文章核心观点 - 公司与UPMC Magee - Womens医院合作的回顾性研究取得积极成果，将在2024年美国临床肿瘤学会（ASCO）年会上展示，该研究表明多组学机器学习模型在预测卵巢癌患者短、长期生存方面优于仅使用临床数据，有开发临床决策工具的潜力 [1][6] 研究目的 - 确定公司能否利用人工智能等能力开发机器学习模型，更准确预测卵巢癌患者的短期（两年）和长期（五年）生存结果 [2] 研究背景及意义 - 高级浆液性卵巢癌早期无症状难治疗，手术和一线化疗近期有效，但近80%患者1 - 2年内复发，仅20%能长期存活，利用机器学习预测患者预后有助于临床管理和监测，可作为决策支持工具制定个性化治疗方案 [3] 研究成果意义 - 研究结果凸显人工智能和机器学习不仅能加速早期肿瘤药物发现，还能实时协助癌症患者临床管理，改善生存结果，且有机会发现独特生物标志物用于开发新型癌症疗法 [3] 研究展示信息 - 标题为“Using Artificial Intelligence - Powered Evidence - Based Molecular Decision - Making for Improved Outcomes in Ovarian Cancer”，摘要编号448976，属于妇科癌症会议，时间为6月3日9:00am - 12:00pm CDT（10:00am - 1:00pm EDT），演讲者为Dr. Brian Christopher Orr [4] 研究方法 - 分析2010 - 2016年临床数据和肿瘤标本，将患者数据、全外显子测序、全转录组测序、药物反应谱和数字病理谱作为输入特征集，训练160个多组学机器学习模型，采用无假设训练对患者两年和五年生存情况分类，用AUROC指标评估模型性能 [4] 研究结果 - 160个机器学习模型中，7个在两年阈值达到高预测准确率，13个在五年阈值达到高预测准确率，多组学特征集输入比仅使用临床数据预测更优，表现最佳的模型比任何单一特征集预测效果好 [5] 研究结论 - 多组学机器学习模型在预测卵巢癌患者短、长期生存方面优于仅使用临床数据，短期和长期队列中表现最佳模型的驱动因素不同，为未来研究和临床决策工具开发提供机会 [6] 公司介绍 - 公司处于利用人工智能和机器学习加速早期药物发现和癌症药物开发前沿，其AI平台PEDAL能92%准确预测肿瘤样本对特定药物化合物的反应，公司拥有超15万个可检测的异质人类肿瘤样本生物库，还提供基于AI的药物发现解决方案，总部位于宾夕法尼亚州匹兹堡 [7]