夜雨聆风
Essin-Biological
扫码咨询，博士后团队全程护航
专注科研个性化服务 深耕医学各领域发展
一、现实研究困境：
肿瘤研究已经不缺数据，真正缺的是复杂数据整合能力
过去的肿瘤研究常常围绕单一数据展开。例如，利用突变数据寻找驱动基因，利用转录组数据识别分子分型，利用甲基化数据判断肿瘤来源，利用病理切片进行组织学诊断，利用免疫浸润分析评估肿瘤微环境。这些方向都非常重要，也构成了现代肿瘤分子研究和精准医学的基础。
但随着测序成本下降、数字病理发展和公共数据库不断积累，肿瘤研究面临的问题已经发生变化。现在很多时候，研究者并不是没有数据，而是拥有太多类型不同、结构不同、维度不同的数据。一个肿瘤样本可能同时包含体细胞突变、拷贝数变异、RNA表达谱、DNA甲基化、病理图像、免疫细胞浸润、临床分期、治疗反应和生存结局。单独看每一种数据，可能只能解释肿瘤的一部分特征；但如果能够把这些信息整合起来，就更接近肿瘤真实的生物学状态。
困难也正在这里。传统统计模型通常更适合处理结构清晰、变量数量有限、假设相对明确的问题。但肿瘤多组学数据往往具有高维度、强噪声、非线性、异质性和批次效应等特征。一个基因表达升高，本身未必能够决定预后；它可能需要结合突变状态、免疫浸润水平、病理结构、治疗背景和临床分期才能被正确解释。一个病理图像中的局部形态特征，也可能与肿瘤突变负荷、微卫星不稳定性或免疫浸润空间分布存在潜在联系，但这些联系并不容易被人工稳定识别。
这使得现代肿瘤研究出现了一个非常现实的瓶颈：我们能够产生越来越多的数据，却不一定能够有效理解这些数据之间的复杂关系。 在这一背景下，深度学习受到关注，并不是因为“AI”概念本身新颖，而是因为它具有从高维数据中自动学习复杂特征、捕捉非线性关系和整合多模态信息的潜力。
对于肿瘤生信课题而言，这种变化尤其重要。过去一项研究可能通过差异表达、富集分析、免疫浸润和预后模型就能形成完整文章。但在当前研究环境中，如果能够进一步引入多组学整合、模型解释、病理图像关联、治疗反应预测或外部验证，文章的完整性和创新性会明显增强。深度学习正是在这样的研究需求中，成为肿瘤精准医学的重要方法工具。
二、顶刊文章切入：
Genome Medicine如何定义深度学习在肿瘤精准医学中的位置？
这篇综述并没有把深度学习简单描述成一种“万能算法”，而是将其放入肿瘤精准医学的完整流程中讨论。文章认为，深度学习可能影响肿瘤诊疗中的多个关键环节，包括癌症诊断、未知原发癌识别、分子亚型分类、预后和生存预测、精准治疗选择、肿瘤微环境解析、空间转录组分析和药物基因组学应用。
【图1：深度学习在肿瘤诊断、预后与治疗选择中的应用场景】
从整体逻辑看，深度学习在肿瘤研究中的作用可以分为三个层面。
第一个层面是诊断与分类。例如，利用病理图像识别癌症组织、进行肿瘤分级，利用基因表达或突变模式判断癌症类型，利用深度学习推断未知原发癌的组织来源。这类任务强调模型能否从复杂数据中找到能够区分不同肿瘤类型或状态的特征。
第二个层面是预后与风险评估。肿瘤患者的生存结局受到多种因素影响，包括分子特征、组织学形态、肿瘤微环境、治疗方案和临床状态。传统Cox模型能够提供清晰的风险解释，但面对高维组学数据时，可能难以捕捉复杂的非线性关系。深度学习可以与生存模型结合，从转录组、病理图像或多组学数据中学习更复杂的预后信号。
第三个层面是治疗选择与精准医学。例如，从病理图像推断TMB、MSI等免疫治疗相关标志物；通过多组学数据预测药物反应；利用药物基因组学模型筛选潜在敏感药物或联合用药方案。这类应用的目标并不只是“预测准确”，而是希望将模型结果转化为治疗决策中的辅助证据。
这篇综述的价值在于，它明确提醒研究者：深度学习不是一个孤立方法，而是需要服务于具体医学问题。一个有价值的肿瘤AI研究，不应只是把数据放进神经网络得到一个AUC，而应围绕“诊断、预后、治疗选择”中的具体问题展开，并进一步回答模型学到了什么、结果是否符合生物学逻辑、是否能在独立队列中验证，以及是否具有潜在临床应用价值。
三、方法直觉解释：
为什么深度学习适合处理肿瘤多组学和病理图像？
如果把肿瘤看作一个复杂系统，那么不同数据类型就像从不同角度观察同一座城市。基因突变像城市地基的结构改变，拷贝数变异像某些区域建筑数量的扩增或缺失，转录组像城市中不同功能区的实时活跃程度，甲基化像长期调控规则，病理图像像城市外观和空间布局，免疫浸润则像城市中不同人群的分布和互动。
传统分析方法往往擅长观察其中某一层。例如，差异表达分析可以告诉我们哪些基因在肿瘤和正常组织之间存在变化；富集分析可以告诉我们哪些通路可能被激活；免疫浸润分析可以估计不同免疫细胞比例；生存分析可以判断某些基因或风险评分是否与预后相关。这些方法清晰、可解释，但它们通常需要研究者先定义分析对象和假设。
深度学习的不同之处在于，它更强调从原始高维数据中自动学习特征。以病理图像为例，一张高分辨率病理切片中可能包含大量细胞形态、组织结构、核异型性、间质反应、坏死区域和免疫细胞分布。病理医生能够识别其中很多关键信息，但有些细微纹理和空间模式很难被人工稳定量化。卷积神经网络可以通过多层结构逐级提取图像特征，从低层次的边缘、纹理，到高层次的组织结构和区域模式，最终用于肿瘤分类、分级或预后预测。
在转录组和多组学数据中，深度学习也有类似优势。肿瘤分子亚型并不一定由少数几个基因决定，而可能来自多个通路、多个基因网络和多层分子事件的共同作用。深度学习可以从全转录组、甲基化矩阵、突变谱或拷贝数变异中学习隐藏特征，减少对人工筛选特征的依赖。尤其当模型进一步引入蛋白互作网络、通路数据库或图结构时，它不只是进行黑箱分类，还有机会学习更接近生物学机制的网络特征。
多模态学习则更进一步。它的思路是：既然临床判断从来不是只看一种证据，那么模型也不应该只依赖一种数据。病理图像可以反映肿瘤形态和空间结构，转录组可以反映分子活性，基因组可以反映遗传改变，临床信息可以提供分期和治疗背景。通过多模态学习，这些数据可以在同一个框架下被整合，从而提高对肿瘤状态、预后风险或治疗反应的判断能力。
【图1：深度学习在肿瘤诊断、预后与治疗选择中的应用场景】
因此，深度学习在肿瘤研究中的真正吸引力，不是它比传统方法“更高级”，而是它提供了一种适合复杂数据的建模方式。对于多组学、数字病理、空间转录组和药物反应预测这类任务，深度学习可以作为连接不同数据层面的桥梁，帮助研究者从复杂信息中提取更稳定、更综合的疾病特征。
四、因果逻辑与核心假设：
模型能预测，不代表它已经理解了癌症机制
深度学习在肿瘤研究中虽然具有强大的预测能力，但必须明确一点：预测能力不等于机制解释。 一个模型能够准确区分肿瘤亚型，或者预测患者预后，并不自动意味着它已经发现了真正的致病机制。模型可能学习到的是与结局相关的统计模式，其中一部分具有生物学意义，另一部分也可能来自批次效应、样本偏倚、技术噪声或数据集特异性。
因此，深度学习用于肿瘤研究时，至少隐含几个核心假设。
首先，输入数据中必须存在与目标任务相关的真实信号。例如，如果希望从H&E病理图像预测MSI状态，就默认病理图像中存在能够反映MSI相关生物学变化的形态特征；如果希望从转录组预测分子亚型，就默认表达谱中存在稳定的亚型特异性模式；如果希望从多组学数据预测生存结局，就默认分子特征与患者预后之间存在可学习的关联。
其次，训练标签必须可靠。深度学习是从已有标签中学习规律，如果癌症类型、分子分型、治疗反应或生存结局标签本身存在错误，模型就可能学习到错误的模式。尤其在临床样本中，诊断标准不统一、随访时间不同、治疗方案差异、样本质量不一致，都可能影响模型训练质量。
再次，训练数据和未来应用场景之间需要具有足够相似性。一个模型如果只在某一中心、某一平台、某一人群或某一癌种数据中训练，直接迁移到其他队列时，性能可能明显下降。这也是为什么外部验证对于肿瘤AI研究非常重要。没有外部验证的模型，即使在训练集和测试集中表现很好，也很难证明其具有广泛适用性。
最后，模型输出必须接受生物学解释和临床合理性检验。对于肿瘤研究而言，不能只停留在“模型AUC较高”或者“风险评分与生存显著相关”。更重要的问题是：模型依据哪些基因、哪些通路、哪些图像区域或哪些组学特征进行判断？这些特征是否符合已知肿瘤生物学？是否能够被差异分析、通路富集、免疫浸润、突变分析或实验研究进一步支持？
这也是深度学习肿瘤研究和普通机器学习建模最大的区别之一。医学研究不仅需要预测，还需要解释；不仅需要性能，还需要机制；不仅需要模型结果，还需要能够回到疾病本身。
五、方法构成要素：
一项完整的肿瘤深度学习研究通常包括哪些部分？
从这篇综述梳理的内容来看，肿瘤深度学习研究并不是简单的“输入数据—训练模型—输出结果”。一项相对完整的研究通常需要包括数据准备、任务定义、模型构建、性能评估、可解释性分析、生物学验证和临床意义讨论几个环节。
首先是数据准备。肿瘤深度学习可以使用多种数据来源，包括TCGA、ICGC、GEO、EGA、METABRIC等公共数据库，也可以结合自有测序数据、病理图像、临床队列或药物筛选数据。不同数据类型对应不同预处理流程。转录组数据需要标准化、批次效应处理和基因注释统一；突变数据需要变异注释、突变特征提取和驱动基因整理；甲基化数据需要处理CpG位点矩阵；病理图像需要切片质量控制、tile切分、颜色归一化和区域筛选；临床数据则需要明确生存时间、结局事件、分期、治疗和随访信息。
其次是任务定义。深度学习模型必须围绕明确问题建立。分类任务可以用于癌症类型识别、分子亚型分类、未知原发癌判断；生存任务可以用于总体生存、无进展生存、复发风险预测；回归任务可以用于连续分子指标预测；分割任务可以用于病理图像中肿瘤区域、坏死区域或免疫细胞区域定位；多模态任务则可用于整合病理图像和多组学数据，预测更复杂的临床结局。
第三是模型构建。不同数据类型适合不同模型结构。多层感知机常用于结构化组学数据；卷积神经网络常用于病理图像；循环神经网络可用于序列特征；图卷积神经网络可以将基因表达嵌入蛋白互作网络；自编码器可以压缩高维组学数据，提取低维表示；多模态网络则可以分别学习不同数据类型的特征，再进行融合预测。
第四是性能评估。分类模型常用准确率、敏感性、特异性、AUC等指标；生存模型常用C-index、风险分层、Kaplan-Meier曲线和多变量Cox分析；图像分割模型常用Dice系数、IoU等指标。但在肿瘤研究中，仅有性能指标并不够，还需要与传统方法对比，并在独立数据集中验证模型稳定性。
第五是可解释性分析。文章中提到的LRP、SHAP、attention等方法，目的都是帮助研究者理解模型依据什么做出判断。对于病理图像，模型可以标记关键区域；对于组学数据，模型可以识别关键基因、CpG位点、通路或网络模块；对于多模态模型，还可以分析不同数据类型之间如何共同影响预测结果。
第六是生物学和临床意义解释。如果模型识别出某些关键基因，就需要进一步进行通路富集、免疫关联、突变关联或药物敏感性分析；如果模型识别出特定病理区域，就需要结合病理学知识解释其意义；如果模型能够预测治疗反应，就需要讨论其是否可能辅助患者分层或药物选择。只有这样，深度学习才不会停留在“算法展示”，而能真正形成有价值的生信研究故事。
六、应用中的关键选择：
不同肿瘤问题应该匹配不同数据和模型
深度学习不是固定模板，不能所有肿瘤课题都套用同一种模型。真正合理的做法，是根据研究问题选择数据和技术路线。
如果研究目标是肿瘤分子分型，转录组数据通常是最直接的数据基础。分子分型本质上反映的是肿瘤内在分子状态，而RNA表达谱能够较好反映基因活动和通路状态。文章中提到，DeepCC等深度学习框架可以基于基因表达数据进行癌症分子亚型分类，并在某些任务中优于传统机器学习方法。对于这类课题，重点不应只放在分类准确率，而应进一步解释模型识别出的关键基因、通路和亚型特征。如果再整合CNV、甲基化或病理图像，就能进一步增强多组学研究价值。
如果研究目标是未知原发癌识别，可以考虑突变谱、全转录组或病理图像。未知原发癌的难点在于患者出现转移病灶，但原发部位不清楚，而原发部位会影响治疗策略。深度学习可以利用不同癌种在突变模式、表达谱或组织形态上的差异，推断肿瘤来源。对于这类研究，关键不只是模型准确率，还包括癌种覆盖范围、训练标签可靠性、转移样本中的泛化能力，以及模型是否能指出支持判断的关键特征。
如果研究目标是肿瘤预后预测，生存结局和临床随访信息是核心。传统Cox模型解释性强，但对高维非线性分子关系捕捉不足。深度学习可以与Cox模型结合，例如Cox-nnet、DeepSurv、AECOX等方法，从转录组或多组学数据中学习预后相关特征。更进一步，如果模型引入通路层或蛋白互作网络，就可以把预后风险与具体生物学过程联系起来，从而增强文章的机制解释。
如果研究目标是数字病理与分子特征关联，则需要高质量病理图像和可靠分子标签。文章中提到，已有研究尝试从H&E切片预测TMB、MSI、基因突变状态、分子亚型和标准生物标志物表达。这类研究非常具有吸引力，因为病理图像在临床中更常规，而测序成本相对更高。如果模型能够从常规病理图像中提示潜在分子异常，就可能成为筛查或辅助检测工具。不过，这类模型如果要替代现有检测，准确性要求非常高，因此目前更适合作为辅助判断和研究发现方向。
如果研究目标是肿瘤微环境分析，可以使用转录组、甲基化、病理图像、单细胞或空间转录组数据。肿瘤微环境对肿瘤进展、转移和治疗反应具有重要影响。深度学习可以用于估计免疫细胞组成，识别肿瘤浸润淋巴细胞的空间分布，或者从复杂组学数据中学习微环境异质性特征。对于免疫治疗相关课题，这类方向尤其具有转化潜力。
如果研究目标是药物反应和治疗选择，则可以考虑药物基因组学方向。深度学习可以整合肿瘤基因组特征、转录组特征、药物化学结构、药物靶点网络和细胞系药敏数据，用于预测药物敏感性、联合用药协同效应、药物重定位或药物-靶点相互作用。这类研究非常接近精准治疗，但对数据质量、实验验证和临床转化要求也更高。
因此，在实际课题设计中，深度学习模型的选择不能脱离研究问题。模型不是越复杂越好，数据也不是越多越好。真正重要的是：数据是否支持问题，模型是否适合数据，结果是否能够解释，结论是否能够验证。
七、稳健性与限制：
深度学习在肿瘤中最大的问题不是模型不够复杂，而是数据和解释不够可靠
虽然深度学习在肿瘤精准医学中展现出巨大潜力，但这篇综述也明确指出，目前深度学习距离广泛临床应用仍然存在多重挑战。
首先是数据变异性问题。不同实验室的病理染色强度、扫描设备、样本保存方式和图像质量可能存在明显差异。对于转录组数据，不同测序平台、文库构建方法、基因注释版本、表达量标准化方式和批次处理流程，也可能造成系统性差异。一个模型如果只在某一类数据上训练，面对其他来源的数据时可能性能下降。因此，肿瘤AI研究必须重视数据标准化和外部验证。
其次是高质量临床表型数据不足。深度学习通常需要大量样本，尤其在医学任务中，模型不仅需要输入数据，还需要准确诊断、治疗方案、随访时间、生存结局和治疗反应等临床标签。然而真实临床数据往往存在样本量有限、随访不完整、治疗方案不一致、FFPE样本核酸质量下降、临床信息缺失等问题。这些都会影响模型训练和结果可靠性。
第三是黑箱问题。深度学习模型参数众多，即使预测性能很好，也很难直接解释其决策过程。但在医学场景中，医生和研究者不能只接受一个没有解释的预测结果。尤其是诊断、预后和治疗选择这类高风险决策，模型必须尽可能说明其依据。例如，病理图像模型需要指出哪些组织区域推动了预测；组学模型需要指出哪些基因、通路或甲基化位点贡献最大；多模态模型需要解释不同模态之间如何共同影响判断。
第四是不确定性评估不足。临床中并不是每个样本都适合模型强行预测。有些样本可能质量较差，有些病例可能超出模型训练范围，有些预测概率并不充分。如果模型只能输出一个确定分类，却不能表达“不确定”，就可能导致误判。未来更理想的医学AI模型，应该能够在低置信度场景下主动提示需要人工复核或补充检测。
第五是临床转化仍然需要更强证据。很多深度学习模型在公共数据库或回顾性队列中表现不错，但真正进入临床还需要前瞻性验证、多中心测试、监管审批、成本评估、流程适配和医生接受度。对于科研文章而言，这也意味着仅仅展示模型性能已经不够，外部验证、生物学解释和临床可用性讨论会越来越重要。
这些限制并不意味着深度学习不适合肿瘤研究，而是提示我们：肿瘤AI研究必须避免“只建模、不解释；只预测、不验证；只追求复杂算法、不回到医学问题”的倾向。真正有质量的深度学习生信研究，需要把算法、数据、机制和应用场景结合起来。
八、总结：
深度学习为肿瘤精准医学打开新入口，但真正价值来自“数据整合 + 生物解释 + 临床问题”
综合这篇Genome Medicine综述可以看到，深度学习在肿瘤研究中的应用已经从早期的图像分类，逐渐扩展到多组学整合、未知原发癌识别、分子分型、预后预测、病理图像推断分子特征、肿瘤微环境分析、空间转录组和药物基因组学等多个方向。它的核心价值不是让模型变得越来越复杂，而是帮助研究者从复杂、多维、异质性的肿瘤数据中提取可用于诊断、预后和治疗选择的有效信息。
对于科研人员而言，这篇文章最值得借鉴的地方在于：深度学习课题不能只围绕“算法”展开，而应围绕清晰的医学问题展开。一个成熟的研究设计，至少需要回答几个关键问题：模型解决的是诊断、分型、预后还是治疗选择问题？输入数据为什么适合这个任务？模型是否优于传统方法？模型识别出的关键特征是否有生物学意义？结果是否能在独立队列中验证？是否能够与现有临床流程形成互补？
从生信分析、课题标书和测序项目设计角度看，这类方向尤其适合以下研究需求：已有TCGA、GEO、ICGC等公共肿瘤数据，希望构建分型或预后模型的课题；已有转录组、甲基化、CNV或突变数据，希望进行多组学整合分析的课题；已有病理图像和分子标签，希望探索数字病理与分子特征关联的课题；关注免疫治疗、肿瘤微环境、空间异质性和药物反应预测的课题；以及希望在标书或文章中引入AI、生信分析和精准医学概念，提高研究创新性的项目。
真正值得投入的肿瘤AI研究，不是简单地把深度学习作为一个“高端算法”放进流程图，而是让它服务于一个具体而重要的科学问题：能否通过多维数据整合，更准确地理解肿瘤差异，更早识别风险，更合理选择治疗，并最终推动精准肿瘤学从概念走向临床应用。
Essin-Biological
公众号丨Essin-Biological科研人
抖音号丨Essin Lab House
小红书丨艾斯因生信分析师