News Medical 6月27日报道，Current Molecular Pharmacology近期发表的一篇综述系统梳理了人工智能在肿瘤药物耐药预测中的应用。文章由上海交通大学医学院相关团队撰写，重点讨论机器学习、深度学习和多组学数据整合，如何用于理解化疗、靶向治疗和免疫治疗中的耐药机制。
综述指出，TCGA、GDSC等大型数据库为模型训练提供了基因组、转录组、药敏和临床信息。通过标准化数据库和预处理流程，研究者可以把来源复杂、格式不一的数据转换为可用于建模的输入，从而寻找与肿瘤耐药相关的分子特征、信号通路和潜在预测指标。文章还提到，癌症相关血栓等临床状态可能成为下一代预测模型需要纳入的新维度。
作者同时提醒，AI模型进入临床之前仍有多重障碍。肿瘤数据稀疏、批次效应、不同平台之间检测差异，以及深度学习模型常见的黑箱特征，都会削弱医生对结果的信任。模型准确率和可解释性之间的取舍，是现实应用中绕不开的问题。如果模型只能给出风险分数，却不能解释关键变量和生物学理由，很难直接指导治疗决策。
综述建议，未来工具应加强可解释AI框架、多模态融合和动态液体活检监测。例如，通过连续检测循环肿瘤DNA、转录特征或凝血相关标志物，模型可能更接近实时地捕捉耐药演化，而不是只依赖治疗前的一次性样本。对于合并癌症相关血栓的高风险患者，加入凝血通路和血栓纵向指标，可能帮助评估抗肿瘤和抗凝治疗之间的综合风险。
这篇综述的性质决定了它不是某个具体AI工具的临床验证报告，也不能说明某一模型已经可以替代医生判断。作者强调，需要统一数据标准、开展前瞻性临床验证，并由肿瘤学、药理学、计算科学和临床试验团队共同推进，才能把计算创新转化为可用的床旁工具。
原文链接：http://www.news-medical.net/news/20260626/Artificial-intelligence-improves-prediction-of-cancer-drug-resistance.aspx
免责声明：本文仅供医学资讯参考，不构成诊疗建议。
