2026 CTONG|张嘉涛教授:人工智能解题模式——从工具辅助到范式重塑

张嘉涛教授在报告开篇以垃圾邮件过滤为例，勾勒出人工智能从规则驱动到数据驱动的演进脉络。早期依赖人工编写规则，机器学习（ML）时代转向从标注数据中自动学习词频概率，深度学习（DL）则进一步实现语义理解，能够识别变体混淆和钓鱼伪装。这一演进不仅是技术路径的升级，更代表了“人写规则、机器执行”到“人提供数据、机器自动学规律”的范式转变。

将这一范式迁移至肺癌研究领域，当前AI在肺癌中的应用已覆盖预后生存预测、病理分型、基因突变分析、早期筛查等多个方向。PubMed检索显示，累计相关文献达5,358篇，其中预后生存预测占比最高（33.7%），其余各方向分布亦趋于均衡，反映出AI在肺癌全链条管理中的广泛渗透。

张嘉涛教授强调，本次报告所阐释的“人工智能解题模式”，与传统意义上利用AI提高影像判读和数据分析效率的工具型应用存在本质区别。以往使用随机森林、XGBoost等传统机器学习方法乃至卷积神经网络（CNN）时，通常需要一个目的明确的解决方案——例如对CT影像中的肺结节进行勾画并提交模型判断良恶性，模型从标注数据中学习特征。而借助大语言模型（LLM），无需人工标注，仅需输入CT影像或胸片，模型即可自行判断患者是否罹患肺癌。这一转变使AI从“执行既定任务的工具”升级为“参与知识发现的主体”，模型的黑箱特性虽带来性能跃升，同时也给临床验证和监管审批提出了新的课题。

张嘉涛教授以“Y = A + X_₁ + X_₂ + … X”这一公式贯穿报告，系统阐释了从传统TNM分期到AI增强预后模型的演进逻辑。

以III期非小细胞肺癌（NSCLC）生存预测为例，传统TNM分期可被随机森林和DeepSurv等深度学习模型超越——后者通过纳入年龄、T/N分期、肿瘤大小、淋巴结数、手术方式、放化疗等13个临床变量，以C-index为评价指标，实现了更为精准的预后分层。

在微小残留病灶（MRD）领域，张嘉涛教授分享了其团队的两项研究成果^[1-2]。传统ctDNA检测基于统计学过滤规则判断MRD阴阳性，阴性患者2年无病生存率（DFS）约为70%。

而通过引入XGBoost等传统机器学习模型，整合术前血、病理分期、术后landmark血等多维变量后，经AI优化的MRD低危组2年DFS率可达97.8%，实现了显著的疗效预测增益。这一案例表明，AI能够突破单一生物标志物的局限，实现多变量协同优化。

面向未来，张嘉涛教授特别强调了多模态融合的变革性潜力。一项cfRNA多模态模型研究报告了Exai-1模型——采用Transformer与变分自编码器（VAE）相结合的架构，将7,349个RNA分子转化为7,349个Token进行深度学习，在8,339个样本、3,060亿Token的预训练基础上实现了癌症检测、组织溯源和跨生物流体泛化^[3]。

大语言模型的出现使得影像、病理、ctDNA等多种模态的数据可转化为统一的文本格式，进而实现真正的多模态融合。在ctDNA检测领域，张嘉涛教授进一步指出，目前ctDNA检测依赖各平台自身的算法和阈值设定，不同平台的结果难以直接比较，未来的趋势是利用AI直接解读原始测序数据，无需依赖既有的商业化算法，从而获得更精准且更具可推广性的解读结果。

张嘉涛教授在报告中梳理了当前肺癌领域获得监管授权的AI工具现状。按临床功能划分，涵盖结节检出、介入导航、良恶性诊断、跟踪可视化等类别；按监管路径统计，美国食品药品监督管理局（FDA）510(k)许可11项，国家药品监督管理局（NMPA）三类证7项，FDA突破性设备认定（BTD）1项。

在典型案例中，Virtual Nodule Clinic（VNC）是全球首个获FDA批准并获美国医疗保险与医疗救助服务中心（CMS）报销的肺癌AI工具，其基于LCP-CNN评分（1~10分）评估肺结节风险，适用于实性或部分实性结节（5~30mm，年龄≥35岁）。验证显示，LCP假阴性率仅0.4%（Brock模型为2.5%），且24.5%的良性结节被安全排除（Brock为10.9%）。该工具已在超250家医院部署，累计分析超300万例，单例分析仅需14秒。

另一案例为Roche TROP2 RxDx，系全球首个AI驱动计算病理学伴随诊断，获FDA突破性设备认定。该产品采用QCS-NMR算法替代传统免疫组织化学（IHC）人工判读，实现TROP2表达的连续定量检测，可重复性高且能预测疗效。在TROPION-Lung01 III期试验中，QCS-NMR阳性患者亚组风险比（HR）为0.57，而阴性患者无获益（HR=1.16），验证了AI在ADC药物伴随诊断中的精准筛选价值。

张嘉涛教授同时指出，尽管国内已有不少AI工具获得NMPA三类医疗器械注册证，但在临床应用中仍面临显著的“孤岛现象”——部分工具仅适用于研发所依托的少数医院，且与医院信息系统的对接存在技术门槛，实际被广泛使用者寥寥，折射出AI临床转化中的深层结构性问题。

张嘉涛教授进一步分析了监管路径差异对临床落地的深刻影响。FDA 510(k)路径强调与已上市器械的实质等同性，97%的AI医疗器械走此路径，通常无需新临床试验，支持算法持续迭代，优势在于灵活快速并接受境外数据，劣势在于依赖先例设备、创新受限，获批用词为“Cleared”（许可）而非“Approved”（批准）。NMPA三类证路径则要求从零证明安全有效，高风险辅助诊断类AI必须在中国境内开展临床试验，算法锁定原则下核心算法变更需重新注册，优势是审查全面、不依赖先例设备，适合创新产品，劣势是周期长、成本高。两条路径的理念差异直接塑造了AI产品的研发策略与推广模式。

要打破上述困局，张嘉涛教授强调，需由临床专家与AI技术专家协同凝练共性临床问题，确保训练数据的均衡性与代表性。唯有使AI工具真正解决各方共同的临床需求，方能突破现有局限，实现从科研工具向临床决策支撑的有效转化。

张嘉涛教授系统梳理了AI在肺癌药物临床试验全流程中的变革性应用，涵盖药物发现、研究设计、患者招募、数字孪生与数据规范化等多个环节。

在靶点发现领域，AlphaFold的六年四代演进展示了AI如何实现量级突破——从2018年CASP13的GDT评分约60，到2020年CASP14的GDT达92.4达到实验级精度，再到2024年AlphaFold 3引入扩散模型实现蛋白-小分子/RNA/DNA相互作用预测，跨越蛋白边界。2024年诺贝尔化学奖授予Demis Hassabis与John Jumper，正是对这一革命性贡献的最高肯定^[4-6]。

在药物重定位方面，LP-300（原名Tavocept）的案例具有典型意义。该药连续12年、5次大规模III期、跨2个癌种的临床试验全面失败，而AI重定位平台RADR®识别出“never-smoker腺癌”为真正响应人群，实现了从化疗保护剂到靶向治疗增敏剂的范式转换。

在临床试验入排标准优化方面，一项基于61,094名晚期NSCLC患者数据的研究，将10项III期试验入排标准的自由文本转化为程序化逻辑，引入Shapley值算法逐条量化每一条入组标准对试验总生存期风险比的实际影响，首次实现了入排标准科学性的数据驱动评估^[7]。

在疗效评价领域，FDA已认定全球首个AI药物开发工具AIM-NASH AI Assist，应用于代谢相关脂肪性肝炎（MASH）临床试验，标志着AI在疗效评价中的角色从辅助走向主导。

在数字孪生方面，2022年9月欧洲药品管理局（EMA）正式认可了Unlearn公司开发的PROCOVA^™方法，该技术通过构建患者“数字孪生”生成预后评分，可将对照组规模减少35%，使更多患者有机会接受实验性治疗。

张嘉涛教授进一步介绍了一项DT-GPT研究——该模型基于大语言模型微调，直接处理电子健康记录（EHR）数据，在NSCLC（16,496人）、ICU（MIMIC-IV，35,131人）和阿尔茨海默病（ADNI，1,140人）三个数据集中分别实现了治疗后13周内6项实验室指标、未来24小时呼吸率/血氧/镁离子、未来24个月认知评分的精准预测^[8]。

在海量数据规范化与决策分析方面，张嘉涛教授展示了AI在临床实践中的落地探索。广东省肺癌研究所基于自身20年标准化肺癌诊疗经验，利用国产大模型（百度文心千帆、KIMI、讯飞星火等）构建了覆盖病历文书自动整理与书写、诊断与治疗建议、随访全跟踪及预后预测的一体化AI辅助系统。该系统依托患者身份唯一识别码实现数据互通互联，并通过本地化部署与镜像孪生隔离保障数据安全，旨在赋能基层医疗、社区纳米医疗单元及家庭首诊自诊场景。

在多学科诊疗（MDT）辅助决策方面，四川省成都市第三人民医院杨懿主任团队探索了LLM模型结合GraphRAG技术在肺癌MDT场景中的应用——AI Agent可完成病案理解、方案规划，并对可选治疗方案进行罗列与优先级排序，为临床决策提供结构化支持。

张嘉涛教授指出，当前国内在临床试验设计和患者入组环节的AI参与仍较为有限，与国际先进水平存在差距。他提出两个值得深入借鉴的方向。

第一是入组条件的优化。吴一龙教授提出的“以患者为中心”的临床试验理念可以通过AI加以优化。例如，欧洲药品管理局（EMA）已批准一项AI工具，用于评估临床试验入排标准的合理性。该工具分析发现，平均而言，约有30%的入组条件（约7条）在临床试验中并非必要——剔除这些条件后，药物的疗效评估（包括有效率和总生存期）不受影响。这意味着更多患者可以纳入试验，显著提升临床试验的效率。

第二是数字孪生技术的应用。通过AI学习大规模临床队列数据，可以在一定程度上减少对照组样本量。传统的1:1随机对照设计需要同等数量的对照组患者，而这些患者无法接受试验药物治疗。借助AI工具，可以模拟患者在基线特征下接受不同治疗方案（化疗、免疫治疗或免疫联合化疗）后的生存和不良反应结局。这些数字孪生数据可部分替代实际纳入的对照组，从而减少对照组样本量，提高入组效率，同时避免部分患者因被分配到对照组而可能面临的利益损失。这些方向都值得深入学习借鉴，且在可预见的未来，AI确实有望在这些领域实现突破。

综上，人工智能在肺癌领域的应用已不再局限于影像判读或数据分析等辅助性环节，而是逐步向研究假设生成、变量筛选和试验方案优化等核心环节延伸。“人工智能解题模式”，反映的是一种更深层的变化——AI的角色正在从工具向参与者转变。这一转变对临床研究者的知识结构和协作方式提出了新的要求，也为肺癌临床试验的流程重塑提供了新的技术基础。当AI能够参与从问题定义到方案执行的多环节工作，临床研究的方法论和工作范式将面临系统性调整。