人工智能赋能多发性骨髓瘤从早期诊断到预后评估的精准诊疗总结2026

人工智能赋能多发性骨髓瘤从早期诊断到预后评估的精准诊疗总结2026多发性骨髓瘤（multiplemyeloma，MM）是一种克隆浆细胞异常增殖的恶性疾病

［

1］

，占所有癌症的1%~2%，所有血液系统恶性肿瘤的10%~15%，目前仍无法治愈。在欧洲，MM是第二常见的血液系统癌症，年发病率为4.5~6.0/10万

［

1,2］

。随着新药不断问世及检测手段提高，MM诊断和治疗得以持续改进和完善

［

3］

。然而，MM本质上是一种高异质性疾病，其临床症状相似，但基因组学和分子特征迥异。MM的异质性体现在疾病发展、治疗反应和患者预后等多个方面，导致MM患者进展和转归呈现高度多样性。一些研究通过基因组分析证实了MM的遗传异质性，包括肿瘤细胞在治疗前后的分子动态变化和免疫疗法中目标抗原下调导致的复发

［

4,5,6］

。因此，实现MM的早期准确诊断、个性化治疗方案及预后评估对改善患者的长期生存质量至关重要。目前，MM诊断所需的项目包含血液学检查、尿液检查、骨髓检查和影像学检查

［

7,8,9,10］

，这些检查结果产生了大量的、多维度的复杂数据，给MM诊断及分期工作带来了巨大的挑战。随着计算机技术的发展，越来越多的新技术应用于医学领域。此前，这些技术更多应用于细胞形态学方面，用于对细胞图像的识别和分类

［

11,12,13,14］

。近年来，有许多研究者将目光关注到人工智能（artificialintelligence，AI）在MM的诊断、治疗和预后评估等方面的应用，AI对多维数据的强大处理能力有助于帮助分析上述复杂的检查结果之间的联系，并发现一些容易忽略的深层规律

［

15,16］

。机器学习（machinelearning，ML）是实现AI任务的一种主要途径，经典的ML方法包括监督学习、无监督学习和弱监督学习

［

17,18,19,20,21］

。不同的方法在处理不同标准的数据集时各有优劣

［

22,23,24,25］

。目前，利用深度神经网络识别细胞图像，利用支持向量机（supportvectormachine，SVM）、决策树、随机森林（randomforest，RF）、聚类算法等分析高维数据在MM全流程诊疗中发挥着越来越多的作用

［

26］

。一、检索策略计算机检索PubMed和中国知网，检索时限均为2020年1月1日至2025年12月12日。采用主题词与自由词相结合的策略，英文检索词包括“Multiplemyeloma”“Morphologicaldiagnosis”“Precisetreatment”“Survivalprognosis”“Artificialintelligence”及其同义变体；中文检索词对应为“多发性骨髓”“形态学诊”“精准治疗”“生存预后”“人工智能”。同时手工追溯纳入文献的参考文献。二、AI辅助MM的早期诊断和准确分期1.AI有助于提高骨髓涂片的识别效率：随着AI技术的发展和应用，越来越多的研究者利用ML算法开发高效工具对这些复杂数据进行自动化处理，以达到早期诊断和准确分期的目的

［

27,28,29,30］

。利用AI识别图像的技术，可以有效提高形态学诊断的效率

［

31］

。Andrade等

［

32］

基于YOLOv7深度学习模型开发检测系统，使用一个全新的、由专家手动标注的包含多种细胞类型图像的骨髓涂片数据集进行模型的训练，该系统能够自动在骨髓涂片图像中定位和识别浆细胞，平均精确度达到84%，单张图像推理时间仅需47ms，大大提升了MM的诊断效率。该模型使用低成本设备（如智能手机连接显微镜）采集图像，在资源有限的医疗环境中也可适用。2.AI结合常规生物标志物辅助MM的早期诊断：一些研究聚焦在利用常规生物标志物预测MM这一方向上，为MM的早期诊断提供依据。不同研究的模型算法在各自的数据集中表现各异（

表1

）。Chen等

［

33］

将血清激光诱导击穿光谱技术与ML相结合，研究者收集了130份样本（75份来自MM患者、55份来自健康对照者），通过分析血清中Ca、Na、K、Mg、C等元素的血清激光诱导击穿光谱特征，结合K近邻、SVM和人工神经网络等ML算法构建分类模型。经10折交叉验证，所有模型在MM诊断和分期中均表现出色，准确率超过90%，AUC值为0.97。Yan等

［

34］

基于4187例患者（1741例MM，2446例非骨髓瘤）的临床常规检验数据，利用梯度提升决策树等ML算法，构建了一个基于常规实验室指标（如血红蛋白、肌酐、钙离子、免疫球蛋白等）的MM早期辅助诊断模型。结果显示，梯度提升决策树模型表现最优，精确度达92.9%，AUC为0.975，且在新数据集中验证良好。Fan等

［

35］

同样将ML算法与常规血液生物标志物（如白蛋白、球蛋白、A/G比值、肌酐、血红蛋白等）结合，基于1418例患者（382例MM，1036例非MM），通过Auto-WEKA自动选择算法，发现梯度提升决策树模型结合特征选择方法在训练集中表现优异，准确率达94.75%，AUC为97.50%。研究进一步在内部和外部验证集评估模型泛化能力，并通过合并多中心数据减少分布差异，最终在测试集上达到92.61%的准确率。Cai等

［

36］

的研究则结合了全血细胞计数和细胞群体数据参数，采用最小绝对收缩和选择算子的方法筛选出6个关键变量，包括红细胞计数、红细胞分布宽度变异系数、未成熟粒细胞百分比、中性粒细胞正向散射分布宽度、淋巴细胞侧向散射宽度、淋巴细胞正向散射宽度，并结合6个关键变量分别建立了逻辑回归、SVM和RF3种预测模型。结果表明，RF模型在训练集、验证集和测试集中均表现最优（AUC分别为0.956、0.892、0.875），且校准曲线和决策曲线分析显示其具有良好的拟合优度和临床实用性。Mittelman等

［

37］

基于以色列Clalit健康服务系统的大规模电子健康记录，构建了一个ML模型以预测“健康”人群未来5年内罹患MM的风险。研究首先比较了4256例未来确诊MM的患者与匹配对照在确诊前5年的临床数据，发现未来患者在血红蛋白、血沉、球蛋白等多个指标差异有统计学意义；随后利用极限梯度提升算法构建预测模型，在验证集中AUC达0.836。最后为便于社区应用，开发了仅需20个常规检验变量的简化逻辑回归模型（AUC=0.72）。上述不同研究者的结果均指向一个趋势，即利用ML结合常规生物标志物的方法有助于开发出快速、微创、低成本的MM辅助诊断与分期新方法，实现对MM的早期风险预测，为筛查高危人群提供了可行工具，具有较高的临床转化潜力。但这些研究均基于单中心、回顾性的数据集，模型的有效性和泛化能力仍需通过大规模、多中心的前瞻性临床研究进行验证。3.AI辅助MM准确分期：MM的分期受限于其高度异质性和传统分期指标的局限，存在很大的挑战。Nazha等

［

30］

针对现行国际分期系统/修订版国际分期系统（internationalstagingsystem/revisedinternationalstagingsystem，ISS/R-ISS）在中危组（R-ISS2）预后异质性高的局限性，利用西班牙骨髓瘤小组3项临床试验的数据，采用无监督ML对临床、生化及细胞遗传学变量进行聚类分析。结果识别出两个具有显著不同生存结局的患者集群，其预后区分能力优于ISS和R-ISS，尤其能够将R-ISS2患者进一步分为高风险和低风险亚组。Karathanasis和Spyrou

［

38］

则基于多个基因表达微阵列数据集，采用多种数据预处理方法，训练了包括弹性网络、RF和SVM在内的多种算法，旨在提升MM的分期准确性并预测无症状期向症状性MM的进展。结果显示，MM分期模型在多数据集验证中表现稳定（多类AUC达0.9）；在预测无症状期MM进展方面，模型AUC超过0.8，且发现直接使用MM样本训练的模型也能有效识别高风险无症状期MM患者。上述研究表明AI的应用有助于改进新诊断MM的风险分层，可以为MM早期干预和风险分层提供新的基因表达层面的ML方法。但模型结果的准确性受到算法选择的影响，其结果一致性仍有待提升。在MM的诊断和分期方面，这些研究提供了与既往指南所不同的策略，以往对MM的诊断往往依赖于骨髓图像和临床症状的评估，基于常规生物标志物的诊断策略提供了新的方向，这些无创的、早期的诊断策略有助于帮助临床医生和患者更早地发现问题。而在分期方面，现行的国际分期系统较为粗略，文中的研究在ML的帮助下，将MM的分期更加细化，为MM风险分层提供了新思路。三、AI助力MM治疗方案的选择：MM高度异质性导致治疗方案的差异，因此个性化治疗方案的选择对于患者的治疗效果和预后至关重要。有学者采用AI技术结合实验室指标进行治疗方案的选择

［

39,40］

。Katsenou等

［

41］

提出了基于蛋白质组学数据和ML的个性化治疗决策支持方法，用于预测MM患者对特定化疗药物的敏感性或耐药性。该研究基于39例患者的2573种蛋白质表达数据，结合药物敏感性评分，采用多种ML算法（如逻辑回归、SVM、RF）进行分类建模。结果表明，SVM结合合成少数类过采样技术方法表现优秀，平均预测准确率达81%。Priyadharshini等

［

42］

则利用量子ML框架，整合了多种量子算法用于基于蛋白质组数据预测MM患者的药物敏感性：量子支持向量机用于处理高维和非线性关系，量子主成分分析进行降维，量子退火用于特征选择，以及量子生成对抗网络生成合成数据以缓解类别不平衡问题。研究使用包含39例患者、2573种蛋白质的数据集，对比传统ML模型（如SVM、RF等），量子机器学习框架在准确率、F1分数和AUC-ROC等指标上表现更优，尤其在识别耐药患者（少数类）方面优势明显。这些研究证实蛋白质组数据可用于患者风险分层和药物反应预测，为MM的精准治疗提供了可行路径。Ren等

［

43］

构建了一个基于泛素蛋白酶体通路相关基因的风险评分系统，用于预测MM患者的生存期和对蛋白酶体抑制剂的治疗反应。作者通过最小绝对收缩和选择算子方法从公开数据集中筛选出9个关键基因（PSME3、CDC27、PSMC2、PSMB4、UBE2D1、UBE2B、PML、ELOC、CUL1），并验证了其预后价值。研究发现，泛素蛋白酶体通路相关基因的风险评估较高的患者总生存期更短，且对蛋白酶体抑制剂的治疗反应较差。体外实验证实抑制UBE2B可有效抑制骨髓瘤细胞生长。该研究为MM的精准风险分层和治疗选择提供了新工具。在治疗方案的选择方面，Park等

［

44］

开发了一种ML辅助的序贯分析方法，用于指导不适合移植的新诊断MM患者在一线治疗中选择VMP（硼替佐米+美法仑+泼尼松）或RD（来那度胺+地塞米松）方案。该研究基于514例患者的临床数据，分别构建了预测VMP和RD治疗下患者总生存期（overallsurvival，OS）的ML模型，并据此将患者分为四种组合风险亚组。结果显示，对于特定亚组（如VMP低风险/RD高风险），选择对应低风险方案可改善OS（

HR=0.15）。此外，针对OS无差异的患者，作者进一步开发了预测早期治疗反应的ML模型，以优化疗效。研究表明，使用该ML策略可为39%（202/514）的患者提供更优的治疗选择，有望提升其生存或治疗反应。该方法仅需诊断时可获取的有限临床特征，具备较好的临床转化潜力。MM治疗的关键问题在于其高度异质性，这些研究从蛋白组学的角度入手，上溯到基因层面的变化，为MM的个体化治疗提供了新的靶点。四、AI助力MM患者预后判断MM目前仍是一种无法治愈的疾病，对患者进行预后评估并尽可能的提高患者的生存质量是治疗最终目标

［

45］

。遗传学异常的检测是MM预后评估的关键指标

［

46］

。利用AI将临床数据和细胞遗传学参数结合起来，通过分析不同变量的交互关系，有助于突破传统风险分层的局限性

［

47］

。Nierengarten

［

48］

开发了一种名为新诊断多发性骨髓瘤患者个体化风险（individualizedriskinnewlydiagnosedmultiplemyeloma，IRMMa）的MM个体化动态风险预测模型。IRMMa模型基于1933例新诊断MM患者的临床、基因组和治疗数据，通过深度学习整合了90个驱动基因和12个疾病亚型，能够预测患者对不同治疗方案的总体生存率和无事件生存率。与传统分期系统相比，IRMMa提高了预测准确性，并具备动态更新能力，可随新治疗方案和数据不断优化。遗憾的是，由于该模型纳入的数据库中缺乏微小残留病变（minimalresidualdisease，MRD）的数据，且IRMMa专注于初次诊断时的预后分层，而MRD检测时机往往在诱导治疗之后，也是疗效评估的核心指标

［

49］

。因此，IRMMa并未纳入MRD作为评估指标。在实际临床工作中，为增强该模型动态评估的效果，需将MRD与IRMMa结合起来，作为预后评估的动态响应指标。而Xing等

［

31］

开发了一种基于逻辑回归的模型，用于在新诊断MM患者治疗前预测其治疗后能否达到不可检测的MRD状态。模型整合了细胞遗传学异常［如del（17；p13）和t（4；14）］、肿瘤负荷（骨髓浆细胞克隆性和循环肿瘤细胞）及肿瘤微环境中的免疫细胞特征共9个变量。在训练集（

n=301）和外部验证集（

n=186）中，预测准确率分别达71%和72%。该模型还能区分患者的无进展生存和总生存期。研究表明，通过基线生物标志物可个体化预测治疗反应，为MM的精准治疗提供新策略。Bao等

［

50］

基于中国北京4家医院的338例老年（≥65岁）MM患者的真实世界数据，使用4种ML算法构建了总体生存期预测模型。模型整合了30个临床、治疗及基线特征，但不依赖基因组数据。结果显示，RF模型性能表现优异（C-index=0.798），且发现维持治疗方案是影响生存的最关键因素。该研究为缺乏基因组检测条件的老年患者提供了一个适用于真实世界场景的生存预测工具。现存的预后评估策略往往依赖于MRD等核心预后指标，且局限于治疗后的评估，利用AI多模态分析，有望在MM初诊阶段即进行预后评估，且实现在诊疗全流程中的动态评估，这将为临床医生对治疗方案的及时调整提供巨大的帮助。五、总结与展望近年来AI技术在MM诊断、分期、治疗选择和预后评估中的应用愈发广泛。大量研究表明，AI在处理MM所涉及的高维、多模态复杂数据方面展现出显著优势。在诊断与分期层面，基于骨髓涂片图像、血清激光诱导击穿光谱技术以及常规实验室指标的AI模型，不仅实现了高精度的自动化细胞识别与疾病分类，还有助于早期发现和风险预测，为在高危人群中进行筛查提供了低成本、高效率的工具，也为临床诊断提供了新的策略。更重要的是，AI通过无监督学习聚类或整合基因组学、蛋白质组学数据，能