文章核心观点 - 文章提出引入AI驱动的智能患者检索系统以支持肿瘤多学科诊疗决策，该系统通过整合多模态临床数据，检索与当前患者相似的既往病例，为诊疗提供基于真实世界证据的参考，旨在将医生个人经验式推理系统化并扩大至集体知识范围，从而改善癌症诊疗[2][4][6][7][8] AI智能患者检索系统的定义与原理 - 智能患者检索被定义为一种语义多模态检索系统，能够在临床病历、医学影像、病理资料和分子数据之间学习联合特征表示[4] - 该系统旨在识别跨不同数据类型的综合相似性，例如结合细微的影像特征、文本记录的症状以及分子变异组合来构成具有临床意义的病例相似性，而非依赖关键词或僵化的结构化筛选[4] 系统的功能与潜在价值 - 该系统可分析并综合放射影像、CT、病理数据以及基因信息等多模态资料，整合所有历史数据与新病例信息，识别出最相似的既往病例[6] - 该方法将肿瘤临床中“我曾遇到过类似患者……”的经验式推理模式系统化，并拓展至超越单个医生个人经验的范围，尤其在罕见癌症和非典型肿瘤表现中至关重要，可扩大临床团队对集体知识的获取范围[7] - 智能患者检索可纳入非结构化病历与多模态信号，扩大检索范围，从而识别出携带罕见突变或非典型特征、易被常规流程遗漏的患者，这对提升先进疗法和临床试验的公平可及性尤为重要[7] 技术挑战与发展方向 - AI模型识别出的“相似性”并不自动等同于临床相关性，且检索得到的预后数据来自真实世界诊疗模式，而非对照试验结果[7] - 研究方向包括预后感知表征学习、先满足严格临床约束的两阶段检索，以及结合临床医生反馈使结果更贴合专家判断[7] - 需要建立完善的安全与治理机制，包括人在回路审核、不确定性评估、偏倚检测与审计追踪[7] 实施路径与协同行动倡议 - 学术中心应实现肿瘤多学科会诊流程的数字化，同时临床医生必须作为共同设计者深度参与，因为他们的临床判断是系统的核心组成部分[8] - 大语言模型在基于检索到的实证依据时，可辅助肿瘤多学科会诊流程，帮助生成结构化病例摘要、整合多模态患者数据，避免出现无依据的推断[8] - 总体而言，该观点文章为AI赋能肿瘤多学科会诊提供了发展路线图，帮助会诊团队从数据整理转向更具循证依据的深度讨论，决策依据来自真实相似患者的治疗数据与疾病经历[8]