然有限。在不同的临床体制下，不同的仿真方法可能更可取。对于相对明确的进程（如剂量-浓度-效应关系），紧凑的PK/PD或基于机理的模型可能比高容量神经方法更实用，因为它们更容易校准、更容易检查，并且通常足以解决有界优化问题。当部分控制结构是已知的，但稀疏的患者数据使得无约束学习不稳定时（例如在影像信息指导下的肿瘤生长估计中），PINN可能是有用的。当潜在动态必须从更丰富的纵向数据中学习而没有明确的方程规范时，神经ODE可能是有帮助的。基于智能体的模型在微环境层面的机理假说生成方面仍然有价值，但其计算负担可能限制实时部署。因此，修订后的手稿将PINN视为选定子问题的特别相关内容，而不是整个仿真层的隐式通用解决方案。一个临床重要的问题是每种建模策略可能在哪里失效。高保真个体化孪生的适用范围不太可能在癌症中保持一致。具有丰富连续影像和相对受限空间动力学的肿瘤可能比那些状态转换主要由测量不佳的免疫、基质或转移过程主导的疾病更适合个体化校准。同样，稀疏数据环境可能迫使强烈的归纳假设，增加沉默模型错误指定的风险。因此，修订后的手稿强调在预测的同时进行故障检测：仿真输出应伴随不确定性区间、跨替代模型类别的一致性检查以及触发模型重新校准或临床医生审查的预设分歧阈值。这种方法旨在降低数字孪生在其验证域外运行时看似精确的风险。综上所述，这些考虑表明不应先验地偏爱任何单一建模家族。务实的CIOS实施可能采用分层策略：当决策问题狭窄且特征明确时，使用更简单的机理或PK/PD模型；当领域知识强但数据仍然稀疏时，部署PINN等混合模型；而将更灵活的潜在动态模型保留给更丰富的多模态纵向环境。这种框架更符合目前的证据现状（主要仍是回顾性或基于仿真的），并避免过度夸大任何一种方法在常规肿瘤学实践中的准备程度。

2.3 决策层：基于安全强化学习的自适应治疗策略优化

有了仿真环境，决策层的功能将是在这个虚拟环境中为患者确定个体化和自适应的治疗策略。癌症治疗可以被构建为一个序贯决策问题，涉及选择药物、调整剂量、安排时机以及与其他模式（如放疗）的组合。决策空间在组合上是巨大的，仅凭临床试验或专家经验可能难以全面探索。强化学习（Reinforcement Learning, RL）提供了一种非常适合这类问题的计算框架，并作为治疗优化的潜在方法在肿瘤学中引起了越来越多的兴趣。通过重复的状态-动作-奖励循环，RL算法（如基于价值的Q学习和基于策略的近端策略优化，Proximal Policy Optimization, PPO）可以学习将患者状态映射到治疗动作的策略。仿真研究表明，RL在优化化疗和放疗方案方面具有潜力，一些模型在计算环境中识别出的动态治疗策略似乎比固定剂量方案更有效且毒性更低。例如，遵循自适应治疗的相关原则，在肿瘤反应期间减少剂量可能有助于延缓耐药性的出现。Gallagher等人（2024年）证明，受肿瘤进化数学模型启发的深度RL可以在仿真中识别个性化的自适应治疗方案，尽管作者指出，前瞻性临床验证仍然是必要的下一步。这些发现令人鼓舞，但重要的是要注意，证据基础仍然主要局限于计算模型和回顾性分析，将RL衍生的策略转化为常规临床实践面临着重大的方法和监管挑战。尽管如此，当前RL在临床肿瘤学中的证据仍处于早期阶段，且主要基于仿真，前瞻性临床验证仍然有限。在将RL应用于临床决策时，一个核心挑战涉及安全性。在肿瘤学中，相关的安全约束不是抽象的数学惩罚，而是必须映射到治疗现实的可解释的临床边界。在约束马尔可夫决策过程（Constrained Markov Decision Process, CMDP）公式中，这些可能包括累积器官毒性的上限、可接受血细胞计数或表现状态的下限、剂量递增速度的限制，或保持在指南一致方案内的要求。重要的是，约束设计还必须考虑延迟危害：在一个周期内看起来可接受的行动，从几个周期累积毒性的角度来看可能是不安全的。因此，修订后的手稿澄清，肿瘤学中的安全RL最好被视为一种约束推荐框架，其中可行行动集是由肿瘤学家、药理学家和安全治理程序共同定义的，而不是不受限制的自主探索。设计临床可行的RL系统时，另一个未被充分重视的挑战涉及离线学习和在线学习范式之间的选择。离线RL完全从固定的回顾性数据集中学习，而不让患者暴露于探索性行动，通常被认为在初始开发中更切实可行，并具有更有利的安全概况。然而，它面临着分布偏移的挑战：从历史数据中学习到的策略在训练集中代表性不足的患者状态下可能表现不那么可靠，而保守的离线算法可能过于谨慎，限制了其识别真正优越策略的能力。相比之下，在线RL在理论上能够进行主动探索和持续改进，但其在临床环境中的直接应用引发了需要仔细管理的重大安全问题。一条可能的前进道路可能涉及分阶段的方法：首先在回顾性数据上训练智能体，然后在数字孪生仿真环境中进行评估，随后在有监督的情况下引入临床实践，在其建议与专家判断达到足够一致性之前，仅观察其建议而不自动执行。这种分阶段的方法反映了基于AI的决策支持工具临床转化的既定框架。第二个未被充分重视的挑战涉及奖励设计。在肿瘤学中，没有一个单一的标量目标能够捕捉临床医生和患者实际看重的东西。基于肿瘤缩小的短期奖励可能与长期疾病控制、累积毒性、患者报告的生活质量或保留未来治疗选择相冲突。因此，我们扩展了讨论以强调多目标优化。临床可信的奖励设计可以将硬性安全约束与加权效用函数或帕累托前沿策略相结合，明确表示反应、无进展生存期、严重毒性、症状负担和耐药延迟之间的权衡。具体的例子包括平衡化疗适应中的剂量强度与3-4级不良事件，或在放疗计划中权衡局部控制与对关键结构的毒性。这种框架更好地反映了肿瘤学决策在实践中是如何协商的，以及为什么即使RL被用作策略搜索引擎，临床医生的监督仍然至关重要。从转化角度来看，重要的是要澄清，在短期内，肿瘤学中的强化学习不太可能作为自主决策智能体进行部署。相反，RL衍生的策略应被解释为结构化的决策支持建议，在预定义的临床边界内运行，并仍需接受临床医生的审查和否决。在早期实施中，一条更现实的路径可能包括在计算机中和前瞻性静默环境中评估RL生成的策略，然后将它们作为咨询工具整合到临床工作流程中，将其输出与专家判断进行比较而不是直接执行。这种分阶段部署策略符合临床AI的既定安全原则，并可能有助于减轻与分布偏移、奖励错误指定和意外策略行为相关的风险。

2.4 演化层：通过元学习和联邦学习实现持续模型更新

为了使CIOS随着时间的推移保持临床实用性，它可能需要作为一个持续演化的系统运行，而不是静态模型。随着患者肿瘤在治疗下发生变化，支撑系统的模型最好能相应地适应。演化层通过两种互补的方法解决这个问题。第一种是元学习，有时被描述为学会学习，旨在使模型具备从少量新观察中快速泛化和适应的能力。在精准肿瘤学中，每位患者的数据概况都是独特的，且纵向观察本质上有限，从早期治疗反馈中快速个性化模型的能力可能具有实用价值。通过在训练期间接触大量多样化的历史患者数据，元学习框架可以使模型获得癌症治疗动态的泛化表示，然后可以使用少量早期观察有效地适应新患者。Ma等人（2021年）在《自然·癌症》杂志上证明，少样本学习可以创建从高通量筛选到有意义的个体化患者反应预测模型，这表明这类方法在肿瘤学中具有转化潜力，尽管还需要进一步的前瞻性验证。演化层中的第二项关键技术是联邦学习（Federated Learning, FL），它提供了一种分布式模型训练方法，可能有助于解决肿瘤学中常见的数据碎片化问题。在联邦设置中，模型参数而不是原始患者数据在各参与机构之间共享，这可能有助于在使模型受益于更广泛和更多样化的训练分布的同时保护患者隐私。Ogier du Terrail等人（2023年）在《自然·医学》杂志上证明，一种用于预测三阴性乳腺癌对新辅助化疗组织学反应的联邦学习方法达到了与集中训练模型相当的性能，为多机构联邦学习在肿瘤学中的应用提供了令人鼓舞的概念验证。标准FL的一个重要扩展是由Warnat-Herresthal等人于2021年在《自然》杂志上引入的群体学习（Swarm Learning），它使用去中心化的区块链协调机制来消除对中央服务器的依赖，并在多种疾病检测任务中显示出有希望的结果。特别是在癌症组织病理学中，Saldanha等人（2022年）在《自然·医学》杂志上证明，群体学习训练的模型可以在不集中患者数据的情况下，从苏木精-伊红染色切片中预测BRAF突变状态和微卫星不稳定性。所有联邦方法都面临的一个持续挑战是处理因机构间患者人群、治疗方案和成像设备的差异而产生的统计异质性，如何在肿瘤学环境中最好地解决这个问题仍然是一个活跃的研究领域。元学习和联邦学习不应被视为可互换的。在修订后的框架中，联邦学习主要通过跨机构扩大人群水平的训练分布，而元学习则规定了一旦积累患者特定的随访数据，本地模型的个性化速度。这种区别具有操作层面的含义。联邦聚合可能以较慢的速度发生，例如每季度或在站点级别质量控制之后，而患者级别的适应可能在每次有临床意义的新观察之后发生。跨机构的统计异质性如果经过适当建模可以改善泛化能力，但如果天真地汇集站点特定偏差，也可能降低个性化效果。因此，我们强调更新策略应被明确地计划、监控并按任务分层，而不是假定其持续有益。

2.5 信任层：可解释性、鲁棒性与公平性

在高风险决策环境中，AI系统的临床采用似乎较少依赖于任何单一的透明度工具，而更多地依赖于贯穿CIOS的分层信任策略。在修订后的手稿中，信任层被重构为优先级实施堆栈，而不是松散的原则集合。至少，每个模型输出都应携带校准后的不确定性、数据来源文档以及升级至人工审查的机制。可解释性、公平性审计和鲁棒性测试随后成为在不同循环阶段运行的补充保障措施，从数据输入到建议交付和部署后监测。关于可解释性，通常认为AI系统的建议不应作为“黑盒”命令传递。一种多利益相关者的方法可能对解释有益。对于临床医生，可以采用事后解释方法（如SHAP或LIME）来突出哪些输入特征（例如特定基因突变、放射组学纹理特征）对决策影响最大。在CIOS背景下，有效的可解释人工智能（XAI）可能不仅需要解释预测了什么，还需要解释为什么推荐特定策略，从而提供补充而非试图取代专业临床判断的决策支持。对于监管机构和开发人员，固有的可解释模型或基于概念的解释可以提供对模型逻辑的更深入见解。对于患者，可能需要简化的非技术性理由摘要。与可解释性密切相关的是不确定性量化问题，因为可信赖系统的一个关键方面是其能够识别和阐明自身知识的局限性。一个严格的UQ流程可能是必不可少的，涉及贝叶斯神经网络或深度集成等方法，以产生预测分布而不是单一的点估计。这使得量化偶然（数据固有）和认知（基于模型）不确定性成为可能。这方面的一个关键组成部分可能是一种机制，当预测不确定性超过预定义阈值时标记案例以供人工审查，从而潜在地减轻过度自信错误的风险。除了透明度之外，积极主动的公平性协议对于避免潜在加剧现有的健康差距也很重要。AI模型可能会无意中学习并放大训练数据中存在的系统性偏差，特别是如果数据不能代表多样化的人群。因此，全面的公平性方法可能涉及几个阶段：（1）训练前数据集代表性偏差审计；（2）将公平性指标纳入模型训练过程；（3）部署后监测以跟踪不同人口亚组的性能并检测新出现的偏差，旨在促进所有患者群体的公平表现。最后，应通过系统的鲁棒性和对抗性测试协议来评估系统面对意外或扰动输入的可靠性。例如，对抗性测试（即对输入引入微小的最坏情况扰动）可用于评估模型稳定性。此外，实施分布外（Out-of-Distribution, OOD）检测机制可能有助于识别患者数据概况何时显著偏离训练数据，发出模型性能可能下降的信号，并确保系统在面临分布偏移时保持更强的鲁棒性。由于这些信任目标在实践中可能发生冲突，修订后的手稿强调了优先级排序和权衡。例如，一个高精度的多模态模型可能不如一个简单的代理模型那样直接可解释，而激进的鲁棒性防御可能会降低对罕见但临床重要模式的敏感性。因此，我们建议在临床部署中采用务实的操作顺序：首先，确保对安全关键输出的校准和不确定性报告；其次，验证亚组性能和数据集代表性；第三，提供分别针对临床医生、开发人员和患者的解释界面；第四，在部署前后进行对抗性和OOD压力测试。信任层的验证应该是实证性的，包括读者研究、亚组审计和前瞻性监测，而不仅仅是根据模型设计推断。

3 可行性分析：关键技术的进展与验证

虽然应用于临床环境的完全集成的闭环智能肿瘤系统仍处于概念及早期研发阶段，但其几个核心组件技术已在各自领域取得了相当大的进展。这些成就共同为CIOS框架的理论可行性提供了一定的指示，同时也突显了当前能力与完全集成系统之间的巨大距离。本节回顾了构成CIOS各层的关键技术在肿瘤学领域的初步应用示例，并讨论了其局限性。在数据感知和数字孪生仿真方面，越来越多的研究探索了AI模型从多模态数据中提取临床相关信息并产生动态预测的能力。在感知层，深度学习模型已展示出接近甚至在某些任务中可比肩人类专家的性能。Esteva等人（2017年）发表在《自然》杂志上的一项研究表明，在超过12万张临床图像上训练的深度CNN在分类皮肤病变方面的准确性可与21位委员会认证的皮肤科医生相媲美，尽管该研究的范围仅限于特定的病变类型和受控的图像集。同样，Kather等人（2020年）在《自然·癌症》杂志上报告称，一个单一的深度学习算法，在来自5000多名患者、多种实体瘤类型的常规苏木精-伊红染色组织学切片上训练，可以直接从组织形态学一致地推断出广泛的基因突变、分子肿瘤亚型、基因表达特征和标准病理学生物标志物，其预测在独立患者队列中具有泛化能力，并且在肿瘤内具有空间分辨率，说明了应用于常规病理切片的深度学习可以支持感知层内的突变知情治疗分层。这些研究表明，基于AI的图像分析可能能够支持感知层设想的信息提取功能，尽管其在多样化现实世界临床环境中的普适性值得进一步前瞻性验证。在仿真层，基于机理的AI模型已被应用于构建肿瘤动力学的初步数字孪生。Kashkooli等人（2025年）在《控制释放杂志》上的一篇全面综述阐述了增强医学影像和人工智能的多物理场建模如何作为癌症纳米医学中构建临床数字孪生的基础，说明了肿瘤微环境过程和药物输送动力学如何在计算框架内表示。物理信息神经网络（PINN）的应用进一步拓展了构建更高保真数字孪生的可能性。研究人员已经使用基于PINN的模型，从有限数量的稀疏MRI测量中预测胶质瘤的生长轨迹，并估计无法直接测量的患者特异性参数（如细胞增殖和扩散率）。虽然这些研究大多仍处于仿真或回顾性验证阶段，但它们初步展示了如何将机理约束纳入数据驱动模型以提高其生物学合理性和数据效率。因此，目前的证据基础仍处于早期阶段，在这些模型整合到常规实践之前，广泛的临床验证仍然有限。在决策优化层面，强化学习在仿真或自动化规划环境中展示了发现治疗方案的一些潜力，尽管证据仍主要局限于计算研究。Yang等人（2024年）在《国际放射肿瘤学·生物学·物理学杂志》上报告了深度强化学习在头颈癌调强放疗计划自动化中的应用，其中DRL智能体被训练用于与治疗计划系统自我交互，并在约12分钟内无需人工干预即可生成临床可接受的计划。该方法在回顾性队列中产生的计划质量与手动生成的计划大致相当，尽管作者指出，在考虑更广泛的临床部署之前，还需要进一步的前瞻性验证。在药物治疗方面，Eastman等人（2021年）在《科学报告》中证明，基于细胞周期特异性化疗数学模型的强化学习得出的化疗给药方案，在仿真中对患者参数的扰动表现出比传统的最大耐受剂量方案更强的鲁棒性。虽然这些研究是在数学模型或计算环境中进行的，而不是在临床环境中，但它们初步表明，自适应、动态优化的治疗策略可能值得作为当前静态方案的补充进行进一步研究。再次需要注意的是，目前的证据主要基于仿真，临床验证仍然有限。在模型演化和知识共享方面，联邦学习的价值已在几项多机构合作中得到检验。Pati等人（2022年）组织了一项涉及六大洲71个机构的联邦学习研究，在不共享任何原始患者MRI图像的情况下训练脑肿瘤分割模型。结果表明，联邦模型的分割性能与集中训练模型大致相当，并且通常优于单独在单个机构训练的模型。虽然这项研究侧重于特定的分割任务，而不是完整的治疗决策流程，但它提供了一些证据，表明联邦方法可能能够以隐私保护的方式聚合数据孤岛中的知识，这是演化层预期功能的先决条件。尽管上述案例令人鼓舞，但应注意的是，它们主要代表了解决特定、明确定义问题的碎片化解决方案，而不是完整、集成的闭环系统的组成部分。目前尚未有公开报道的完全集成的CIOS案例，即所有五层协同运作并在真实临床环境中进行了前瞻性验证。目前的研究成果主要集中在孤立的一两层，且大多数研究仍处于回顾性验证或仿真阶段。因此，这些结果可能更恰当地被视为对单个技术组件独立可行性的初步演示，而系统集成、实时操作和临床验证的挑战仍然巨大。将这些独立的进展整合成一个无缝、鲁棒且可信赖的临床决策支持系统代表了未来研究的核心挑战，这不仅需要算法创新，还需要在软件工程、系统集成以及能够在临床相关时间约束下运行的数据管道设计方面付出相当大的努力。从转化角度来看，未来的CIOS在用于高风险临床部署之前，可能需要至少通过四个阶段：具有校准不确定性和亚组分析的多中心回顾性基准测试；在预期工作流程中进行前瞻性静默评估；具有临床医生介入监督和预定义停止规则的有限试点部署；以及此后评估以患者为中心的结局、安全性和资源使用的比较性前瞻性研究。模块特定的期望也应针对功能进行定制。例如，感知模型应展示外部验证和缺失模态鲁棒性，而决策模型另外需要保守的行动边界、可追溯的基本原理和受监控的否决过程。因此，转化瓶颈不仅仅是算法准确性，还包括分阶段证据生成。我们建议从三个互补维度评估每个模块：证据水平、技术准备度和转化准备度。证据水平是指底层的研究设计，范围从说明性仿真和回顾性单中心验证到多中心验证、前瞻性静默部署和干预性比较评估。技术准备度是指模块是否已经针对校准、亚组鲁棒性、故障检测、接口完整性和缺失数据弹性进行了压力测试。转化准备度是指工作流程嵌入、人工监督程序、更新治理以及与监管审查相关的文档。为了减少歧义，修订后的手稿采用了面向证据的CIOS发展解读。目前，为感知层和仿真层引用的大多数研究对应于回顾性诊断或预后建模研究，而决策层和演化层甚至更严重地依赖于仿真环境、离线评估或技术终点比较。在各层中，主导模式是合理性的证明，而不是患者获益的证明。

4 讨论

构建一个功能齐全的闭环智能肿瘤系统是一个雄心勃勃且技术要求很高的目标。它不仅涉及多种先进技术的整合，还涉及临床工作流程、伦理框架和监管范式的实质性变革。虽然前面的章节概述了CIOS框架的概念前景，但从概念架构到临床验证系统的转变需要克服一系列实质性挑战。本节从技术整合、临床转化和未来研究方向三个维度讨论这些挑战。在实践中，实施障碍可能与技术障碍同等重要。CIOS必须融入多学科肿瘤委员会工作流程、电子处方系统、影像学审查周期和毒性管理路径，而不会将认知负担增加到不可持续的程度。因此，临床医生的接受度和培训是核心问题而非外围问题，因为一个技术上强大但与常规工作流程整合不佳的建议引擎不太可能被持续使用。卫生经济可行性也至关重要：计算基础设施、重复数据采集、软件维护和治理监督都会产生成本，必须与治疗效率、避免毒性或改善结局等方面的潜在收益进行权衡。这些考虑表明，早期部署最有可能的场景是范围狭窄、高价值的用例，而不是作为通用的肿瘤学平台。迈向临床转化的一个务实步骤是确定范围狭窄、高价值的切入点场景，在这些场景中，CIOS框架的部分实施可以在不需要完全系统集成的情况下提供即时效用。一个合理的初始用例是针对具有可靶向突变的晚期非小细胞肺癌的自适应治疗优化，这类患者经历相对频繁的影像学检查和进展时的分子重分析以及结构化的治疗测序。在这种情况下，感知层可以利用纵向影像学、ctDNA动态变化和常规实验室标志物来构建时间解析的疾病状态；仿真层可以依赖简化的PK/PD或生长模型，根据早期反应信号进行校准，而不是全规模的机理孪生；决策层可以作为约束推荐引擎运行，在既定的临床指南范围内建议剂量调整或治疗转换。重要的是，这样的部署不需要完全通用的数字孪生，而是一个嵌入现有临床工作流程的特定任务模块化系统。这种分阶段、特定适应症的策略可能会降低集成复杂性，促进前瞻性评估，并为早期临床采用提供更现实的途径。第一个也可能是最根本的技术挑战涉及数字孪生预测与实际患者结局之间的差异，这个问题有时被称为“仿真到现实”（sim-to-real）的差距。无论多么复杂，数字孪生仍然是对高度复杂的生物过程的近似。模型中未捕获的生物学机制，如免疫细胞与肿瘤微环境之间的动态相互作用、药物代谢的个体差异或未监测的环境因素，都可能导致仿真输出与观察到的临床结果之间的差异。量化和缩小这一差距可能是仿真层和决策层的核心挑战。这不仅需要更严格的模型验证方法，还需要将不确定性量化系统地整合到决策过程中。有效地向临床医生传达这种不确定性至关重要，允许系统在模型预测具有高度不确定性时默认为更保守的策略。技术复杂性的第二个维度涉及循环时间和集成架构。CIOS的临床效用在很大程度上取决于其在对临床决策有意义的时间范围内完成感知-仿真-决策循环的能力。总循环延迟是数据采集时间、模型处理时间和临床医生审查时间的总和。数据采集通常是主要瓶颈：虽然来自可穿戴设备的生理数据是近连续的，但基因组测序可能需要数天到数周，而影像扫描通常间隔数周到数月进行。因此，实用的CIOS架构可能需要以多个嵌套的时间尺度运行。由每日可穿戴设备和血液生物标志物数据驱动的快速循环可以支持微小的剂量调整；由每月影像触发的介质循环可以更新数字孪生的肿瘤状态表示；而纳入周期性基因组重分析的慢速循环可以为改变治疗路线等重大战略转变提供信息。从系统架构的角度来看，这将需要一个基于现代互操作性标准（如HL7 FHIR框架）的强大数据管道，该框架支持跨不同EHR系统的标准化数据提取和交换。强化学习的安全应用引入了进一步的技术挑战层面。在高风险的医疗环境中，强化学习固有的探索行为需要在严格的安全边界内进行。设计一个既能探索新治疗策略又能提供有意义安全保证的安全RL框架在技术上是具有挑战性的。定义全面的安全约束本身就是一项艰巨的任务，需要肿瘤学家、药理学家和伦理学家的密切合作。奖励函数的设计呈现出同样复杂的挑战：如何在一个单一的标量奖励信号中适当地平衡短期肿瘤反应、长期生活质量、累积毒性和耐药性出现的时间，这仍然是一个悬而未决的问题，奖励公式的选择会显著影响智能体学习推荐的治疗策略。这些挑战之外，全面CIOS的计算需求可能是巨大的。以高分辨率模拟生物过程的机理模型，例如那些追踪细胞相互作用或详细药代动力学的模型，通常需要大量的计算资源，可能需要使用高性能计算集群才能及时执行。除了技术实施之外，将CIOS整合到常规临床实践中还将带来相当大的后勤、伦理和监管挑战。这样的系统不仅仅是一个新工具，还可能代表着临床决策工作流程的重大演变。其成功采用可能取决于渐进的、基于证据的整合过程以及对临床医生的强力培训计划。例如，获得监管机构（如美国食品药品监督管理局）的批准不仅需要严格的验证，还需要对AI组件的临床普适性进行仔细评估，因为许多目前获批设备的公开数据通常不足以全面评估其在不同患者人群中的表现。高级AI系统临床采用的一个主要障碍是其通常被认为是“黑盒”的性质。如果临床医生无法理解AI生成建议背后的推理，他们信任并按照该建议行事的意愿可能会受到限制，特别是如果它与标准实践相悖。这凸显了可解释AI（XAI）在解锁高风险医疗场景中有效人机协作潜力的重要性。研究表明，提供解释允许临床医生询问AI的推理，从而增加信任、更愿意向AI学习，并且在面对矛盾但有充分解释的AI建议时，更有可能重新考虑自己的初始判断。除了透明度挑战之外，CIOS本质上会聚合和处理大量高度敏感的患者数据，包括基因组、影像学和实时生理信息。确保这些数据的隐私和安全不仅是一项技术要求，也是一项基本的伦理和法律考量。集中式数据存储模型可能存在重大的安全风险。因此，优先考虑数据最小化和去中心化的架构解决方案可能是必不可少的。诸如基于区块链的数据管理框架等方法，可以通过智能合约自动化监管合规，代表了构建符合GDPR和HIPAA等严格数据保护法规的系统的一种有前途的方法。另一个伦理维度涉及问责制和法律责任。在发生不良患者结局的情况下，确定CIOS驱动工作流程中的责任归属可能异常复杂。如果AI推荐的治疗策略导致伤害，目前尚不清楚责任在于接受建议的临床医生、部署系统的机构还是创建底层算法的开发人员。为了应对这一挑战，正在探索新的透明度和风险缓解框架。其中一个概念是“AI护照”，这是一个详细描述AI系统目的、训练数据、性能评估和潜在偏差的动态文件。这种机制可以成为临床医生和相关