温州医科大学最新Cell：张康团队开发AI模型，利用常规临床数据，实现癌症的检测/预测/分期，并指导治疗

撰文丨王聪

编辑丨王多鱼

排版丨水成文

癌症仍是全球面临的主要健康挑战，其临床模式主要以被动应对为主。诊断通常在症状出现后才启动，而此时恶性肿瘤往往已进展至晚期，严重限制了治疗选择并影响患者预后。

早期与晚期癌症之间生存率的巨大差异凸显了亟需采取能够支持早期、基于风险的检测和干预措施的重要性。要想实现这一目标，需要能够前瞻性识别高风险人群的工具，以便在治疗最有效时及时进行干预。

2026 年 7 月 27 日，温州医科大学附属第一医院/澳门科技大学张康教授团队在国际顶尖学术期刊Cell上发表了题 为： Advancing cancer detection and treatment using longitudinal routine clinical data 的研究论文。

该研究开发了一种 多模态 Transformer 模型——Oncoformer，其能够利用常规诊疗中收集的临床数据支持多种癌症相关预测任务，通过整合超过 367 万名个体的纵向健康记录和医学影像数据，Oncoformer模型能够检测癌症、提前一年预测癌症发生、推断肿瘤分期，并对治疗响应和复发风险进行分层。这些发现表明，纵向的常规诊疗数据可能有助于指导基于风险的癌症检测和治疗策略，从而为基于常规临床数据的风险适应性肿瘤学工作流程提供了一条可行路径。

在癌症的主动检测方面已取得显著进展。器官特异性成像技术（例如用于肺癌的低剂量计算机断层扫描、用于乳腺癌的乳腺 X 线摄影等）已被证明有效，但受限于成本、辐射暴露以及无法提供泛癌风险评估。与此同时，液体活检技术，特别是基于循环肿瘤 DNA（ctDNA）的多癌种早期检测（MCED），展现出良好前景。然而，其广泛应用目前仍受制于高昂的成本以及对早期癌症检测敏感性不一的问题，其在大规模人群筛查中的临床实用性仍在前瞻性评估中。这些方法共有的一个根本局限在于，它们通常仅提供某一时间点的静态风险快照，未能捕捉癌症作为一种动态、纵向发展的疾病过程。一种切实可行的方法是利用常规诊疗中已收集的数据，实现低成本、长期性的风险评估。

医疗系统每天生成的常规临床数据为研究癌症相关的纵向信号提供了机会。这些纵向数据包括电子健康记录（EHR）、实验室检测结果以及偶然获取的医学影像，构成了患者多年甚至数十年健康轨迹的详细数字记录。理论上，这些多维度的数据包含了恶性肿瘤早期尚未显现时的细微迹象，远早于肿瘤在临床上变得明显。这些数据具有常规采集且相对低成本的特点，使其成为构建可扩展的纵向癌症风险评估模型的理想基础。然而，从这种异质性强且含噪声的真实世界数据中学习微弱的疾病信号，需要一种专门设计的计算框架，以建模复杂的时序和多模态模式。

生成式大语言模型（LLM）特别适用于疾病进展建模，因其能够利用历史事件及其相互依赖的关系来预测未来的医疗结果序列。像 Med-BERT 这样的基础模型，已将 Transformer 架构应用于大规模结构化电子健康记录（EHR），从而学习出强大的表征能力，支持泛癌风险模型和特定癌症的预测模型。与此同时，多模态融合的趋势也逐渐兴起，通过结合临床数据与组织病理学或组学等专业输入，提升了预后准确性。

尽管取得了这些进展，但仍存在一个关键缺口：现有框架通常仅针对单一任务（例如独立的风险预测、诊断或预后分析），且往往依赖于难以普遍获取的专业数据，无法实现低成本、覆盖全人群的主动监测。一种有效的解决方案应整合广泛可及的数据模态，并在一个统一框架内支持多种具有临床意义的预测任务。

在这项最新研究中，研究团队尝试通过构建一个统一框架，利用常规临床数据实现癌症的检测、分期、治疗响应预测和预后评估，以应对上述挑战。

研究团队首先建立了“中国肿瘤多模态预测与监测研究”（China Oncology Multimodal Prediction and Surveillance Study，简称为COMPASS），这是同类研究中规模最大的真实世界队列之一，为模型的开发与验证提供了大规模的数据基础。该框架的核心是Oncoformer，这是一种多模态时间序列 Transformer 架构，旨在整合 367 万人（1770 万次临床就诊）的纵向电子健康记录（EHR）和胸部 X 光影像学数据。

研究团队证明，Oncoformer 在多种癌症相关预测任务中均表现出稳定性能，包括泛癌诊断（受试者工作特征曲线下面积（AUROC）= 0.956）、提前一年预测癌症风险（AUROC = 0.869）、仅使用诊断前数据即可非侵入性地推断肿瘤分期（平均 AUROC > 0.90），Oncoformer 内置的治疗响应预测模块能够预测患者对靶向治疗的个体化响应，其衍生的风险评分还能够对十种癌症类型提供具有临床意义的预后分层。此外，Oncoformer 对肿瘤的分期预测结果果通过术后病理终点独立验证，显示出与核心癌症基因组通路的一致性。

该研究的核心发现：

• Oncoformer 通过常规实验室检测和胸部 X 光片对整个癌症发展过程进行建模；

• Oncoformer 可检测现有癌症，并在临床诊断前长达一年预测癌症发生；

• Oncoformer 可根据常规临床数据预测肿瘤分期；

• Oncoformer 可预测十种癌症类型的治疗响应和无复发生存期。

总的来说，这项研究通过将常规临床数据转化为癌症演化的动态视图，Oncoformer提供了一种利用常规临床数据进行风险导向的癌症预测和治疗分层的框架，该框架支持一种基于风险的监测模式，可根据个体更新后的风险评分，个性化调整其筛查强度和方式。在实际应用中，Oncoformer 可在现有医疗体系内运行：在常规年度体检或定期门诊时，该模型利用已采集的实验室检测结果和胸部 X 光片，生成个性化的癌症风险评分，并对超过临床阈值的个体发出警示，以便进行针对性的确诊检查。该方法融入常规诊疗流程，无需额外的专项检测，有助于优化医疗资源分配，将更密集的随访措施集中于高风险人群。在治疗领域，Oncoformer 不仅用于识别预后标志物，还能提供预测性见解。基因组标志物指导“该靶向什么”，而该模型则通过整合患者治疗前的临床状态，回答“谁会响应”。这种数据驱动的方法结合了治疗前的纵向数据来预测治疗结果，有助于临床医生和患者共同决策，帮助选择有前景的疗法，并避免无效治疗带来的毒性和成本。

论文链接：

https://www.cell.com/cell/fulltext/S0092-8674(26)00807-X