Nature系列综述：王嫣然等提出AI驱动的 “智能患者检索” 技术，有望重塑肿瘤多学科会诊决策

编辑丨王多鱼

排版丨水成文

肿瘤多学科会诊，是癌症诊疗的核心环节，肿瘤医生、放射科医生、病理科医生及其他专科医生共同协作，解读复杂临床证据并制定治疗方案。但随着精准肿瘤学的发展，临床工作负荷也随之增加：不断扩展的基因组检测组合、多模态影像、病理结果以及漫长的治疗史，使得医生难以快速整合完整信息，尤其是那些最具挑战性、最需要审慎讨论的疑难病例。

近日，密歇根大学王嫣然（Joyce Yan-Ran Wang）教授与斯坦福大学Akshay Chaudhari教授在 Nature 旗下综述期刊Nature Reviews Cancer发表了题为：的观点文章。文章提出，可引入一种 AI 辅助能力来支持多学科诊疗决策，即AI 驱动的智能患者检索系统（AI-driven smart patient retrieval system）。肿瘤诊疗团队可借助相关系统，检索与当前患者临床特征相似的既往病例，并将匹配结果与真实世界的治疗路径和预后数据相结合。

王嫣然及其合作者将“智能患者检索” 定义为一种语义多模态检索系统，该系统能够在临床病历、医学影像、病理资料和分子数据之间学习联合特征表示。与依赖关键词检索或僵化的结构化筛选不同，这类系统旨在识别跨不同数据类型的综合相似性 —— 例如，细微的影像特征、文本记录的症状以及分子变异组合，共同构成具有临床意义的病例相似性。

王嫣然表示，这本质上是一项行动倡议。我们认为，这是实现真正精准肿瘤学的重要且极具前景的路径。这套 AI 系统不仅分析影像，还综合放射影像、CT、病理数据以及基因信息等多模态资料，整合所有历史数据与新病例信息，识别出最相似的既往病例，为新患者的诊疗提供有价值的参考。

该方法将肿瘤临床中常见的“我曾遇到过类似患者……” 这一经验式推理模式系统化，并将其拓展至超越单个医生个人经验的范围。这一点至关重要，因为在罕见癌症和非典型肿瘤表现中，即便是经验丰富的专家，整个职业生涯中也仅能接触到少量相似病例。智能检索技术可在单个医疗系统或机构网络中挖掘相关历史病例，扩大临床团队对集体知识的获取范围。

作者们同时强调了该技术对患者的潜在价值。当前临床试验匹配与治疗方案选择，往往受限于仅关注少数生物标志物的狭隘规则性标准。智能患者检索可纳入非结构化病历与多模态信号，扩大检索范围，从而识别出携带罕见突变或非典型特征、易被常规流程遗漏的患者，这对提升先进疗法和临床试验的公平可及性尤为重要。

与此同时，文章还强调，该技术的临床应用需要严谨的设计与验证。AI 模型识别出的 “相似性” 并不自动等同于临床相关性，且检索得到的预后数据来自真实世界诊疗模式，而非对照试验结果。作者们提出了多个研究方向，包括预后感知表征学习、先满足严格临床约束的两阶段检索，以及结合临床医生反馈使结果更贴合专家判断等。他们还呼吁建立完善的安全与治理机制，包括人在回路审核、不确定性评估、偏倚检测与审计追踪。

“我们倡导协同行动，”王嫣然表示，“学术中心应实现肿瘤多学科会诊流程的数字化，同时临床医生必须作为共同设计者深度参与，因为他们的临床判断是系统的核心组成部分。这是一项多方协作的工作，需要共同致力于探索如何最大限度地利用数据与 AI 模型改善癌症诊疗。”

文章中进一步提出，大语言模型在基于检索到的实证依据时，可辅助肿瘤多学科会诊流程，帮助生成结构化病例摘要、整合多模态患者数据，避免出现无依据的推断。

总体而言，这篇观点文章为 AI 赋能肿瘤多学科会诊提供了发展路线图：帮助会诊团队从耗时费力的数据整理转向更聚焦、更具循证依据的深度讨论，决策依据不仅来自诊疗指南和文献，更来自真实相似患者的治疗数据与疾病经历，让既往病例真正惠及后续患者。

论文链接：

https://www.nature.com/articles/s41568-026-00923-1