Cell子刊：天津医科大学李祥春/陈可欣团队开发AI大模型，对原发灶不明癌症进行分类和定位

撰文丨王聪

编辑丨王多鱼

排版丨水成文

准确的肿瘤类型定位对于确定恰当的治疗策略、优化临床结果以及使患者能够接受靶向治疗和临床试验至关重要。明确肿瘤类型及其原发部位，能让肿瘤科医生根据肿瘤的生物学特性为其制定个性化治疗方案。分子分析方面的最新进展改进了癌症分类，并推动了个性化医疗的发展。然而，尽管有这些创新，诊断复杂癌症，尤其是转移性肿瘤，仍是临床面临的一大挑战。

原发灶不明癌症（CUP）是肿瘤学中最具挑战性的临床情况之一。CUP 指的是尽管进行了广泛的诊断努力，包括组织病理学、影像学和分子检测，但原发部位仍无法确定的转移性肿瘤。在全球范围内，CUP 占所有癌症的 3%-5%，这些癌症通常具有侵袭性，对治疗有抗性，并且预后不良，中位生存期在 6-16 个月之间。由于原发部位未知，治疗通常采用经验性化疗，其效果不如针对特定部位的疗法。因此，确定肿瘤的组织来源对于扩大治疗选择和改善预后至关重要。尽管病理学，包括免疫组化、肿瘤形态学和临床发现，在确定原发肿瘤方面发挥着关键作用，但传统方法在高度转移性或低分化 CUP 病例中往往效果不佳。这些局限性，再加上观察者之间的差异，凸显了对更可靠诊断方法的迫切需求。

2025 年 9 月 4 日，天津医科大学李祥春、陈可欣等人在 Cell 子刊Cell Reports Medicine上发表了题为：Large language models enable tumor-type classification and localization of cancers of unknown primary from genomic data 的研究论文。

该研究开发了一款基于大语言模型的 AI 工具——OncoChat，其能够从基因组数据中对原发灶不明癌症（CUP）进行肿瘤类型分类和定位。

该研究开发的 AI 模型OncoChat，通过整合多种基因组改变来对 69 种肿瘤类型进行分类。该模型基于 158836 个肿瘤的基因组数据开发而成，这些肿瘤是通过靶向癌症基因面板测序获得的。OncoChat 表现出色，微平均精确召回曲线下面积（PRAUC）达到 0.810，准确率为 0.774，F1 分数为 0.756，优于基准方法。

该研究的亮点：

• OncoChat 是一种大语言模型，能够根据基因组变异对肿瘤类型进行分类；

• OncoChat 能够以极高的准确度对已知和未知的原发性癌症进行分类；

• 结构变异整合极大地提高了肿瘤分类的准确性；

• OncoChat 预测对原发灶不明癌症患者的生存具有预后意义。

在 26 例原发灶不明癌症（CUP）的数据集中，OncoChat 正确识别了其中 22 例癌症类型。在两个更大的 CUP 数据集（n=719 和 158）中，OncoChat 预测的肿瘤类型与已知肿瘤类型的生存结果和突变谱一致。OncoChat 在临床决策支持方面展现出巨大潜力，特别是在处理原发灶不明癌症（CUP）患者方面。

论文链接：

https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00405-7