基于多模态数据的人工智能方法预测抗肿瘤药物不良反应专家共识2026

基于多模态数据的人工智能方法预测抗肿瘤药物不良反应专家共识目录Contents共识制定方法数据准备规范算法框架选择模型验证与部署共识制定方法多学科团队编写编写组由4名医院药学背景专家和1名临床专家组成，外审专家组含医院药学、AI与信息技术、临床、药物研发等33名专家，高级职称占96.97%，确保专业权威性。多学科专家构成编写组系统检索国内外数据库，结合我国AI实践经验起草大纲；经外审专家组评估讨论，将90%及以上专家同意的内容形成推荐意见，多轮修订后定稿。编写与审定流程多学科团队融合药学、临床、AI、药物研发等专业知识，从数据准备到模型部署全流程提供指导，确保共识科学性、规范性和临床实用性，推动抗肿瘤药物ADR预测模型应用。多学科协作优势010203系统检索文献以“多模态数据”“人工智能”“不良反应”“抗肿瘤药物”“模型”等中英文术语为关键词，系统检索PubMed、WebofScience、Embase、中国知网、万方数据知识服务平台，全面覆盖国内外相关文献。检索关键词与数据库选择检索时间从各数据库建库起至2025年12月31日，搜集指南、专家共识、系统评价、专题综述及指导性文献，确保纳入最新且权威的循证依据。检索时间范围与文献类型编写组基于检索结果，结合我国AI技术在肿瘤药学服务中的实践经验，确定共识编写大纲，并据此形成18条推荐意见，提升临床实用性。检索结果的应用与结合实践0190%专家同意推荐在样本量充足（每变量至少10个阳性事件，总阳性≥100例）时，整合影像、病理、临床、多组学等数据，构建抗肿瘤药物ADR预测模型，提升风险预测能力。整合多模态数据提升预测能力02处理影像组学和病理组学数据时，建议总样本量不低于300例，使用卷积神经网络等全监督深度学习模型，自动学习ADR的层次化特征，提高预测准确性。全监督深度学习处理影像病理数据03当不同模态数据间强相关且低噪声时，推荐使用早期融合，在模型学习前将数据特征连接，需先归一化处理，避免某模态数据主导训练，实现简单有效融合。早期融合作为基线融合策略数据准备规范影像组学又称放射组学，包括超声、MRI和CT等，是肿瘤治疗监测的重要手段。通过AI方法可从图像中挖掘高维量化特征，描述肿瘤表型信息，为后续ADR预测提供基础数据支撑。从MRI或CT图像中提取的纹理等特征，不仅描述肿瘤宏观形态，更与特定抗肿瘤药物不良反应存在潜在关联。这些特征可揭示不同药物治疗反应，进而为风险预测提供关键线索。治疗前肿瘤的特定影像学纹理特征，可预示不同药物反应，并与后续可能出现的组织水肿或纤维化等ADR风险密切相关。利用AI分析这些特征，有助于早期识别高风险患者。影像组学定义与常用技术影像组学特征与ADR的潜在关联影像组学在预测组织水肿或纤维化影像组学数据病理组学数据转化与肿瘤异质性揭示淋巴细胞空间构象与免疫治疗风险预测病理组学在药物毒性预警中的价值病理组学将传统病理图像转化为可量化数据，精细揭示肿瘤组织异质性及其与微环境的相互作用，为预测抗肿瘤药物不良反应提供微观结构基础。通过分析病理图像中淋巴细胞的特定空间构象，可预测患者接受免疫治疗后发生免疫性肺炎、结肠炎或肝炎的相对风险，辅助临床实现疗效与毒性早期权衡。肿瘤组织的微观形态不仅反映恶性程度，还揭示对药物治疗的反应，病理组学数据可量化这些特征，为构建抗肿瘤药物不良反应预测模型提供关键输入。病理组学数据临床病历资料的多维度变量构成年龄与体能状态对药物耐受性的预测作用合并症与靶向/免疫药物ADR风险临床病历资料包含性别、年龄、既往病史、合并症、实验室检查结果、生命体征及治疗方案等变量，为抗肿瘤药物ADR预测模型提供丰富、易获取的纵向数据基础。年龄和体能状态是评估患者对细胞毒性药物治疗耐受性的关键预测因子，直接影响ADR风险分层，帮助临床早期识别高危人群并调整治疗方案。特定合并症（如肝肾功能异常、糖尿病等）可能与靶向药物或免疫治疗药物的ADR风险存在显著交互作用，需纳入模型以提升预测准确性。临床病历资料算法框架选择010203人工处理方法与特征工程全监督深度学习自动提取特征模型选择建议与样本量要求通过人工设计特征或特征工程从原始数据提取可解释特征，如影像学表现，再输入传统机器学习模型。优点是模型决策可溯源，符合临床推理，适合小样本数据集。全监督深度学习通过多层非线性转换自动挖掘多模态数据中复杂、高维的非线性关系，直接从原始数据得到低维表示，降低预处理成本，灵活性和性能优于传统机器学习。处理影像组学和病理组学数据时，建议总样本量不低于300例，优先使用卷积神经网络模型。该模型通过卷积、池化和激活层自动学习ADR层次化特征，完成预测输出。完全监督学习弱监督学习弱监督学习的定义与优势弱监督学习在病理图像中的应用弱监督学习的推荐模型与优化弱监督学习使用更弱的标签信息（如“患者-结局”标签），减轻对完全标记数据的依赖，适用于临床易获取但无法直接对应具体影像特征的ADR数据。典型应用包括在全扫描病理图像中检测小肿瘤区域，并在全视野数字切片上精确定位，利用图结构引入先验知识（如生物网络）提高融合模型的生物学合理性。推荐图神经网络、多实例学习、视觉自注意力模型处理弱标签数据；处理自然语言任务时推荐Transformer和LLM，但需结合迁移学习避免小样本过拟合。当新药或罕见ADR标注数据几乎为零时，无监督学习无需预设标签，通过发现数据内部潜在结构和模式，构建预测模型，解决传统监督学习无法建模的难题。自我监督预训练利用大量未标记影像数据学习深层特征，迁移至有限标注预测模型；完全无监督采用聚类、降维、扩散模型等方法，探索潜在或未知的ADR。同一模态数据缺失推荐多重填补法或前移插补法；视图缺失推荐跨缺失视图网络模型；过拟合时通过组装更大规模数据集提高模型泛化能力，避免选择偏倚。无监督适用新药或罕见ADR预测自我监督与完全无监督策略的应用多模态数据缺失与过拟合处理方法无监督学习模型验证与部署AUC与ROC曲线准确率与精确率灵敏度与特异度接受者操作特征曲线（ROC）及其曲线下面积（AUC）是评估模型区分高风险与低风险人群的核心指标，AUC值越大，模型区分能力越强。准确率反映模型预测正确的总体比例，精确率则衡量预测为阳性中真正阳性的占比，两者共同评估模型对ADR事件的分类精度。灵敏度（召回率）表示模型正确识别出实际发生ADR患者的能力，特异度则反映正确识别未发生ADR患者的能力，平衡两者可优化模型性能。区分度评估校准度指模型预测的ADR发生概率与实际观察到的概率一致。校准良好的模型能准确量化风险，避免高估或低估，为临床决策提供可靠依据。在模型验证阶段，必须联合报告校准度与区分度指标。仅区分度好但校准度差，可能导致风险排序正确但概率偏差，影响临床净收益。模型预测性能和可能的乐观偏倚均会影响决策曲线结果。校准度不足时，风险阈值对应的患者净收益可能失真，临床需谨慎解读。校准度的定义与核心意义校准度与区分度的联合报告要求校准度对决策曲线分析的影响校准度评估通过决策曲线分析确定使患者净收益最大化的风险阈值，帮助临床在预测ADR风险时作出