Multimodal artificial intelligence for personalized hepatocellular carcinoma treatment strategy selection

癌症治疗很少是在两条路径之间进行的简单选择。对于肝癌患者而言，如何进行决策涉及权衡肿瘤的大小和位置，以及患者肝脏的强度、整体健康状况，甚至其个人情况。医生必须综合大量信息，从血液检测数值到病历中的书面记录，以决定手术、靶向药物或局部热疗是否能提供最佳的康复机会。这一过程非常复杂，且往往依赖于医生的经验，医生必须同时在脑海中处理所有这些零散的事实，以找到正确的行动方案。

长期以来，研究人员一直试图构建能够辅助此类决策的计算机程序。然而，大多数现有工具仅关注结构化数据，如年龄、实验室结果或肿瘤测量值，而忽略了医生笔记和影像报告中丰富的描述性文本。来自中国无锡的一个团队开展的一项新研究解决了这一差距，他们创建了一个能够阅读并理解患者档案中数字与文字的计算机模型。研究人员开发了一个系统，将这些不同类型的信息结合起来，以预测患者最有可能接受的五种常见治疗方法中的一种，旨在使选择过程更加客观和全面。

该团队将重点放在原发性肝癌中最常见的类型——肝细胞癌上。他们收集了2017年至2023年间在无锡市人民医院接受治疗的1,043名患者的数据来构建模型，并使用来自2025年的另外55名患者的独立小组对其进行了测试，以观察其在新的环境下是否依然有效。该计算机系统的设计旨在观察四个主要类别的信息：基本人口统计学信息（如年龄和性别）、实验室结果（如肝酶水平）、患者病史（包括既往疾病）以及描述扫描结果的影像报告详细文本。至关重要的是，该模型不仅仅是扫描关键词；它使用了一种先进的方法，将医疗叙述中的非结构化文本转换为计算机可以与硬性数字一起分析的格式。

为了训练该系统，研究人员将第一组患者的数据连同每个人实际接受的治疗方案一起输入其中。目标是让计算机学习导致医生选择某一特定疗法的模式。模型必须在五种方案中做出抉择：通过开腹手术切除肿瘤、通过微创腹腔镜手术切除肿瘤、使用射频消融术烧灼肿瘤、通过经动脉化疗栓塞术阻断其血供，或者进行化疗。研究人员随后将他们的新系统与几种其他著名的机器学习方法进行了对比，以观察哪种方法的表现最好。

结果显示，作者称之为 ET-Emb 的新模型比其他方法更准确。在初始患者组中，该系统正确预测治疗路径的 AUC（曲线下面积）达到了 0.84，并且在针对 55 名新患者的测试组中保持了 0.77 的强劲表现。这种一致性表明，该模型可以处理现实世界医疗数据的复杂性，而不会丧失其有效性。研究还表明，基于文本的信息并非仅仅是微小的补充；它在模型的成功中发挥了重要作用。当研究人员分析哪些因素驱动了决策时，他们发现医疗记录中的书面描述和经济社会细节（如就业状态）是重要的预测因子。

这一发现挑战了“只有硬性临床数字才重要”的观点。模型的分析表明，诸如患者的工作状态或医生笔记中关于其病情的特定措辞等因素，微妙地影响了最终的治疗选择，这反映了人类医生考虑“完整的人”时所具备的细致入微的方式。例如，系统识别出某些血型以及高血压或糖尿病等疾病的存在与特定的治疗建议相关联，这符合已知的医学风险。文本数据的加入使得模型能够捕捉到纯数值模型经常遗漏的这些细微之处。

研究人员承认他们的工作存在局限性。该模型是在单一医院的数据上训练的，它学习的是医生实际做出的决策，而这些决策可能包含基于当地实践或患者偏好的差异，而非严格的指南。此外，该研究并未追踪患者接受治疗后的生存时间，因此该模型预测的是治疗方案的选择，而非长期的生存结果。尽管存在这些限制，但这项研究证明，将书面医疗叙述与标准临床数据相结合，可以创造出一个更强大的工具，用于理解治疗决策。通过成功整合这些不同形式的信息，该模型提供了一种模拟在处理肝癌治疗过程中复杂的、类人推理过程的方法。