综述：精准肿瘤学范式：整合肿瘤芯片平台、数学建模与人工智能以推进个性化癌症治疗

《Journal of Drug Delivery Science and Technology》：Precision Oncology Paradigm: Integrating Tumor-on-Chip Platforms, Mathematical Modeling, and AI for Personalized Cancer Therapeutics

　　

个性化肿瘤学旨在根据患者独特的生物学特征和疾病特征制定个体化癌症治疗方案。整合肿瘤芯片（tumor-on-chip, ToC）技术、数学建模和人工智能（artificial intelligence, AI）提供了理解肿瘤生物学、预测治疗反应以及推进精准癌症护理的互补框架。ToC系统重建了生理相关的肿瘤微环境（tumor microenvironment, TME），整合了空间组织、氧梯度、基质相互作用和机械力等关键特征，同时能够评估患者来源的样本。作为这些实验平台的补充，数学模型——包括常微分方程、偏微分方程、随机模型和基于智能体的方法——提供了对肿瘤演化、空间异质性、治疗反应和耐药动力学的定量见解。AI和机器学习通过整合高维数据集（包括成像、转录组学、空间组学和微流体输出）进一步增强了这些能力，从而能够实现治疗反应预测、分子分型以及复杂实验系统的自动化分析。本综述强调了整合这些方法的最新进展，包括AI辅助的ToC平台分析、结合深度学习与数学模型的机械学习框架，以及用于参数推断和药物筛选的混合系统。研究人员还讨论了当前面临的挑战，包括对全身生理学的不完全模拟、血管和免疫建模的局限性、数据标准化、计算复杂性、有限的临床验证以及AI可解释性和偏差问题。最后，研究人员探讨了未来方向，包括标准化数据基础设施、联邦学习、可解释AI和数字孪生框架，同时批判性地评估了机械学习、实验-计算反馈循环、参数可辨识性和模型可解释性如何加速将整合的实验和计算平台转化为临床可操作的精准肿瘤学。

**1. 引言**
癌症是一种异质性疾病，其特征为肿瘤内部和患者群体间的遗传、表型和微环境多样性。这种复杂性由癌细胞与肿瘤微环境（TME）的相互作用驱动，引发治疗耐药性，并使传统治疗失效。体外模型作为受控且可重复的环境，用于研究肿瘤生物学、药物反应和疾病进展，其生理相关性持续提升，有望推动个性化癌症疗法的发展。然而，传统二维（2D）体外模型忽略了三维（3D）组织架构、细胞间及细胞-基质相互作用、缺氧等关键特征，从而过度简化了生理过程和药物反应。尽管3D球体和患者来源的类器官能更好地模拟肿瘤结构，但仍面临尺寸标准化难题、缺乏功能性血管，并因扩散限制形成坏死核心。微流控平台通过暴露组织于生理流体流动和机械力（如剪切应力和流体静压）来克服静态模型的局限性，这些力深刻影响癌细胞行为。肿瘤芯片（ToC）平台利用微尺度技术重建TME，整合多种细胞类型、细胞因子和趋化因子，模拟驱动耐药性的复杂信号网络。此外，3D生物打印通过精确控制空间排列，构建更精确复制TME的复杂组织架构，扮演补充角色。尽管技术不断进步，ToC平台往往缺乏与高通量、个性化预测所需计算工具的稳健整合。数学建模通过提供定量框架模拟肿瘤动态和药物相互作用，提供对潜在生物学过程的机制性见解，并减少实验负担，实现治疗策略的系统性探索。AI进一步通过识别海量数据集（从患者组学到实时实验输出）中的复杂模式来增强这些能力，这些模式可能被传统分析遗漏。将AI与ToC平台整合，有潜力将体外模型转化为动态、患者特异性的系统，从而考虑TME的演化特性，减少临床应用中的试错过程。自动化和机器人液体处理也通过实现可扩展和可重复的实验起到补充作用。本综述聚焦于结合实验性ToC系统、数学建模和AI驱动数据分析的多学科方法，以研究肿瘤异质性及其对癌症治疗的影响。研究人员提供了每种方法的最新实例，并强调了整合实验性ToC平台与数学和AI分析的研究。这种整合方法通过预测耐药亚群的出现，实现基于肿瘤演化特征的动态治疗调整，从而改善治疗选择。图1总结了体外肿瘤建模、基于空间组学的TME分析和AI（包括机器学习（ML）和深度学习（DL））的技术演化时间线，突出了推动向更生理相关和数据丰富系统转变的关键里程碑。尽管从传统2D培养到复杂3D ToC平台和空间多组学已取得显著进展，但仍存在制造成本高、工程脆弱性、TME的3D表征有限以及空间组学分析瓶颈等局限性。AI和计算建模的兴起提供了克服这些挑战的强大机遇，通过实现实时分析、预测建模和系统级理解，减少对繁重实验的需求，同时增强预测能力和临床相关性。这种整合代表从当前实验室工作流程向未来自驱动实验室转变的关键一步，其中ToC系统的数字孪生作为自动、自适应和数据驱动实验设计的基础组件。

**2. 肿瘤异质性与肿瘤芯片平台**
开发有效个性化癌症疗法的一个关键挑战是解决肿瘤间和肿瘤内异质性。ToC设备是微流控细胞培养模型，旨在通过整合细胞外基质（ECM）成分、营养和氧气梯度以及与体内肿瘤相似的物理受限环境来重建复杂的3D TME。患者来源的肿瘤细胞（可能取自肿瘤不同区域以捕获肿瘤内异质性）可在这些精确控制的微环境中培养。此外，还可加入TME中存在的不同细胞类型，如成纤维细胞和免疫细胞。凭借准确模拟体内肿瘤关键特征的能力，这些先进的体外模型为研究肿瘤演化、耐药机制和个性化治疗反应提供了强大平台。例如，H. G. Yi等人开发了一种离体癌症模型，密切模拟了胶质母细胞瘤（GBM）微环境，利用3D生物打印技术复制原生GBM的生化与生物物理特征。他们构建了包含区室化癌症-基质架构、氧梯度生成系统和脑来源脱细胞ECM的ToC模型，这些组件共同复制了GBM的病理特征和异质性，如图2A和2B所示。这种高度异质性有助于再现疾病的关键病理特征。使用患者来源癌细胞开发的GBM-on-chip模型在替莫唑胺同步放化疗后表现出与临床结果一致的差异化药物反应（图2C-E）。此外，这些模型展示了患者对不同药物组合的特异性敏感性。该平台的一个显著特点是整合了区室化癌症-基质模型、氧梯度生成机制和脑来源脱细胞ECM，因此能够展示患者特异性药物敏感性，表明其在个性化癌症治疗中的潜力。多项研究表明，乳腺癌类器官-on-chip模型可揭示因肿瘤内异质性导致的化疗差异化反应。例如，来自同一患者不同转移部位的乳腺癌类器官对标准化疗表现出不同反应。除治疗反应外，Moghimi等人还展示了不同结构的乳腺癌共培养物在肿瘤细胞迁移和侵袭（早期转移潜力的替代指标）方面表现出不同动力学。该工作聚焦于乳腺癌TME的3D生物打印体外模型，通过在水凝胶基质中共培养细胞来复制真实肿瘤中的复杂细胞相互作用，利用3D生物打印技术精确控制不同细胞类型的空间分布，并证明将多种细胞类型整合到单个3D打印构建体中可影响肿瘤行为，如不同的细胞迁移模式。研究结果表明，3D生物打印共培养系统可作为研究复杂肿瘤相互作用和评估抗癌疗法疗效的宝贵工具。F. Reinhardt等人探索了循环肿瘤细胞（CTCs）在乳腺癌预后和治疗优化中的潜力，结合了微流控富集、显微操作和单细胞多标志物转录组分析等技术。他们对来自内分泌治疗耐药的转移性乳腺癌患者的未培养和培养的CTCs进行单细胞分析，揭示了与治疗反应和耐药相关的基因表达异质性，以及CTCs亚群间的不同表型，并确定了潜在治疗靶点，如用于CDK4/6抑制剂治疗的Cyclin D1。研究表明，CTCs的RNA分析可为患者内异质性提供有价值的见解，对理解靶向治疗反应和耐药机制至关重要。C. Strelez等人引入了一种名为CRC-on-chip的创新体外模型（如图3所示），旨在模拟结直肠癌（CRC）进展的复杂性，特别是早期转移步骤——血管内渗。该模型通过引入流动和蠕动样周期性拉伸来模拟体内组织微环境，其特点是由多孔膜分隔的独立内皮和上皮隔室，如图3A所示。上皮通道包含上皮细胞和癌细胞，内皮通道包含人脐静脉内皮细胞（HUVECs），两者由多孔膜分隔。为研究TME内的细胞间相互作用，上皮通道被修改以包含不同细胞类型，如CRC肿瘤细胞接种于上皮细胞之上，还可加入包含癌症相关成纤维细胞（CAFs）的基质层。图3B展示了芯片横截面的共聚焦荧光图像，从内皮通道到上皮通道跨越106 μm。通过芯片内成像、流出物分析和基于质谱的代谢物分析，研究人员可研究CRC进展和细胞异质性。图3C展示了HCT116肿瘤细胞粘附于芯片底部通道内皮细胞时的表型异质性代表性图像：一些细胞紧密聚集，高表达E-钙粘蛋白（红色），而另一些细胞更分散，波形蛋白（紫色）表达增加，提示间充质样表型。图3D对比了在2D塑料培养皿上生长的HCT116细胞，其中较少细胞呈现混合上皮-间充质状态。图3E量化了HCT116细胞的异质性，显示芯片上E-钙粘蛋白+和波形蛋白+混合细胞的比例高于塑料培养，表明芯片模型中表型多样性增加。如图3F所示，微流控系统可从内皮流出物中捕获CTCs，便于下游分析。结果共同表明，CRC-on-Chip模型促进肿瘤异质性，并为CRC进展提供见解，揭示了侵袭性和非侵袭性肿瘤细胞在机械力、上皮-内皮界面和TME中成纤维细胞等因素影响下的侵袭行为差异。总体而言，CRC-on-Chip是研究CRC早期侵袭事件的可定制且相关工具。这些例子表明，ToC技术为评估肿瘤异质性和指导个性化治疗选择提供了强大平台。通过培养患者来源的肿瘤样本于微工程TME中，这些先进体外模型可捕获传统模型遗漏的异质性。ToC方法的持续发展有望实现针对每位患者独特肿瘤特征的精准肿瘤学愿景。在另一项工作中，Wang等人利用卷积神经网络（CNN）改善3D打印机制造微流控设备的校准过程，其基于计算机视觉的方法可实现快速、精确校准，减少手动试错，促进3D打印在微流控领域的更广泛应用。Mohammadrezaei等人则利用ML优化生物打印条件，确保高细胞活力，通过构建生物打印参数与细胞活力结果的数据集，训练ML模型预测活力，并整合贝叶斯优化与训练好的神经网络回归器，高效识别最优参数组合，最大化细胞活力，减少经验性试错。尽管仿生平台取得了进展，但仍存在几项关键生理学缺口。当前ToC模型擅长单组织研究，但往往无法捕获系统性的多器官相互作用；复制肿瘤与肝脏、肾脏或骨髓等器官之间的动态反馈回路仍是建模药物代谢和转移的挑战。此外，虽然微流控可模拟流动，但准确重建真实肿瘤中复杂的渗漏血管和不同渗透性仍然困难，现有模型通常仅提供微血管结构的简化近似。这些平台也难以精确控制全动态范围的机械信号，如局灶性基质重塑和组织硬度。最后，模拟免疫系统的全部复杂性仍是一个重大障碍；尽管可加入单个免疫细胞，但重建从淋巴结中T细胞启动到全身浸润的完整免疫库的时空募集尚未在现有体外架构中完全实现。尽管这些研究展示了ToC平台复制传统2D培养系统所缺乏的肿瘤异质性某方面的能力，但仍存在若干未解决的局限性。大多数平台仍简化了系统性生理相互作用，未能完全捕获免疫募集、血管渗透性梯度和长程转移信号。此外，许多研究依赖低通量成像和终点分析，限制了可扩展性和适应性治疗优化的适用性。这些局限性凸显了计算整合的必要性，特别是AI辅助图像分析和机制性数学建模，以改善定量解释和实验可扩展性。

**3. 肿瘤异质性与数学建模**
肿瘤异质性（包括肿瘤间和肿瘤内变异）仍是开发有效个性化癌症治疗的主要障碍。数学建模已成为研究这种复杂性和指导治疗决策的强大工具。通过整合基因组学、成像和临床结果等多种数据类型，数学模型可捕获肿瘤异质性、预测演化动态，并评估针对每位患者独特肿瘤景观的治疗策略。已采用多种数学建模方法研究肿瘤异质性，包括基于常微分方程（ODEs）、偏微分方程（PDEs）、基于智能体的框架和群体遗传学的模型。ODEs捕获肿瘤生长和细胞相互作用的时间动态，而基于PDE的模型通过纳入空间异质性（如营养和药物梯度）进行扩展。基于智能体的模型明确模拟具有不同表型的单个细胞之间的相互作用，而群体遗传学模型则利用进化原理研究克隆动态和耐药亚群的出现。此处研究人员重点介绍每种建模方法的代表性例子，说明数学模型在探索肿瘤异质性方面的潜力。基于ODE的模型广泛用于分析癌症演化和肿瘤异质性中的各种现象，例如治疗后癌细胞耐药性的发展。尽管细胞杀伤药物可杀死部分癌细胞，但剩余细胞的非遗传可塑性和动态不稳定性可能将其推向其他功能状态，可能导致耐药性。Angelini等人引入了一个基于ODE的数学模型（图4A），分析细胞死亡和从药物敏感表型向干细胞样耐药表型的转变，评估药物诱导细胞死亡或促进耐药性的效果，通过考虑细胞群体异质性来优化适应性治疗中的剂量和给药方案，从而避免治疗诱导的干性。与ODE模型的时间聚焦相反，存在广泛的PDE模型考虑了空间在肿瘤组成和治疗中的关键作用。例如，Celora等人开发了一个一维组织区域（含氧供应）的模型，描述在有和没有放射治疗条件下肿瘤内异质性的演化（图4B）。在该模型中，肿瘤细胞在表型空间中的状态由其干性水平表示，干性水平控制其增殖、对空间氧变异（缺氧）的反应以及对放射治疗的敏感性。通过追踪这些变量，研究人员研究了表型异质性如何在治疗和未治疗条件下塑造肿瘤生长动态。除肿瘤生长和治疗反应外，基于PDE的方法还用于研究细胞迁移和趋化性。受微器件中时空趋化梯度驱动细胞运动研究的启发，Jimenez等人开发了一个框架，构建异质性趋化因子场中细胞趋化波的位置、速度和细胞密度的近似解析解。这些解允许快速评估模型预测，并在计算密集型研究（如贝叶斯参数估计）中有潜在应用，连接理论模型与实验观察。除确定性方法外，还开发了随机建模框架以捕获肿瘤细胞状态的动态演化。对于GBM，一组研究人员开发了一个基于单细胞的随机模型，追踪患者来源GBM细胞在三周内的时间依赖性转录变化，揭示了患者特异性的分层可塑性组织（图4C）。该框架预测了治疗如何动态重塑肿瘤异质性，为制定更有效、患者定制的治疗策略提供指导。这些建模方法不仅在计算复杂性上不同，在异质性表示的生物学尺度上也不同。确定性框架有效捕获群体水平动态，但可能过度简化随机细胞变异，而随机和基于智能体的模型更好地代表表型多样性，但代价是计算可处理性和参数可辨识性。数学模型还为肿瘤间异质性提供了有价值的见解。在Creemers等人的研究中，使用了三种不同的数学模型创建虚拟患者群体，以研究反应模式对免疫治疗试验设计的影响（图5A-C）。这些虚拟群体接受晚期免疫治疗，使用ODE模型模拟疾病过程，描述肿瘤细胞与免疫系统之间的相互作用。通过模拟各种场景并考虑临床试验设计的四个关键方面（样本量、终点、随机化率和中期分析），模型准确预测了免疫治疗中常见的独特生存曲线模式。研究表明，这些数学模型能够评估试验设计的稳健性，并帮助识别潜在陷阱，如延迟曲线分离或生存曲线平台期。Browning等人提出了一个数学建模框架，使用头颈部癌症患者的临床肿瘤总体积数据，旨在预测患者对放射治疗的反应。该模型采用两室ODE模型捕获肿瘤生长和放射治疗反应，通过贝叶斯伪层次方法校准，整合群体水平数据以实现个性化预测，并允许所有参数在个体患者间变化以解释肿瘤间异质性。通过在整个治疗过程中持续更新预测，该框架提供实时、患者特异性的放疗结果指导。上述不同建模策略各具优势与局限性。表1总结了这些建模方法，比较了其主要特征、计算复杂性和典型应用。尽管数学模型有用，但严重依赖假设和参数选择；没有生物学约束的校准，纯理论模拟可能产生数学上合理但不可实际的预测。为确保临床相关性，这些模型必须通过整合多尺度数据和稳健的计算基准进行严格验证。这种整合的实验-计算工作流程始于临床数据校准，模型使用患者生存率、肿瘤体积测量和贝叶斯伪层次方法进行校准。此外，实验数据比较允许研究人员将计算机模拟结果与生物学相关的微流控ToC分析（如复制GBM模型中缺氧条件下的假栅栏形成）进行验证。为保证物理真实性，模型需经受统计指标（包括残差分析、自举研究以及正性、有界性和稳定性等数学性质的验证）。最终，这一严格框架提供了机制性抽象与生理相关性之间的必要桥梁，推动个性化列线图的发展，作为床旁工具的临床使用。

**4. 肿瘤异质性与人工智能（AI）**
肿瘤内部和之间的基因组和生物学异质性对开发有效的个性化癌症治疗构成了重大挑战。随着多组学分析和数字病理学成像数据的快速增长，为详细描述肿瘤异质性提供了前所未有的机遇。然而，整合和提取这些高维多模态数据集中的见解需要先进的计算方法。AI方法已成为分析这些复杂数据集、描绘肿瘤异质性以及指导针对每位患者分子谱和TME的个性化治疗策略的强大工具。尽管AI方法在分类和预测任务中表现出强大性能，但其临床应用仍受到若干因素限制，包括数据集多样性有限、机构偏差、过拟合和缺乏可解释性。许多高性能深度学习架构充当“黑箱”系统，限制了机制性理解，并降低了临床医生在决策环境中的信任。多种AI技术已应用于该领域，在肿瘤诊断、生物标志物检测、免疫背景表征和图像标准化等任务中日益受到关注。ML算法（如决策树、支持向量机和随机森林）促进疾病分类和预后，而深度学习（DL）模型（如卷积神经网络（CNN）、生成对抗网络和基于Transformer的架构）增强了组织学图像和空间数据的分析。在以下部分，研究人员重点介绍了一些代表性工作，展示了AI在肿瘤学不同应用中的潜力。重要的是，预测准确性本身并不一定意味着生物学理解。许多AI系统识别统计相关性，而不解决治疗耐药或肿瘤演化背后的因果机制。这一局限性激发了人们对结合数据驱动AI架构与数学约束生物模型的机械学习方法的日益增长兴趣。乳腺癌治疗的最新进展使得新辅助化疗成为局部晚期病例的常见方法。然而，除癌症亚型外，能预测新辅助化疗敏感性的因素尚不清楚。在最近的研究中，B. Shen等人使用AI从苏木精-伊红（H&E）染色的活检图像预测新辅助化疗疗效（图6）。通常，病理学中的AI应用依赖单一ML模型，如支持向量机或深度CNN。然而，该研究引入了一个包含三个独立模型的流水线系统，每个模型聚焦于肿瘤形态的不同方面。过程始于化疗前通过针吸活检获取的染色图像的收集和组织（图6A）。由于流水线同时包含基于CNN的分析和经典模型（支持向量机和随机森林），因此对每种模型进行了单独的图像准备过程（图6B和6C）。CNN用于从低倍放大的组织结构预测反应等级，模拟病理学家的诊断方法。当CNN预测不确定时，应用支持向量机和随机森林分析细粒度核特征（图6D）。最后，组装并评估完整流水线以评估整体性能和可靠性（图6E）。该方法在103例测试集上实现了95.15%的预测准确率。AI流水线系统有望增强乳腺癌新辅助化疗的个性化医学。AI在肿瘤学中的整合已超越化疗反应预测。研究人员正在利用这些工具开发模型，评估患者对免疫检查点抑制剂（ICIs）的反应，旨在揭示治疗耐药的潜在因素。例如，S. Chen等人使用ML方法选择10个预后基因，并开发了一个列线图来预测转移性尿路上皮癌患者的免疫治疗反应。列线图在1年和1.5年生存概率上与实际观察结果具有最佳一致性，在训练、测试和合并队列中均显示出良好的总生存期判别能力，曲线下面积值分别为0.815、0.752和0.805。决策曲线分析表明，当阈值概率高于0.35时，列线图优于突变负荷或新抗原负荷预测。低ICI反应评分值与CD8+ T细胞浸润和免疫检查点相关特征显著相关。此外，还鉴定出可能驱动和调节ICI反应的差异突变基因。随着AI在肿瘤学中的日益整合，其应用已从预测治疗反应扩展到在分子水平表征肿瘤异质性。在最近的一项《自然通讯》研究中，研究人员开发了PACpAInt，一种深度学习模型，旨在快速对胰腺腺癌进行亚型分析并分析其异质性，进一步展示了AI驱动方法在精准医学中的力量。胰腺腺癌的两种肿瘤亚型（经典/基底样）和两种基质亚型（非活性/活性）具有预后和治疗意义（图7A）。研究人员在202例患者的多中心队列上训练模型，并在四个独立队列上验证。PACpAInt使用转录组数据预测肿瘤组织、来自基质的肿瘤细胞及其分子亚型，涵盖全切片和ti级（112 μm正方形）水平。他们表明，PACpAInt准确预测了肿瘤亚型和生存结果，突出了在RNA定义的经典病例中，39%存在影响生存的微小侵袭性基底样成分。另一种基于AI的方法（图7B和7C）针对肺癌异质性，使用标准H&E染色肿瘤切片和HALO AI核表型分析软件，识别和定量小鼠和人类肺癌样本中的六种细胞类型（上皮、间充质、巨噬细胞、中性粒细胞、淋巴细胞和浆细胞），并通过CD3和F4/80免疫组化验证了淋巴细胞和巨噬细胞的识别。研究证实，巨噬细胞在腺癌中占主导，而中性粒细胞在鳞状细胞癌中更常见。在人类样本中，中性粒细胞与淋巴细胞之间、间充质细胞与淋巴细胞之间存在强负相关，间充质细胞百分比越高，预后越差。此外，一组研究人员使用TRACERx研究中354例非小细胞肺癌肿瘤的947个肿瘤区域（包括原发和转移部位）及96个邻近正常组织的配对全外显子和RNA测序数据，检查了肿瘤内转录组多样性。研究强调了转录组是表型变异的重要来源，基因表达水平和肿瘤内异质性（ITH）与肿瘤演化中的正选择和负选择模式相关。通过分析原发-转移配对转录组，研究人员使用ML将转移播种潜力与突变驱动的演化背景和原发肿瘤区域的增殖增加联系起来。研究结果强调了基因组和转录组在塑造ITH、肺癌进展和转移中的动态相互作用。大量研究探索了AI在增强转移性皮肤黑色素瘤患者的检测、诊断、分期、治疗计划、实施、反应评估、毒性评估和监测方面的潜力。这些进展在另一篇综述文章中进行了详细探讨。强大的AI和ML技术与丰富的多模态数据集的整合，为表征肿瘤异质性和实现精准肿瘤学开辟了新前沿。所举的例子展示了先进计算方法如何从复杂数据类型中提取新颖见解，定义肿瘤亚型的稳健分子特征，预测治疗反应，并模拟肿瘤演化动态。随着这些AI方法的持续进步和多组学分析数据集的不断增长，由此产生的癌症系统生物学观点对于开发真正针对每位患者独特肿瘤景观的个性化治疗策略至关重要。此外，AI与数学模型的协同组合在肿瘤学中日益受到关注，被称为“机械学习”。这一概念在（81）中进行了广泛综述，涵盖物理信息神经网络、代理模型学习和数字孪生等一系列技术。作为这一方法的例子，Meaney等人采用物理信息ML，将ML与PDEs结合，使用给药前后成像数据预测实体瘤中的间质液体压力和脂质体分布。另一个数学模型与ML协同的令人信服的例子是Bull等人对肿瘤免疫环境的研究。该研究考虑了肿瘤的多样化细胞组成（包括免疫细胞），其复杂多变的性质为肿瘤增加了另一层异质性，显著影响癌症进展和患者预后。聚焦于巨噬细胞的空间分布和表型多样性，Bull等人引入了一种新的统计量——加权对相关函数（wPCF），分析肿瘤内的空间关系。他们将wPCF应用于由基于智能体模型（ABM）生成的合成数据，模拟巨噬细胞与肿瘤细胞之间的相互作用，其中巨噬细胞表型从抗肿瘤（M1）到促肿瘤（M2）变化。通过调整模型参数，他们能够复制癌症免疫编辑的三个阶段：平衡、逃逸和消除。wPCF与交叉相关函数结合生成高维“PCF签名”，捕获巨噬细胞、肿瘤细胞和血管的空间分布。该签名随后用于训练支持向量机分类器，展示了整合数学模型和ML分析和分类复杂空间数据的潜力，为肿瘤异质性和免疫景观提供了难以通过传统实验方法捕获的有价值见解。所举的例子展示了不同建模方法捕获异质性、识别治疗脆弱性和评估针对每位患者独特肿瘤景观的精准治疗序列的力量。AI模型与新兴高维多尺度数据集的整合对于实现真正个性化肿瘤学的愿景至关重要。此外，AI和数学建模的协同潜力为应对肿瘤学中的关键挑战提供了强大策略，包括有限的数据可用性、对模型可解释性的需求以及处理复杂高维输入的挑战——所有这些都可以通过机械学习方法系统地解决。这种融合不仅增强了预测准确性，还支持了更深入的生物学见解，最终为更透明、更稳健和临床可操作的建模框架铺平了道路。许多AI肿瘤学研究的一个反复出现的局限性是依赖来自单一机构或相对同质患者队列的回顾性数据集。因此，模型性能在独立人群外部验证时通常会下降，这强调了多中心数据集和标准化分析流程的重要性。综合来看，ToC系统、数学模型和基于AI的方法各自为研究肿瘤异质性提供了独特的优势，同时也在可扩展性、可解释性和实验验证方面呈现独特的局限性。表2提供了这三种方法框架的比较概述，并突出了它们在推进精准肿瘤学中的互补作用。

**5. 整合方法：包括实验、数学和基于AI的模型**
ToC系统、数学建模和AI的整合不应被视为独立技术的简单组合，而应视为一个闭环分析框架，其中每个组件弥补其他组件的局限性。在该范式中，ToC平台生成生物学真实的实验数据，数学模型施加机制性结构和生物学约束，而AI则实现高维特征的可扩展提取和参数推断。因此，该框架的有效性不仅取决于单个组件的性能，还取决于实验保真度、计算可解释性和预测泛化能力之间的相互作用质量。ToC平台与AI和数学建模的融合将静态实验输出转化为动态预测框架，能够驾驭肿瘤生态系统的多尺度复杂性。通过利用这种整合，以下案例研究展示了协同工作流程——而非孤立技术——如何解决“保真度差距”，并加速向自适应、患者特异性治疗方法的转变。虽然ToC模型广泛用于研究癌症异质性（如第2节所述），但一个挑战是缺乏快速且低成本的分析读数方法。将ToC技术与AI整合可以简化分析流程，消除对传统荧光活死染色的需求。整合的第一层涉及用AI驱动的传感替换传统破坏性读数；例如，Zhang等人开发了一个高通量微流控平台，在芯片上形成1920个肿瘤球体，随后进行药物测试（图8A）。他们训练了一个CNN模型，使用明场图像估计肿瘤球体的活力，以传统染色为金标准。CNN的活力估计与三种化疗药物的传统染色方法显示出强相关性，相关系数大于0.84。此外，CNN识别了指示不同药物球体活力的常见形态学特征，突显了其用于通用药物筛选的潜力。尽管AI辅助分析提高了通量并减少了对劳动密集型荧光分析的依赖，但大多数当前实现仍停留在观察层面，而非机制性整合。在许多情况下，AI是对实验输出进行事后应用，而未动态地指导实验设计或治疗调整。能够实现实时实验优化的完全闭环系统仍基本未开发。Hou等人引入了一个开源软件框架，称为球体成像时间分析，用于分析球体生长和侵袭动态。该模型促进球体的时空分割、特征提取、其行为的数学建模以及实验条件的统计分析。该工具在非小细胞肺癌球体上进行了测试，展示了探索组织微环境及其在癌症转移中作用的能力。在另一项研究中，Chen等人开发了一种基于AI的方法，用于评估从肿瘤细胞系和原代肿瘤细胞在3D培养中生长的肿瘤球体的侵袭性。这些研究展示了将AI与ToC模型结合用于肿瘤生理和病理学的精确自动化评估的潜力。尽管数学建模是癌症研究中的强大工具，但TME的复杂性和模型的非线性使参数确定变得困难，常常限制结果的泛化性。Jiménez等人开发了一个基于GBM细胞与氧浓度相互作用的数学模型，应用“去或生长”范式。该框架模拟了由生化线索（如氧水平）驱动的关键GBM细胞行为，如增殖、分化和迁移。作者通过将计算机模拟结果与微流控分析数据进行比较，广泛分析了模型。研究模拟了低氧条件下GBM细胞迁移导致假栅栏形成的场景。研究强调，通过适当的参数分析，数学模型可以密切复制实验发现，为脑癌演化提供有价值的见解，并支持假设检验和实验设计。在另一项研究中（图8B），同一研究组将微流控设备、数学建模和深度学习相结合，创建了一种从荧光图像识别GBM细胞培养中关键参数的方法。使用CNN，他们旨在预测驱动GBM细胞在基于氧水平因素下在增殖和迁移之间交替的三个关键参数，这些参数对确定肿瘤预后和治疗反应至关重要。CNN在来自经过验证的数学模型的合成数据上训练，实现了极高的准确性（所有参数的Pearson相关系数ρ > 0.99）。一旦验证，该模型成功应用于真实微流控实验图像，准确预测了控制肿瘤演化的参数。Urban等人将CNN与他们先前开发的器官芯片系统相结合，以增强使用培养的血管化微组织（模拟人体生理）进行高通量药物筛选的数据分析。将细胞-ECM悬浮液引入平台并培养，使组织室内形成血管网络。在施加各种肿瘤化合物处理后，CNN分析了处理前后血管网络的时间序列图像，成功识别了破坏网络的化合物。这种CNN与器官芯片技术的整合提高了识别破坏血管网络的肿瘤化合物的准确性和效率。肿瘤内异质性源于肿瘤内细胞群体的基因型和表型变异。为有效识别和分类癌细胞类型并研究这种细胞多样性，单细胞分析至关重要。Joshi等人将ML与纳米颗粒打印微芯片结合用于单细胞分析。为确定最佳实验参数，他们对微芯片采用了理论模型——特别是等效电路分析。这种生物芯片有助于无标签区分不同细胞类型，已用于区分非癌细胞（MCF10A）和癌细胞（三阴性乳腺癌），并在单细胞水平分类癌症亚型（图8C）。为模拟TME的复杂性并研究治疗剂的运输过程，Kwak等人开发了一个3D TME-on-a-chip系统。该系统模拟了流体流动、ECM、细胞和纳米粒子之间的动态相互作用。他们利用该模型研究间质液体压力、膜孔径截止值和组织微观结构（如ECM中的胶原含量和细胞堆积密度）对纳米粒子分布的影响。通过将芯片模型与流体和纳米粒子运输的计算模型整合，他们也提供了对平台内运输过程的见解。Bretti等人开发了一个混合多尺度数学模型，研究Vacchelli等人提出的ToC系统中免疫细胞的动态。他们的模型使用耦合的PDE-ODE系统描述化学物质的浓度和免疫细胞的迁移。通过聚焦于微芯片的一个子区域，他们使用反应扩散方程模拟肿瘤细胞释放的化学物质的演化，并与受化学梯度驱动的免疫细胞运动方程耦合。该模型能够模拟免疫细胞在肿瘤细胞周围的短程动态，并捕获受细胞排列、生长速率和化学流入影响的总体免疫细胞行为的定性效应。机械学习方法可能部分解决纯数据驱动AI系统的一个核心弱点：缺乏生物学约束。通过将基于PDE的动态、物理运输方程或实验校准参数纳入AI架构，这些混合框架提高了可解释性，同时降低了学习生物学不可信相关性的风险。虽然最先进的ToC系统提供了更生理相关的TME表征，但复制复杂的微尺度架构需要对材料属性和制造参数进行精确控制。计算工具可进一步增强这一过程，实现更精确高效的设计和优化流程。例如，Kheiri等人将计算机模拟与大规模数据分析相结合，系统性研究用于高通量药物筛选的微流控球体芯片平台的设计参数范围。其计算框架捕获了药物递送至肿瘤球体的复杂动态，考虑了机械、生化和生物物理影响。通过模拟超过15000种不同的微流控设备配置和流动场景，生成了引导设计优化的大型数据集。计算预测随后通过原型设备的实验测试进行验证，展示了仿真与数据分析在微流控系统设计中的整合力量。本节讨论的研究共同强调了实验平台（特别是ToC系统）与计算方法（如数学建模和AI驱动分析）在癌症研究中日益增长的协同作用。计算方法在多个层面增强这些实验模型，从指导设备设计和制造到实现高效数据分析和系统优化。重要的是，当前研究中实现的整合程度差异很大。一些工作流程仍为松散耦合，AI主要作为下游分析工具，而其他工作流程则建立了实验与计算预测之间的双向反馈。目前相对较少的系统实现了完全自适应整合，其中AI驱动的预测迭代地指导实时实验扰动和治疗优化。通过利用这种整合，研究人员正在向更准确、高效和个性化的癌症诊断和治疗迈出重要步伐。关键研究总结见表3。

**6. 知识空白与未来方向**
ToC、数学建模和AI的整合范式代表了个性化肿瘤学的前沿。然而，从实验室向临床转化需要解决生物保真度、计算可处理性和伦理标准化方面的重大瓶颈。战略挑战：最根本的限制是体外模型与体内环境之间的保真度差距，这