编辑丨%
在癌症这一高度复杂的医学领域，临床决策往往依赖于高维、多模态且长周期的海量数据。传统的深度学习系统大多针对单一任务，而新兴的AI 基础模型（FMs）正在打破这一范式。
2026 年 4 月 28日，一篇名为「The current and future landscape of AI foundation models for cancer management」的评论文发表在《Nature Communications》上，其内容梳理了 FMs 在癌症管理中的现状与走向。
文中认为，FMs 正在把传统「单任务深度学习」推向一种更通用的框架，这种框架可以同时整合多模态数据、多任务、专家子网络、智能体和外部工具；而在肿瘤学里，这种能力之所以重要，是因为筛查、诊断、治疗、预后和随访本来就依赖高度异质、纵向、跨模态的数据。
论文链接：https://www.nature.com/articles/s41467-026-72576-5
多模态、专家网络与智能体
现代癌症护理涉及放射影像、电子病历（EHR）、基因组序列和病理结果等多种数据源 。基础模型的核心趋势在于无缝整合这些空间、时间和功能信息 ：
多模态融合：通过语言锚定，将不同维度的医疗数据有机结合 。
混合专家网络（MoE）：为了降低处理高维图像的计算成本，研究者利用 MoE 架构，在推理时仅激活特定的子网络，从而实现成本效益的平衡 。
AI 智能体（Agents）：最新的进展显示，自主 AI 智能体可以协同多个基础模型和工具，在复杂的肿瘤场景下辅助做出更精准的决策 。
图示：基于基础模型驱动的癌症管理概念框架。
这一步的关键词叫「整合」，强调现代癌症管理涉及放射影像、电子病历、基因组序列、实验室结果、治疗方案和随访信息等多源数据，AI 系统必须把空间信息、时间信息和功能信息一并纳入。
论文也直言，大规模多模态数据带来的长上下文计算成本很高，因此需要借助 mixture-of-experts、专门的 agent 以及工具调用来控制复杂度。
赋能推理
第二个关键词落在「推理」。
文内明确提出癌症决策需要透明、分步、可解释的推理，而 chain-of-thought 及其变体正是回应这一需求的方向。他们特别提到，强化学习已经成为诱导推理能力的重要机制；同时，像 OpenAI 的 O-series、Google Gemini、xAI Grok 以及开源的 DeepSeek-R1，都被视为推理能力不断成熟的标志。
但这并非意味着所有癌症管理任务都需要 LLM。作者同时指出，药物设计和基因组发现等领域也在发展许多非 LLM 路线。换言之，他们关注的不是「模型越大越好」，而是医疗 AI 转型中那些真正有迁移价值的技术组合：多模态输入、先进推理、专家网络、智能体协同，以及可解释的人机协作。
开放生态与专有模型
考虑到种种问题，论文把开放性单独拎出来，认为这是推动合作、创新与监管协同的关键。
表：专有与开源基础模型的比较。
专有模型通常拥有极强的性能和资源支持，但由于其封闭性，往往表现为「黑盒」，存在隐藏偏见，且定制化程度受限；开源模型则呈现出「灰盒」或「白盒」特征，更有利于通过公共监督和开放验证来满足医疗监管机构（如 FDA）对安全性和公平性的要求。
后者的透明性有助于开展跨学科协作，通过「社区努力」减少模型偏见，并支持高度的个性化定制。它们已经开始为肺癌筛查、癌症进展分析、乳腺癌管理和临床决策等方向提供底座。
但同时，作者表示，癌症数据高度异质，标准化、质量控制和互操作性都很难；而且 FMs 往往需要极高算力，部署成本很大，复杂的多模型或多智能体系统还可能拖慢推理速度，不适合实时使用。
更棘手的是，模型可能出现 hallucination、数据噪声、算法偏差和隐私泄露等问题，因此需要新的监管框架，把这些模型当作会持续演化的复杂系统来评估和审计。
在决策模型中建立新秩序
癌症基础模型不应被视为静态系统，而应在临床反馈和后部署监测中不断更新；与此同时，医生必须始终处在决策回路中，对模型建议进行验证、调整和监督。
作者的判断很清楚——未来的癌症 AI，不只看准确率，还要看它是否透明、协同、负责、可追踪，并能在真实临床环境中持续适应。换句话说，下一代肿瘤基础模型的竞争，不只是模型能力的竞争，更是系统工程、开放生态和临床治理能力的竞争。
热门跟贴