*仅供医学专业人士阅读参考
AI破局肺癌科研与临床新范式
整理：高楼
近期，第十六届中国肿瘤学临床试验发展论坛暨GACT/CTONG 2026年度大会于广州圆满落幕，会议期间，广东省人民医院张嘉涛教授就“人工智能解题模式在肺癌中的研究与应用”进行了汇报。会中，张嘉涛教授接受采访，深入探讨了AI从影像判读到临床试验设计的全方位变革。医学界肿瘤频道整理如下：
一、辨明底层逻辑：拆解AI新模式，跳出传统工具思维
Q1
您本次演讲使用了“人工智能解题模式”这一表述，它和用AI提高影像判读、数据分析效率的核心区别是什么？在肺癌研究中，AI能否参与提出研究假设、筛选变量或优化临床试验设计？
张嘉涛教授
本届CTONG大会设置的该讲题很有现实探讨价值。近年大语言模型迭代迅速，以Transformer为代表的新一代AI，与传统机器学习、卷积神经网络（CNN）影像深度学习存在底层逻辑上的根本差异：
传统AI模式：任务驱动。需要医生预先定义任务，比如手动勾画出CT肺结节，再交由模型完成良恶性判断。这是一种“特征提取→分类”的流水线作业。
AI解题模式：问题驱动。无需人工拆解任务，直接输入完整影像资料，模型自主学习、输出结论。虽然其“黑箱”属性更加突出，但也带来了分析效能的提升。
这种范式变革利弊并存。一方面，诊断、数据挖掘效率大幅提升，大语言模型在特征提取和模式识别上的优势，使其深度参与临床与科研工作成为可能。另一方面也给临床医师与监管机构带来新挑战，如何标准化评判AI工具效能、验证模型跨中心泛化能力，是当下亟待攻克的难题。
厘清AI解题模式的底层差异后，落地到肺癌领域，多模态生物数据融合是临床医生最关心的方向。
二、融通多维数据：整合影像基因，搭建围术期智能决策
Q2
未来能否用AI整合循环肿瘤DNA（ctDNA）、病理影像和临床风险，建立更可靠的围术期决策模型？
张嘉涛教授
多模态数据的融合是必然趋势，且正在从简单叠加走向深度整合。具体体现在以下两个方向：
第一，实现多模态统一表征融合。过去，影像、ctDNA、病理分析往往各自为战。如今，借助大语言模型，不同模态的数据均可转化为统一的文本或向量表示，完成跨模态深度关联分析。已有研究尝试将ctDNA动态数据与影像学特征结合，以提升预后评估的准确性。
第二，摆脱商业算法的平台桎梏。当前ctDNA检测高度依赖各企业专利算法，不同平台的结果难以互通，形成“数据孤岛”。未来可利用AI直接解读原始测序数据，不依赖任何特定商业算法。这种方式有望实现更精准、更具泛化能力的独立解读。该方向虽然尚处于探索阶段，但已有相关研究产出，应用前景可期。
多模态融合指明了技术路径，但大量医疗 AI 模型仍困于实验室，很难真正用于患者治疗指导与临床试验受试者筛选。
三、锚定落地标准：破除临床孤岛，划定实用AI准入门槛
Q3
医院与企业联合开发的AI模型层出不穷，具备哪些特质的AI结果，才可以真正用于患者入组、临床治疗决策，而非仅停留在科研展示？
张嘉涛教授
国内已有多款三类证医疗AI获批上市，但行业普遍存在“研用脱节”的临床孤岛现象。很多模型仅在研发单中心表现优异，很难在全国各级医院推广落地。核心痛点有两点：
1、模型泛化性能不足：多数AI基于单中心、特定人群数据集训练，仅能解决局部细分临床问题，迁移至设备、人群、病种存在差异的其他医院后，诊断效能明显下滑，缺乏通用临床使用价值；
2、院内系统对接门槛偏高：获批AI产品未形成统一接口标准，多数医院现有HIS、LIS、影像系统无法直接适配，软硬件改造成本高昂，造成产品获批却难以常态化投入临床使用。
能够真正指导临床决策、受试者入组的合格AI工具，应当满足两项核心标准：
第一，研发出发点聚焦全国临床共性痛点，而非局限单中心小众需求；
第二，联合临床专家与人工智能工程师协同迭代，搭建覆盖多中心、人群分布均衡的训练数据集，保障模型在不同医疗机构均可稳定输出可靠结果，以此破除应用孤岛，落地真实临床场景。
满足以上条件，才能打破科研与临床之间的壁垒。而 MRD-ctDNA 检测，正是AI亟待突破的重要临床场景。
四、落地临床实证：突破检测壁垒，升级MRD预后预测效能
Q4
您团队积累了大量MRD前瞻性研究数据。面对ctDNA纵向动态监测产生的海量时序数据，对比传统统计学方法，AI算法在构建临床预测模型上带来哪些实质突破？可否分享实操案例？
张嘉涛教授
在MRD检测中，AI的介入正在解决传统方法的两大顽疾：算法黑箱与平台壁垒：
算法黑箱：各检测平台采用专利私有算法，临床医生无法追溯原始数据的过滤、判定逻辑，这导致临床决策时心存疑虑——阴性患者未必不复发，阳性患者也未必复发。
平台隔阂：不同企业的算法互不兼容，结果无法交叉验证，限制了MRD结果的横向比较与临床应用。
AI为上述痛点提供解决方案：一方面直接解析原始测序数据，绕开商业私有算法，实现解读过程透明客观；另一方面显著提升检测性能。
以广东省人民医院与北京大学人民医院合作开发的LAMPAD模型为例。这是一个基于传统机器学习构建的模型，可适配国内绝大多数MRD检测平台的数据。通过对原始数据进行二次AI优化，单次检测的阴性预测价值从70%提升至95%以上，极大增强了MRD结果对临床决策的指导意义。
这一案例证明，AI能够有效消除不同检测平台间的算法差异，提升检测的灵敏度与特异度，为MRD指导下的精准治疗铺平道路。
五、前瞻行业布局：革新试验体系，勾勒三五年发展蓝图
Q5
对于未来3-5年，您认为AI在肺癌临床试验和临床实践中必须解决且有可能解决的核心问题分别是什么？团队后续有哪些布局？
张嘉涛教授
国内肺癌临床试验的AI应用程度与欧美国家仍存在明显差距，未来3-5年，有两大场景落地潜力最大：
第一，AI优化入排标准。国外已有EMA获批的AI工具用于评估临床试验的入排标准。数据分析显示，平均每条试验中有约7条入组条件（约占30%）实属多余，去除后并不影响药物有效性和总生存期的评估。利用AI精简入排标准，可以让更多患者获得参与临床试验的机会，大幅提升试验效率。
第二，数字孪生技术减少对照组需求。传统1:1随机对照试验中，半数受试者分配至对照组无法接受新药干预，存在一定伦理局限。AI学习海量多中心临床队列数据后，可搭建患者数字孪生模型，模拟受试者接受化疗、免疫、联合治疗后的生存曲线、不良反应发生规律，以虚拟对照组替代部分实体对照人群。该模式在保障临床试验数据科学性的基础上，让更多晚期肺癌患者拥有进入新药试验的机会，兼顾研发效率与受试者权益。
小结
从底层算法革新到多模态数据融合，再到MRD临床实证与试验体系革新，AI正全方位重塑肺癌诊疗。唯有搭建多中心均衡数据集、破除平台数据孤岛，才能释放人工智能临床价值，为肺癌精准诊疗开辟全新发展路径。
专家简介
张嘉涛 教授
广东省人民医院
广东省人民医院&广东省肺癌研究所 肺外科肿瘤学博士，副研究员
第6届CSCO“35 under 35”优秀青年肿瘤医生
第3届人民好医生金山茶花奖杰出贡献奖
中国胸部肿瘤研究协作组青年专家委员会（CTONG-Young）委员，第一届轮席主席
中国抗癌协会肿瘤标志物专业委员会肺癌标志物协作组副组长
主要研究方向：肺癌分子残留病灶及围术期治疗.
师从吴一龙教授、钟文昭教授，于Cancer Discovery, Cancer Cell, JAMA Oncol, J Extracellular Vesicle等杂志发表SCI十余篇，总影响因子超300分.
IASLC会员，曾获IASLC Mentorship Award，Developing Nation Award.
主持一项国自然青年项目，省自然面上项目
责任编辑：碧瑶
*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。
热门跟贴