編輯丨%

在癌癥這一高度復(fù)雜的醫(yī)學(xué)領(lǐng)域，臨床決策往往依賴于高維、多模態(tài)且長周期的海量數(shù)據(jù)。傳統(tǒng)的深度學(xué)習(xí)系統(tǒng)大多針對單一任務(wù)，而新興的AI 基礎(chǔ)模型（FMs）正在打破這一范式。

2026 年 4 月 28日，一篇名為「The current and future landscape of AI foundation models for cancer management」的評論文發(fā)表在《Nature Communications》上，其內(nèi)容梳理了 FMs 在癌癥管理中的現(xiàn)狀與走向。

文中認(rèn)為，F(xiàn)Ms 正在把傳統(tǒng)「單任務(wù)深度學(xué)習(xí)」推向一種更通用的框架，這種框架可以同時整合多模態(tài)數(shù)據(jù)、多任務(wù)、專家子網(wǎng)絡(luò)、智能體和外部工具；而在腫瘤學(xué)里，這種能力之所以重要，是因?yàn)楹Y查、診斷、治療、預(yù)后和隨訪本來就依賴高度異質(zhì)、縱向、跨模態(tài)的數(shù)據(jù)。

論文鏈接：https://www.nature.com/articles/s41467-026-72576-5

多模態(tài)、專家網(wǎng)絡(luò)與智能體

現(xiàn)代癌癥護(hù)理涉及放射影像、電子病歷（EHR）、基因組序列和病理結(jié)果等多種數(shù)據(jù)源 。基礎(chǔ)模型的核心趨勢在于無縫整合這些空間、時間和功能信息 ：

多模態(tài)融合：通過語言錨定，將不同維度的醫(yī)療數(shù)據(jù)有機(jī)結(jié)合 。

混合專家網(wǎng)絡(luò)（MoE）：為了降低處理高維圖像的計(jì)算成本，研究者利用 MoE 架構(gòu)，在推理時僅激活特定的子網(wǎng)絡(luò)，從而實(shí)現(xiàn)成本效益的平衡 。

AI 智能體（Agents）：最新的進(jìn)展顯示，自主 AI 智能體可以協(xié)同多個基礎(chǔ)模型和工具，在復(fù)雜的腫瘤場景下輔助做出更精準(zhǔn)的決策 。

圖示：基于基礎(chǔ)模型驅(qū)動的癌癥管理概念框架。

這一步的關(guān)鍵詞叫「整合」，強(qiáng)調(diào)現(xiàn)代癌癥管理涉及放射影像、電子病歷、基因組序列、實(shí)驗(yàn)室結(jié)果、治療方案和隨訪信息等多源數(shù)據(jù)，AI 系統(tǒng)必須把空間信息、時間信息和功能信息一并納入。

論文也直言，大規(guī)模多模態(tài)數(shù)據(jù)帶來的長上下文計(jì)算成本很高，因此需要借助 mixture-of-experts、專門的 agent 以及工具調(diào)用來控制復(fù)雜度。

賦能推理

第二個關(guān)鍵詞落在「推理」。

文內(nèi)明確提出癌癥決策需要透明、分步、可解釋的推理，而 chain-of-thought 及其變體正是回應(yīng)這一需求的方向。他們特別提到，強(qiáng)化學(xué)習(xí)已經(jīng)成為誘導(dǎo)推理能力的重要機(jī)制；同時，像 OpenAI 的 O-series、Google Gemini、xAI Grok 以及開源的 DeepSeek-R1，都被視為推理能力不斷成熟的標(biāo)志。

但這并非意味著所有癌癥管理任務(wù)都需要 LLM。作者同時指出，藥物設(shè)計(jì)和基因組發(fā)現(xiàn)等領(lǐng)域也在發(fā)展許多非 LLM 路線。換言之，他們關(guān)注的不是「模型越大越好」，而是醫(yī)療 AI 轉(zhuǎn)型中那些真正有遷移價值的技術(shù)組合：多模態(tài)輸入、先進(jìn)推理、專家網(wǎng)絡(luò)、智能體協(xié)同，以及可解釋的人機(jī)協(xié)作。

開放生態(tài)與專有模型

考慮到種種問題，論文把開放性單獨(dú)拎出來，認(rèn)為這是推動合作、創(chuàng)新與監(jiān)管協(xié)同的關(guān)鍵。

表：專有與開源基礎(chǔ)模型的比較。

專有模型通常擁有極強(qiáng)的性能和資源支持，但由于其封閉性，往往表現(xiàn)為「黑盒」，存在隱藏偏見，且定制化程度受限；開源模型則呈現(xiàn)出「灰盒」或「白盒」特征，更有利于通過公共監(jiān)督和開放驗(yàn)證來滿足醫(yī)療監(jiān)管機(jī)構(gòu)（如 FDA）對安全性和公平性的要求。

后者的透明性有助于開展跨學(xué)科協(xié)作，通過「社區(qū)努力」減少模型偏見，并支持高度的個性化定制。它們已經(jīng)開始為肺癌篩查、癌癥進(jìn)展分析、乳腺癌管理和臨床決策等方向提供底座。

但同時，作者表示，癌癥數(shù)據(jù)高度異質(zhì)，標(biāo)準(zhǔn)化、質(zhì)量控制和互操作性都很難；而且 FMs 往往需要極高算力，部署成本很大，復(fù)雜的多模型或多智能體系統(tǒng)還可能拖慢推理速度，不適合實(shí)時使用。

更棘手的是，模型可能出現(xiàn) hallucination、數(shù)據(jù)噪聲、算法偏差和隱私泄露等問題，因此需要新的監(jiān)管框架，把這些模型當(dāng)作會持續(xù)演化的復(fù)雜系統(tǒng)來評估和審計(jì)。

在決策模型中建立新秩序

癌癥基礎(chǔ)模型不應(yīng)被視為靜態(tài)系統(tǒng)，而應(yīng)在臨床反饋和后部署監(jiān)測中不斷更新；與此同時，醫(yī)生必須始終處在決策回路中，對模型建議進(jìn)行驗(yàn)證、調(diào)整和監(jiān)督。

作者的判斷很清楚——未來的癌癥 AI，不只看準(zhǔn)確率，還要看它是否透明、協(xié)同、負(fù)責(zé)、可追蹤，并能在真實(shí)臨床環(huán)境中持續(xù)適應(yīng)。換句話說，下一代腫瘤基礎(chǔ)模型的競爭，不只是模型能力的競爭，更是系統(tǒng)工程、開放生態(tài)和臨床治理能力的競爭。