Science Bulletin | 陆军军医大学王斌团队及合作者发表综述：系统阐述多模态人工智能在癌症免疫治疗中的新进展

免疫治疗通过激活或恢复机体的抗肿瘤免疫反应，已显著改变多种恶性肿瘤的治疗格局，部分患者能够获得深度且持久的临床缓解。然而，免疫治疗的总体获益仍存在显著个体差异，相当一部分患者表现为原发性耐药，部分患者则在初始应答后出现疾病进展或复发。同时，免疫相关不良事件、假性进展和超进展等复杂临床现象，也增加了疗效评估和治疗调整的难度。PD-L1表达、微卫星不稳定性和肿瘤突变负荷等传统生物标志物虽然已被用于患者筛选，但其预测准确性和跨癌种适用性仍然有限，单一指标难以全面反映肿瘤、免疫系统与治疗干预之间动态而复杂的相互作用。

技术演进：从传统机器学习到AI虚拟细胞

癌症免疫治疗相关信息分布于分子、细胞、组织和临床等不同尺度，涵盖基因组、转录组、蛋白质组、表观组、单细胞组学、空间组学、数字病理、放射影像以及电子健康记录（EHR）等多种数据类型。传统分析方法往往难以同时捕获不同模态之间的非线性关联和高阶交互。

图1. 癌症免疫治疗中人工智能方法的演进与代表性模型

如图1所示，该综述将癌症免疫治疗领域人工智能方法的发展概括为六个相互衔接的阶段：早期机器学习分类器、无监督表征学习、基于图的细胞间相互作用建模、多模态基础模型与生物医学语言模型、强化学习与主动学习范式，以及AI虚拟细胞。传统机器学习可利用预先定义的临床、影像或分子特征完成患者分类与风险预测；自编码器、变分自编码器和对比学习等方法能够从高维数据中提取潜在表征，减少对人工特征工程的依赖；图神经网络可进阶解析肿瘤细胞、免疫细胞与基质细胞间的复杂通讯。多模态基础模型则实现了组学、图像、序列和临床文本的跨模态连接。在此基础上，AI虚拟细胞有望在计算环境中模拟细胞扰动过程，为作用机制研究和候选治疗筛选提供辅助依据。

临床应用：精细刻画微环境与个体化决策支持

在临床应用层面，多模态AI可整合多组学数据，精细地刻画肿瘤免疫微环境中的细胞组成、功能状态、空间邻域及细胞通讯网络，识别与免疫应答及耐药相关的分子程序。人工智能驱动的虚拟染色、细胞表型识别和空间多组学整合，也为从有限组织样本中提取更丰富的免疫微环境信息提供了新的方法。多模态AI基于全切片图像及免疫组织化学图像的模型可辅助预测PD-L1表达、微卫星不稳定性、肿瘤突变负荷； 基于CT、PET和MRI的影像组学及深度学习模型能够从肿瘤内部及其周围组织中提取与免疫应答相关的影像表型，用于预测治疗反应、疾病进展、复发风险和免疫相关不良事件。将数字病理、放射影像、多组学数据与临床变量和纵向EHR相结合，可显著提高免疫治疗风险分层和临床决策支持的准确性。

对于假性进展、真实进展和超进展等常规影像评价难以准确区分的复杂反应模式，多模态AI通过联合分析治疗前后的影像变化、病理微环境、分子特征和临床时间序列，有助于降低过早终止有效治疗或延误治疗调整的风险。未来模型需要在统一的决策框架中综合评估治疗获益与毒性风险， 提供更加符合临床实际的支持。

面临挑战与未来展望

该综述指出，多模态AI距离常规临床应用仍面临中心数据异质性、模态缺失、捷径学习、模型“黑箱”及临床验证不足等障碍。未来研究需要加强多中心、前瞻性和真实世界验证，结合决策曲线评估临床净获益，并通过功能实验、前瞻性研究及临床试验验证预测结果的生物学合理性与临床价值。AI应被定位为临床医生和研究人员的辅助工具， 推动癌症免疫治疗从单一生物标志物驱动的患者分层，逐步转向兼顾疗效、毒性和疾病动态变化的个体化决策支持。

文章信息

DOI：10.1016/j.scib.2026.09.016