主要观点总结
北京大学肿瘤医院消化内科的沈琳教授团队与董彬教授团队在《Signal Transduction and Targeted Therapy》杂志上发表了一篇研究文章，介绍了他们开发的多模态肿瘤治疗响应预测模型MuMo。该模型能够整合多中心数据队列中的多模态信息，有效预测HER2阳性胃癌患者对抗HER2治疗或联合免疫治疗的响应。这项研究展示了多模态分析技术在临床决策中的重要作用，能为患者提供更精确的治疗方案。
关键观点总结
关键观点1: 研究背景及目的
胃癌治疗中针对HER2阳性患者的抗HER2治疗响应存在个体差异，为临床决策带来挑战。研究旨在开发一种能够综合多模态临床数据的AI模型，以全面分析和精确预测患者对治疗的响应，为个性化治疗策略提供科学依据。
关键观点2: 研究方法和模型
沈琳教授团队与董彬教授团队共同收集了大样本HER2阳性胃癌患者的多中心数据集，涵盖了临床信息、影像学图像、影像结构化报告、病理学图像及病理结构化报告。基于此数据集，研究团队开发了一种新型的由AI驱动的多模态癌症治疗响应预测模型MuMo。
关键观点3: 模型性能与结果
MuMo模型在预测HER2阳性胃癌患者对抗HER2治疗方案及联合免疫治疗的响应方面取得了显著成绩，AUC值分别为0.821和0.914。这些成绩优于单一医生的预测结果，且与六位医生的会诊结果相当。此外，MuMo模型能够稳定且一致地提供预测结果，揭示出其与现有临床知识之间的高度一致性。
关键观点4: 模型的潜在价值和意义
MuMo模型的潜力在于其能够整合多模态数据，提高治疗响应预测的准确性和实现个性化治疗。这种分析方法在未来有望在更广泛的癌症治疗领域得到应用，为患者带来更精准的治疗选择和改善生存预期。
文章预览
来源：北京大学肿瘤医院消化内科 2024年8月26日，北京大学肿瘤医院沈琳教授团队与北京大学董彬教授团队在《 Signal Transduction and Targeted Therapy 》（影响因子：40.8）上发表了一篇开创性的研究文章，题为“Predicting gastric cancer response to anti-HER2 therapy or anti-HER2 combined immunotherapy based on multi-modal data”。这项研究通过人工智能技术开发了一个多模态肿瘤治疗响应预测模型MuMo，并且汇集了429名HER2阳性胃癌患者的多中心数据队列，涵盖影像学图像、结构化影像报告、病理学图像、病理结构化报告及详尽的临床信息等多模态信息。MuMo模型打破了传统单一数据模式的局限，全面捕捉患者的疾病特征，有效应对临床中模态数据的潜在缺失问题。这项研究进展在临床上的应用潜力能为HER2阳性胃癌患者提供更精确的治疗方案，展示了多模态分析技术在临床决策中具有
………………………………
