癌症仍是全球主要健康挑战之一，多数患者在出现症状时才被诊断，此时往往已是晚期。早期与晚期疾病之间生存率的巨大差异，凸显了需要能够支持早期、基于风险的检测和干预策略。然而，现有的主动式癌症检测方法——低剂量CT、乳腺钼靶、液体活检——要么成本高昂，要么有辐射暴露，要么仅提供某一时间点的静态快照，难以大规模普及。
2026年7月27日，温州医科大学/澳门科技大学张康团队（温州医科大学为第一单位）在Cell在线发表题为“Advancing cancer detection and treatment using longitudinal routine clinical data”的研究论文，该研究提出了一个全新的解决方案：利用每个人看病都会留下的常规临床数据——电子健康记录（EHR）和胸部X光影像——通过一个名为Oncoformer的多模态Transformer模型，实现癌症的早期预测、诊断、分期推断、治疗反应预测和预后分层。
COMPASS：367万人的真实世界队列
研究团队首先建立了“中国肿瘤多模态预测与监测研究”（COMPASS）队列，包含367万个体、1770万次临床就诊，是同类研究中规模最大的真实世界队列之一。Oncoformer在这一大规模数据上训练，并在英国生物银行等独立外部队列上验证。
文章模式图（图源自Cell）
一个模型，五项任务
Oncoformer的核心是多模态时间序列Transformer架构，能够整合纵向EHR和胸部X光影像数据。它在多项临床任务中表现出一致的预测性能：
- 全癌症诊断：AUROC=0.956
- 诊断前一年内的癌症未来预测：AUROC=0.869
- 肿瘤分期推断：平均AUROC>0.90，且经术后病理和癌症基因组通路独立验证
- 患者特异性治疗反应预测：可预测对靶向治疗的个体化响应
- 无复发生存期分层：针对十种癌症类型，所有p<0.01
意义
需要客观指出的是：Oncoformer的训练和验证主要基于中国和英国的人群数据，其在其他种族和医疗系统中的泛化能力仍需进一步验证。此外，模型依赖的EHR数据质量和完整性在不同医疗机构间存在差异，可能影响实际部署效果。
尽管如此，这项研究为癌症管理提供了一个全新的范式：不再依赖昂贵的专门检测，而是将常规医疗过程中已经收集的数据转化为癌症演变的动态视图。对于医疗资源有限的地区和人群而言，这意味着“用已有的数据做更多的事”——通过一次胸片和几年的病历记录，就有可能提前一年预警癌症风险、推断肿瘤分期、甚至预测哪种靶向药更有效。Oncoformer将常规临床数据从“历史的记录”转变为“未来的指南”，为风险驱动型癌症预测和治疗分层提供了可扩展的解决方案。
参考消息：
https://www.cell.com/cell/fulltext/S0092-8674(26)00807-X
热门跟贴