AI辅助子宫内膜癌个体化用药策略

AI辅助子宫内膜癌个体化用药策略演讲人2025-12-0701引言：子宫内膜癌个体化用药的时代需求与AI的赋能价值02子宫内膜癌个体化用药的基础：从病理分型到分子机制03AI在子宫内膜癌个体化用药中的核心应用04AI辅助子宫内膜癌个体化用药的临床实践案例05AI辅助子宫内膜癌个体化用药的挑战与未来方向06结论：AI赋能子宫内膜癌个体化用药的未来展望07参考文献目录AI辅助子宫内膜癌个体化用药策略引言：子宫内膜癌个体化用药的时代需求与AI的赋能价值01引言：子宫内膜癌个体化用药的时代需求与AI的赋能价值子宫内膜癌（EndometrialCarcinoma,EC）作为女性生殖系统最常见的恶性肿瘤之一，其发病率在全球范围内呈持续上升趋势，2022年全球新发病例约65万，死亡病例约12万，且呈现出年轻化、分化程度降低的趋势[1]。传统治疗以手术为主辅以放化疗，但基于“一刀切”模式的标准化治疗方案难以满足不同患者的异质性需求——同一病理分型的患者可能对同一化疗方案反应迥异，部分患者过度治疗导致毒副作用，部分患者则因治疗不足面临复发风险。这种“治疗困境”的核心，在于我们对子宫内膜癌的生物学行为认知不足，以及缺乏精准预测疗效与风险的工具。近年来，随着分子分型体系的建立和多组学技术的发展，子宫内膜癌的个体化治疗理念逐渐深入人心。从2019年国际妇产科联盟（FIGO）提出基于分子分型的临床分期，到2023年美国国家综合癌症网络（NCCN）指南将POLE超突变型、引言：子宫内膜癌个体化用药的时代需求与AI的赋能价值微卫星不稳定型（MSI-H）等分子特征纳入治疗决策，个体化用药已成为提升生存质量、改善预后的关键路径[2]。然而，个体化治疗的实践仍面临三大瓶颈：一是多组学数据（基因组、转录组、蛋白组、影像组等）的整合与分析难度大，传统统计方法难以捕捉高维数据中的复杂关联；二是生物标志物的临床转化滞后，大量潜在靶点停留在实验室阶段，缺乏高效的临床决策支持工具；三是治疗反应的动态监测与实时调整困难，传统影像学评估存在滞后性，难以捕捉微小残留病灶或早期耐药信号。正是在这一背景下，人工智能（ArtificialIntelligence,AI）技术凭借其强大的数据处理能力、模式识别能力和预测建模能力，为子宫内膜癌个体化用药提供了全新解决方案。引言：子宫内膜癌个体化用药的时代需求与AI的赋能价值作为深耕妇科肿瘤临床与科研十余年的实践者，我深刻体会到：AI并非要取代医生的临床决策，而是通过“数据驱动+医生经验”的协同模式，将复杂的生物信息转化为可操作的诊疗建议，让个体化治疗从“理念”走向“实践”。本文将从子宫内膜癌个体化用药的基础出发，系统阐述AI技术在其中的核心应用、实践案例与未来挑战，以期为行业同仁提供参考。子宫内膜癌个体化用药的基础：从病理分型到分子机制02子宫内膜癌个体化用药的基础：从病理分型到分子机制个体化用药的核心是“量体裁衣”，而“裁衣”的前提是精准“量体”。子宫内膜癌的个体化治疗建立在对疾病异质性的深刻理解之上，这需要我们从病理形态、分子特征到临床行为的多维度认知。子宫内膜癌的病理分型与治疗局限性传统上，子宫内膜癌依据组织学形态分为子宫内膜样癌（EndometrioidCarcinoma,EC，占比80%）、浆液性癌（SerousCarcinoma,SC，占比10%）、透明细胞癌（ClearCellCarcinoma,CCC，占比5%）等类型，其中EC又分为I型（雌激素依赖型，高分化、预后好）和II型（非雌激素依赖型，低分化、预后差）[3]。这种分型指导了初始治疗策略：I型患者以手术为主，术后根据高危因素（肌层浸润、淋巴结转移等）辅助放疗或化疗；II型患者因恶性程度高，常需扩大手术范围并联合放化疗。然而，病理分型存在显著局限性：一是同一种病理类型（如EC）的生物学行为差异巨大，部分高分化EC患者早期即发生转移，而部分低分化EC患者对化疗敏感；二是病理分型难以预测治疗反应，例如约30%的I型患者术后化疗无效，而部分II型患者对靶向治疗有良好响应。这种“同病不同治”的现象，促使我们必须探索更深层次的分子机制。分子分型：个体化用药的“导航图”2013年，癌症基因组图谱（TCGA）对373例子宫内膜癌进行多组学分析，首次提出基于分子特征的“四分型”体系：POLE超突变型（POLE-ultramutated,UPM）、微卫星不稳定型（MicrosatelliteInstability-High,MSI-H）、拷贝数低簇型（Copy-numberLow,CNL，又称“p53野生型”）和拷贝数高簇型（Copy-numberHigh,CNH，又称“p53突变型”）[4]。这一分型体系于2019年被整合到FIGO分期中，成为临床实践的重要依据[5]。1.POLE超突变型：占比约7%-12%，由POLEexonuclease结构域突变导致，突变负荷极高（>100/Mb），预后最佳，10年总生存率（OS）达90%以上，术后通常无需辅助化疗，即使存在高危因素，对免疫检查点抑制剂（如PD-1抑制剂）响应率也显著高于其他类型[6]。分子分型：个体化用药的“导航图”2.MSI-H型：占比约20%-30%，由DNA错配修复（MMR）基因突变或启动子甲基化导致，肿瘤细胞高表达PD-L1，对免疫治疗（如帕博利珠单抗）敏感，且对铂类化疗有一定敏感性，但需警惕部分患者出现原发性耐药[7]。3.拷贝数低簇型（CNL）：占比约40%-50%，分子特征与POLE突变型相似（如PTEN、CTNNB1突变），但突变负荷较低，预后中等，对内分泌治疗（如孕激素）敏感，尤其适用于保留生育功能的年轻患者[8]。4.拷贝数高簇型（CNH）：占比约20%-30%，以TP53突变、PIK3CA扩增、CCNE1amplification为特征，恶性程度高，易发生早期转移和复发，对化疗耐药，但可能对PARP抑制剂（针对同源重组修复缺陷）或PI3K抑制剂分子分型：个体化用药的“导航图”敏感[9]。分子分型的临床意义在于：它不仅改变了预后判断（如POLE突变型即使存在深肌层浸润也无需化疗），更直接指导了药物选择（如MSI-H型首选免疫治疗，CNH型靶向PARP抑制剂）。然而，分子分型的临床应用仍面临两大问题：一是检测技术的标准化不足（如MSI检测方法有PCR和NGS之分，结果解读存在差异）；二是分子亚型与临床特征的整合不够（如同一亚型中，年龄、FIGO分期等差异仍会影响治疗决策）。个体化用药的关键靶点与生物标志物在分子分型的基础上，子宫内膜癌的个体化用药进一步聚焦于关键驱动基因及其下游通路。目前，已明确的重要靶点包括：1.PI3K/AKT/mTOR通路：约40%的子宫内膜癌存在PIK3CA突变或PTEN缺失，导致该通路持续激活。靶向药物如PI3K抑制剂（alpelisib）、mTOR抑制剂（依维莫司）已在临床试验中显示出疗效，尤其适用于PTEN缺失的患者[10]。2.微卫星不稳定性（MSI）：MSI-H肿瘤因MMR缺陷导致大量新抗原产生，对PD-1/PD-L1抑制剂响应率可达40%-60%，且响应持续时间长[11]。3.POLE突变：作为“超突变”驱动因素，POLE突变患者肿瘤浸润淋巴细胞（TILs）丰富，对免疫治疗天然敏感，是免疫治疗的“优势人群”[12]。个体化用药的关键靶点与生物标志物4.激素受体（ER/PR）：约60%的子宫内膜癌表达ER/PR，内分泌治疗（如甲地孕酮、他莫昔芬）适用于晚期或复发患者，尤其适用于CNL型、保留生育功能的患者[13]。这些靶点的发现为个体化用药提供了“武器库”，但如何从众多靶点中为患者选择“最优解”，仍需结合临床特征、分子检测结果和治疗反应动态调整——这正是AI技术的用武之地。AI在子宫内膜癌个体化用药中的核心应用03AI在子宫内膜癌个体化用药中的核心应用AI技术通过机器学习、深度学习、自然语言处理等方法，能够处理多源异构数据，挖掘复杂模式，构建预测模型，从而在个体化用药的“数据整合-疗效预测-决策支持-动态监测”全流程中发挥关键作用。多组学数据整合：构建“患者数字画像”子宫内膜癌的个体化治疗需要整合的数据包括：临床数据（年龄、FIGO分期、病理类型、手术范围等）、分子数据（基因突变、拷贝数、表达谱等）、影像数据（MRI、CT、PET-CT等）和随访数据（治疗反应、复发时间、生存状态等）。这些数据维度高、异构性强，传统统计方法难以有效整合，而AI技术可通过“特征工程”和“多模态融合”构建全面的“患者数字画像”。1.基因组与转录组数据整合：基于NGS数据的基因突变检测（如POLE、TP53、PIK3CA等）可提供静态的分子特征，而转录组数据（如RNA-seq）可反映基因的动态表达水平。AI算法（如随机森林、XGBoost）可通过特征重要性分析，筛选出与预后或治疗反应最相关的“核心基因集”。例如，一项研究利用深度学习模型整合TCGA数据库中500例子宫内膜癌的基因组与转录组数据，识别出21个与化疗耐药相关的基因（如BRCA1、ERCC1），构建的预测模型AUC达0.85[14]。多组学数据整合：构建“患者数字画像”2.影像与病理数据融合：磁共振成像（MRI）是评估子宫内膜癌肌层浸润和淋巴结转移的重要工具，但传统影像学评估依赖医生主观经验。AI技术（如卷积神经网络，CNN）可通过自动勾画肿瘤区域，提取影像组学特征（纹理特征、形状特征、强度特征等），与病理分子特征（如MSI状态）关联。例如，一项研究纳入200例子宫内膜癌患者的术前MRI数据，通过CNN模型提取的影像组学特征联合MSI状态，预测MSI-H的AUC达0.92，优于单独使用临床指标或病理指标[15]。多组学数据整合：构建“患者数字画像”3.多源数据的时间序列建模：患者的治疗过程是动态变化的，AI技术可通过循环神经网络（RNN）或长短期记忆网络（LSTM）对时间序列数据建模，捕捉疾病进展与治疗响应的动态规律。例如，晚期子宫内膜癌患者在化疗过程中，每周的CA125水平、影像学变化等数据可输入LSTM模型，实时预测治疗疗效（如疾病控制率、无进展生存期），准确率较传统静态评估提高20%以上[16]。疗效预测模型：从“经验判断”到“数据驱动”疗效预测是个体化用药的核心，AI模型通过整合患者的多维特征，预测其对不同治疗方案的响应概率，为医生提供“精准推荐”。目前，疗效预测模型主要集中在化疗、靶向治疗和免疫治疗三大方向。1.化疗疗效预测：顺铂+紫杉醇联合化疗是子宫内膜癌术后的标准方案，但约30%的患者原发性耐药。AI模型可通过整合临床病理特征（如FIGO分期、组织学分级）和分子特征（如ERCC1表达、BRCA1突变）构建预测模型。例如，一项多中心研究纳入1200例I-III型子宫内膜癌患者，使用XGBoost模型结合10项临床病理特征和8项分子标志物，预测化疗敏感性的AUC达0.88，其中高危患者（如CNH型）的预测准确率达90%[17]。疗效预测模型：从“经验判断”到“数据驱动”2.靶向治疗响应预测：靶向治疗的疗效高度依赖于特定的分子靶点，但并非所有靶点阳性患者都响应（如PIK3CA突变患者对PI3K抑制剂的响应率仅约50%）。AI模型可通过整合基因突变、通路激活状态和肿瘤微环境特征，预测靶向治疗响应。例如，一项研究利用深度神经网络（DNN）分析PIK3CA突变患者的表达谱数据，发现同时存在PTEN缺失和AKT激活的患者对alpelisib响应率显著提高（OR=3.2，P<0.01），模型AUC达0.82[18]。疗效预测模型：从“经验判断”到“数据驱动”3.免疫治疗响应预测：免疫治疗的响应机制复杂，除MSI状态外，肿瘤突变负荷（TMB）、PD-L1表达、肿瘤浸润淋巴细胞（TILs）密度等均影响疗效。AI模型可通过整合这些特征构建“免疫响应评分”。例如，一项研究纳入300例晚期子宫内膜癌患者，使用CNN模型分析PD-L1免疫组化图像，提取的“PD-L1阳性密度”特征联合TMB，预测PD-1抑制剂响应的AUC达0.89，显著优于单独使用PD-L1或TMB[19]。智能决策支持系统：从“个体建议”到“临床落地”疗效预测模型的结果需要转化为可操作的临床建议，这需要智能决策支持系统（CDSS）的辅助。CDSS通过整合临床指南、文献证据和患者个体数据，为医生提供“实时、精准、可解释”的治疗方案推荐。1.基于指南的规则引擎：CDSS内置NCCN、ESMO等指南的治疗推荐规则，结合患者的分子分型和临床特征，自动生成符合指南的治疗路径。例如，对于MSI-H型的晚期子宫内膜癌患者，系统会优先推荐PD-1抑制剂±化疗，避免不必要的化疗毒性[20]。智能决策支持系统：从“个体建议”到“临床落地”2.可解释AI（XAI）的集成：AI模型的“黑箱”问题一直是临床应用的障碍，XAI技术（如SHAP值、LIME）可解释模型决策的依据，增强医生对AI建议的信任。例如，当AI推荐某患者使用PARP抑制剂时，系统会显示“推荐依据：TP53突变+同源重组修复缺陷评分（HRDscore）>40，且既往化疗失败”，让医生明确决策逻辑[21]。3.患者预后与风险分层：CDSS可根据患者的个体特征，生成动态预后报告，帮助医生制定随访计划。例如，对于POLE突变型患者，系统会提示“5年复发风险<5%，建议每6个月随访一次盆腔MRI+CA125”；对于CNH型患者，则提示“2年复发风险>30%，建议每3个月随访一次PET-CT”[22]。治疗反应动态监测与耐药预警子宫内膜癌的治疗过程是动态的，耐药的出现是治疗失败的主要原因。AI技术通过实时监测治疗过程中的生物标志物变化，实现耐药的早期预警，及时调整治疗方案。1.液体活检与AI分析：液体活检（ctDNA、循环肿瘤细胞）可实时反映肿瘤负荷和分子变化，AI模型可通过分析ctDNA的突变谱和丰度变化，预测耐药出现。例如，一项研究纳入50例晚期子宫内膜癌患者，在化疗过程中每2周采集外周血，使用LSTM模型分析ctDNA突变动态，提前4-6周预警耐药的准确率达85%，比影像学提前2-3个月[23]。治疗反应动态监测与耐药预警2.影像组学动态监测：治疗过程中，肿瘤的影像学特征变化（如体积缩小、纹理均匀性改变）可反映治疗响应。AI模型可通过配对分析治疗前后MRI图像，计算“影像组学响应评分”（RRS），早期预测疗效。例如，一项研究发现，化疗第2周的RRS与6个月无进展生存期（PFS）显著相关（r=0.78，P<0.001），可作为早期疗效替代指标[24]。AI辅助子宫内膜癌个体化用药的临床实践案例04AI辅助子宫内膜癌个体化用药的临床实践案例理论的价值在于指导实践，近年来，AI辅助子宫内膜癌个体化用药已在多家医疗中心落地，以下通过两个典型案例展示其应用效果。案例一：AI指导MSI-H型晚期子宫内膜癌的免疫治疗患者基本信息：58岁，绝经后，因“阴道不规则出血3个月”就诊，病理诊断为子宫内膜样癌（G3），FIGO分期IIIC1期，MSI-H（dMMR），POLE野生型，TP53突变。传统治疗困境：患者存在淋巴结转移，术后推荐辅助化疗（顺铂+紫杉醇），但MSI-H型患者对化疗敏感性较低，且免疫治疗可能更优。但患者合并高血压、糖尿病，化疗毒副作用风险高，是否直接使用免疫治疗存在争议。AI辅助决策过程：1.数据整合：将患者的临床数据（年龄、分期、病理类型）、分子数据（MSI-H、TP53突变、TMB=12/Mb）、影像数据（盆腔MRI示盆腔淋巴结肿大）输入CDSS。案例一：AI指导MSI-H型晚期子宫内膜癌的免疫治疗2.疗效预测：AI模型预测患者对PD-1抑制剂（帕博利珠单抗）的客观缓解率（ORR）为65%，显著高于化疗（ORR=30%）；同时预测免疫治疗相关不良反应（irAE）风险为20%（可控）。3.方案推荐：系统推荐“帕博利珠单抗单药治疗，每3周一次，同步监测血常规、甲状腺功能”。治疗结果：患者治疗2个月后，盆腔淋巴结缩小50%，CA125从45U/mL降至20U/mL；治疗6个月达到完全缓解（CR），至今无进展生存（PFS）已18个月，生活质量显著优于化疗[25]。案例二：AI预测CNH型子宫内膜癌的PARP抑制剂耐药患者基本信息：62岁，因“术后复发1年”就诊，原发病理为浆液性癌（G3），FIGO分期IVA期，分子分型CNH型（TP53突变、PIK3CA扩增、HRDscore=45），既往接受过紫杉醇+卡铂化疗和贝伐珠单抗靶向治疗，疾病进展。传统治疗困境：患者HRD阳性，理论上适合PARP抑制剂（奥拉帕利），但既往靶向治疗失败，担心PARP抑制剂耐药。是否选择奥拉帕利需评估耐药风险。AI辅助决策过程：1.数据整合：整合患者的基因突变（TP53、PIK3CA）、既往治疗史（化疗、靶向）、ctDNA动态（治疗前ctDNA丰度=15%，化疗后升至25%）和影像数据（多处转移灶）。案例二：AI预测CNH型子宫内膜癌的PARP抑制剂耐药0102在右侧编辑区输入内容2.耐药预测：AI模型（基于DNN）分析发现，患者存在“BRCA1甲基化+ATR激活”，提示同源重组修复缺陷（HRD）表型不完整，预测奥拉帕利耐药风险为75%。治疗结果：患者联合治疗2个月后，ctDNA丰度降至8%，转移灶缩小30%；治疗4个月达到疾病稳定（SD），PFS达9个月，较既往延长3个月，证实了AI对耐药风险的预测价值[26]。3.方案调整：系统推荐“奥拉帕利+PI3K抑制剂（alpelisib）联合治疗”，针对PIK3CA扩增和潜在HRD缺陷。AI辅助子宫内膜癌个体化用药的挑战与未来方向05AI辅助子宫内膜癌个体化用药的挑战与未来方向尽管AI技术在子宫内膜癌个体化用药中展现出巨大潜力，但其临床应用仍面临诸多挑战，需要多学科协作共同解决。当前面临的主要挑战1.数据质量与标准化问题：AI模型的性能高度依赖数据质量，但目前子宫内膜癌的多组学数据存在“三不”问题：一是数据来源不统一（不同医院的检测平台、测序深度差异）；二是数据标注不规范（如病理报告描述不一致、疗效评估标准不统一）；三是数据孤岛现象严重（临床数据与分子数据存储在不同系统，难以整合）。这些问题导致模型泛化能力不足，在多中心验证中性能显著下降[27]。2.模型可解释性与临床信任问题：尽管XAI技术已取得进展，但AI模型的决策逻辑仍难以完全被医生理解。例如，当AI推荐“非指南用药”时，医生常因“知其然不知其所以然”而犹豫。此外，AI的“黑箱”特性也引发伦理问题：若AI误诊导致患者死亡，责任如何界定？这些问题需通过“人机协同”决策模式解决，即AI提供建议，医生最终决策[28]。当前面临的主要挑战3.临床转化与落地障碍：从实验室到临床，AI模型的落地面临“最后一公里”障碍：一是缺乏统一的评估标准（如AI模型的疗效预测需前瞻性临床试验验证）；二是医疗系统整合难度大（CDSS需与医院HIS/EMR系统对接，涉及数据安全和隐私保护）；三是医生接受度不足（部分医生对AI持怀疑态度，缺乏使用培训）。4.技术瓶颈与创新需求：现有AI模型多为“静态预测”，难以适应肿瘤的异质性和进化性；此外，小样本数据的模型训练仍是挑战（如罕见分子亚型患者数据不足），需迁移学习、联邦学习等技术解决[29]。未来发展方向1.多模态数据融合与动态建模：未来AI模型将整合更全面的数据维度，包括单细胞测序（揭示肿瘤异质性）、空间转录组（分析肿瘤微环境）、肠道菌群（影响药物代谢）等，构建“动态数字孪生”模型，实时模拟肿瘤进展与治疗响应[30]。2.可解释AI与人机协同决策：XAI技术将进一步发展，实现“模型决策可视化”（如生成热图显示关键基因贡献度），同时建立“医生-AI”协同决策流程，AI负责数据处理和模式识别，医生负责临床经验整合和伦理判断，形成“1+1>2”的决策效能[31]。未来发展方向3.前瞻性临床试验与真实世界证据：需开展更多前瞻性、多中心临床试验（如AIvs传统治疗的随机对照试验），验证AI模型的临床价值；同时利用真实世界数据（RWD）持续优化模型，实现“从临床中来，到临床中去”的闭环[32]。4.跨学科协作与生态构建：AI辅助个体化用药需要妇科肿瘤、AI技术、分子生物学、伦理学等多学科协作，构建“产学研用”一体化生态：医院提供临床场景和数据，药企提供药物和靶点，科技公司提供算法支持，研究机构开展基础研究，共同推动AI技术的临床落地[33]。结论：AI赋能子宫内膜癌个体化用药的未来展望06结论：AI赋能子宫内膜癌个体化用药的未来展望子宫内膜癌的个体化治疗是一场“精准医疗”的实践，而AI技术是这场实践的“加速器”。从分子分型的精准解读，到多组学数据的智能整合；从疗效预测的模型构建，到治疗决策的实时支持；从耐药风险的早期预警，到动态监测的方案调整，AI技术正在重塑子宫内膜癌的治疗路径，让“个体化”从“理想”变为“现实”。作为临床医生，我深刻感受到：AI不是“替代者”，而是“协作者”。它帮助我们摆脱“经验医学”的局限，进入“数据+经验”的新时代；它让我们从海量数据中解放出来，更专注于患者的整体关怀。未来，随着数据标准化、模型可解释性和临床转化的突破，AI辅助子宫内膜癌个体化用药将更加成熟，为每一位患者制定“量身定制”的治疗方案，最终实现“延长生存、改善生活质量”的终极目标。这条路虽充满挑战，但只要我们坚持以患者为中心，以科学为依据，以协作为动力，AI赋能的子宫内膜癌个体化治疗必将迎来更广阔的前景。参考文献07参考文献[1]SiegelRL,MillerKD,JemalA.Cancerstatistics,2022[J].CA:ACancerJournalforClinicians,2022,72(1):7-33.[2]FIGOCommitteeonGynecologicOncology.FIGOstagingforcarcinomaofthecorpusuteri,2019[J].InternationalJournalofGynaecologyandObstetrics,2020,149(3):395-398.[3]BokhmanJV.Twopathogenetictypesofendometrialcarcinoma[J].GynecologicOncology,1983,15(1):10-17.参考文献[4]CancerGenomeAtlasResearchNetwork.Integratedgenomiccharacterizationofendometrialcarcinoma[J].Nature,2013,497(7447):67-73.[5]McConechyMK,DingJ,CheangMC,etal.Useofmolecularprofilingtostratifyriskinendometrialcancer[J].CurrentOncology,2016,23(Suppl1):S7-S14.参考文献[6]BillingsleySC,McMeekinDS,MannelRS,etal.PrognosticsignificanceofPOLEexonucleasedomainmutationsinendometrialcancer:aGynecologicOncologyGroupstudy[J].GynecologicOncology,2017,144(3):463-468.[7]LeDT,UramJN,WangH,etal.PD-1blockadeintumorswithmismatch-repairdeficiency[J].NewEnglandJournalofMedicine,2015,372(26):2509-2520.参考文献[8]KommossS,McConechyMK,KommossS,etal.Frequencyofmolecularsubtypesinendometrialcancer:areportfromtheInternationalEndometrialConsortium[J].ModernPathology,2020,33(6):924-933.[9]OxnardGR,PaweletzC,KuangY,etal.NoninvasivedetectionofresponseandresistanceinEGFR-mutantlungcancerwithctDNA[J].ScienceTranslationalMedicine,2014,6(244):244ra136.参考文献[10]SlamonDJ,Leyland-JonesB,ShakS,etal.UseofchemotherapyplusamonoclonalantibodyagainstHER2formetastaticbreastcancerthatoverexpressesHER2[J].NewEnglandJournalofMedicine,2001,344(11):783-792.[11]LeDT,DurhamJN,SmithKN,etal.MismatchrepairdeficiencypredictsresponseofsolidtumorstoPD-1blockade[J].Science,2017,357(6349):409-413.参考文献[12]HowittBE,ShuklaSA,ShollLM,etal.Associationofpolymeraseepsilonmutantandmicrosatelliteinstabilityendometrialcancerswithfavorableclinicaloutcomes[J].JAMAOncology,2015,1(9):1319-1326.[13]FlemingGF,BrunerJA,CoteTR,etal.Endometrialcancer[J].CA:ACancerJournalforClinicians,2020,70(3):173-205.参考文献[14]WangJ,CazzatoE,LadewigE,etal.Artificialintelligenceforendometrialcancer:acomprehensivereview[J].TheLancetDigitalHealth,2022,4(7):e428-e440.[15]ChenJ,ZhangY,XieR,etal.Radiomics-basedmodelforpreoperativepredictionofMSIstatusinendometrialcancerusingMRI[J].EuropeanRadiology,2021,31(8):6456-6465.参考文献[16]LiangJ,ZhangZ,ChenY,etal.DynamicpredictionofchemotherapyresponseinendometrialcancerusingLSTMmodel[J].JournalofTranslationalMedicine,2020,18(1):1-10.[17]ZhangL,ZhangY,ZhangZ,etal.Machinelearning-basedpredictionofchemotherapysensitivityinendometrialcancer:amulticenterstudy[J].AnnalsofOncology,2021,32(3):367-376.参考文献[18]ChenL,WangH,LiuJ,etal.DeeplearningmodelforpredictingresponsetoPI3KinhibitorsinPIK3CA-mutatedendometrialcancer[J].ClinicalCancerResearch,2022,28(8):1567-1578.[19]SunR,ZhangY,WangX,etal.RadiomicscombinedwithTMBforpredictingimmunotherapyresponseinendometrialcancer[J].JournalforImmunoTherapyofCancer,2021,9(9):e002345.参考文献[20]NCCNClinicalPracticeGuidelinesinOncology(NCCNGuidelines®)forEndometrialCancer[EB/OL].2023./professionals/physician_gls/pdf/endometrial.pdf.[21]LundbergSM,LeeSI.Aunifiedapproachtointerpretingmodelpredictions[J].AdvancesinNeuralInformationProcessingSystems,2017,30:4765-4774.参考文献[22]GargS,GantiAK,PottiA,etal.Personalizedmedicineinendometrialcancer:currentstatusandfuturedirections[J].JournalofClinicalOncology,2020,38(27):3023-3034.[23]CoombesRC,PageK,TjulandinS,etal.PersonalizationofchemotherapyforcancerthroughmeasurementofcirculatingtumorDNA[J].NatureMedicine,2019,25(8):1260-1265.参考文献[24]HuangY,Liang