肿瘤学中的人工智能：将生物学发现与临床效用相连接

背景：人工智能（AI）在肿瘤学连续体——涵盖早期检测、组织病理学、分子谱分析、治疗选择、药物发现、毒性监测和生存期照护——中的应用迅速扩展。然而，这些多样化的应用处于临床和生物学转化的根本不同阶段。方法：我们进行了一项批判性叙述性综述，检索了PubMed/MEDLINE、Europe PMC、IEEE Xplore、arXiv和ClinicalTrials.gov（更新至2026年7月21日）。基于研究设计、前瞻性或外部验证、机制严谨性、临床效用以及在整个癌症连续体中的代表性，从这些来源中汇编了包含202篇文献（其中182篇原创研究）的证据图。结果：主要综合结果表明，肿瘤学领域存在的是证据梯度而非均一转化：检测与影像：部分乳腺X线和结肠镜检查工具获得随机对照试验支持，证明可提高工作流程效率和检出率。相反，阴性实用性试验强调，稳健的技术准确性并不自动转化为改善的诊断路径。病理学：大型自监督和视觉-语言基础模型表现出强大的跨任务和跨机构迁移能力。然而，前瞻性真实世界部署仍然罕见，关于校准、亚组性能和数据类型来源的报告不一致。分子与系统生物学：多组学、单细胞、空间转录组学、基于图的和扰动模型越来越多地产出关于肿瘤微环境、调控网络和药物脆弱性的可证伪假设；然而，大多数缺乏上游功能验证。治疗决策支持：在治疗反应、手术辅助、毒性监测和临床大语言模型（LLM）方面的应用仍受限于队列异质性、时间漂移、未标准化终点，以及缺乏模型指导的照护可改变患者结局的证据。结论：AI应用必须使用与其特定临床或生物学主张直接匹配的证据进行评估：用于可迁移性的外部验证，用于效用的校准/决策分析，用于操作价值的前瞻性工作流程研究，用于患者结局获益的随机试验，以及用于生物学机制的扰动实验。这一主张匹配框架阐明了有前景的计算模型与临床或机制上可信的肿瘤学之间的边界，为可靠整合到精准癌症照护中建立了路线图。