Cancer Cell |?大語言模型賦能腫瘤精準醫(yī)學：臨床治療推薦準確率達93%

撰文 | 水王星

腫瘤精準醫(yī)學的核心是基于患者基因組生物標志物、癌癥類型及治療史制定個性化治療方案，這一模式的落地高度依賴臨床醫(yī)生對海量分子靶向療法及監(jiān)管批準信息的精準把控。然而，近年來FDA批準的分子靶向療法呈爆發(fā)式增長，僅2024至2025年間，MOAlmanac數(shù)據(jù)庫收錄的FDA批準療法相關(guān)關(guān)聯(lián)就增長了近3 倍，同時臨床指南、期刊文獻、監(jiān)管機構(gòu)官網(wǎng)等證據(jù)來源高度分散，部分新批準療法缺乏廣泛宣傳，導(dǎo)致臨床醫(yī)生尤其是非腫瘤基因組專業(yè)的醫(yī)師難以及時跟進最新診療進展，知識缺口可能延誤最佳治療時機。傳統(tǒng)大語言模型（Large language models，LLM） 雖在臨床文本總結(jié)、醫(yī)學考試等場景中展現(xiàn)出接近醫(yī)師的能力，卻受限于訓練數(shù)據(jù)的知識截止期和領(lǐng)域針對性不足， 面對精準腫瘤學中動態(tài)更新的知識，常出現(xiàn)推薦滯后、準確性不足等問題，難以直接應(yīng)用于臨床決策 。

近日，來自美國丹娜-法伯癌癥研究所、哈佛醫(yī)學院及麻省理工學院博德研究所等機構(gòu)的 Eliezer Van Allen 團隊，在 Cancer Cell 期刊發(fā)表題為 A context-augmented large language model for accurate precision oncology medicine recommendations 的研究論文。該團隊開發(fā)了一套基于檢索增強生成（retrieval-augmented generation，RAG） 技術(shù)的LLM框架，通過深度整合MOAlmanac這一專家精選的臨床基因組數(shù)據(jù)庫，實現(xiàn)了動態(tài)補充最新臨床證據(jù)的功能，無需修改模型內(nèi)部權(quán)重即可持續(xù)更新治療推薦依據(jù)。 該框架在234條2024年版MOAlmanac合成查詢中達成95%的精確匹配準確率，在 81條來自15位臨床腫瘤學家的真實世界查詢中準確率高達93%，為精準腫瘤學臨床決策提供了高效、可擴展且高度可靠的智能支持工具 。

該研究的核心突破在于構(gòu)建了一套適配精準腫瘤學需求的全流程優(yōu)化方案，從知識補充、數(shù)據(jù)格式到檢索機制均實現(xiàn)針對性創(chuàng)新。在知識動態(tài)更新層面，RAG 技術(shù)通過實時檢索MOAlmanac數(shù)據(jù)庫中的FDA批準療法信息，完美彌補了傳統(tǒng) LLM知識滯后的缺陷。當2025年版MOAlmanac新增大量療法關(guān)聯(lián)后，框架仍能通過數(shù)據(jù)庫同步實現(xiàn)高效推薦，而無需重新訓練模型。在數(shù)據(jù)格式優(yōu)化上，研究團隊對比了非結(jié)構(gòu)化數(shù)據(jù) （如藥物說明書的 “適應(yīng)癥與用法” 章節(jié)文本） 與結(jié)構(gòu)化數(shù)據(jù) （人工整理的生物標志物, 療法和癌癥類型關(guān)聯(lián)條目） 的增強效果，發(fā)現(xiàn)結(jié)構(gòu)化數(shù)據(jù)能更精準捕捉三者間的復(fù)雜邏輯，使模型在前列腺癌同源重組修復(fù)基因 （homologous recombination repair，HRR) 基因突變相關(guān)治療推薦中，精確匹配準確率從非結(jié)構(gòu)化數(shù)據(jù)增強的4%、純LLM的0%提升至63%，同時在 35種癌癥類型、64種基因組生物標志物的廣泛場景中保持穩(wěn)定性能。檢索機制方面，團隊創(chuàng)新采用混合檢索策略，先通過語義檢索篩選出Top50相關(guān)上下文，再利用 Okapi BM25算法進行詞匯相似度重排，通過自適應(yīng)系數(shù)平衡語義與詞匯相關(guān)性，最終在真實世界查詢中較單一語義檢索提升3%-9%的準確率，平均多生成4個部分正確的治療推薦。

研究通過系統(tǒng)實驗揭示了多項關(guān)鍵發(fā)現(xiàn)，為LLM在精準腫瘤學的應(yīng)用提供了重要參考。在提示詞優(yōu)化階段，團隊測試了四種策略：基礎(chǔ)提示詞、范圍限制提示詞、系統(tǒng)角色提示詞及組合提示詞，發(fā)現(xiàn)基礎(chǔ)提示詞 （“請以指定 JSON 格式提供每條治療方案…… 查詢：{prompt}”） 表現(xiàn)最優(yōu)，在Mistral NeMo 12B模型中達成82.9%的部分匹配準確率，顯著優(yōu)于其他三種策略 （69.7%-79.9%） ，且這一優(yōu)勢在GPT-4o、GPT-4o mini等7種不同規(guī)模LLM中均保持一致，其中GPT-4o 在基礎(chǔ)提示詞策略下實現(xiàn)89.3%的部分匹配準確率，成為后續(xù)實驗的首選模型。在模型性能驗證中，結(jié)構(gòu)化數(shù)據(jù)增強的優(yōu)勢貫穿始終：在2025年版MOAlmanac 的651條合成查詢中，結(jié)構(gòu)化RAG-LLM的精確匹配準確率雖因數(shù)據(jù)量擴張降至 59%，但仍顯著高于非結(jié)構(gòu)化增強 （約 47%） 和純 LLM （62%-89% 區(qū)間下限） ，且精準度、F1 分數(shù)分別提升約 90% 和 69%；同時，增加檢索上下文數(shù)量 （從 10 條增至 25 條） 進一步優(yōu)化了模型表現(xiàn)。在真實世界場景中，框架展現(xiàn)出強大的實用性：針對21條驗證查詢和81條測試查詢，涵蓋肺癌、乳腺癌和前列腺癌等多種常見腫瘤及罕見癌癥，混合檢索策略均實現(xiàn)最優(yōu)性能，尤其在處理復(fù)雜臨床場景 （如聯(lián)合治療方案推薦、罕見生物標志物匹配） 時，能有效捕捉細粒度治療決策依據(jù)。此外，研究還探索了框架的泛化能力，整合 CIViC 數(shù)據(jù)庫后，雖整體準確率較 MOAlmanac 增強 （53%-76%） 有所下降 （37%-62%） ，但在10條涉及超適應(yīng)癥或研究性療法的查詢中，表現(xiàn)優(yōu)于MOAlmanac增強模型，證實了框架在不同數(shù)據(jù)庫適配中的靈活性。

該研究構(gòu)建的RAG-LLM框架具有重要的臨床價值與廣闊的應(yīng)用前景。首先，它有效解決了精準腫瘤學知識碎片化的痛點，將分散于不同來源的FDA批準信息、生物標志物關(guān)聯(lián)證據(jù)整合為統(tǒng)一查詢?nèi)肟冢瑴p少醫(yī)生在多個平臺間切換檢索的時間成本。其次，框架降低了精準腫瘤學的應(yīng)用門檻，無需復(fù)雜計算資源即可部署，尤其能為非學術(shù)機構(gòu)的腫瘤科醫(yī)生提供專業(yè)支持。再者，框架具備高度靈活的適配性，可在FDA與EMA等不同地區(qū)監(jiān)管標準間切換，未來整合區(qū)域數(shù)據(jù)庫后有望實現(xiàn)全球范圍內(nèi)的個性化推薦，同時通過bias審計、嵌入校準等方式，可進一步提升不同患者群體間的公平性。值得注意的是，研究也指出了當前的局限性，如部分乳腺癌聯(lián)合治療方案推薦不完全、對無FDA批準療法的場景可能誤推薦超適應(yīng)癥藥物等，未來可通過整合臨床指南、臨床試驗數(shù)據(jù)、電子健康記錄，以及優(yōu)化嵌入模型、引入思維鏈提示詞等方式持續(xù)完善。

https://doi.org/10.1016/j.ccell.2025.12.017

制版人： 十一

學術(shù)合作組織

（*排名不分先后）

戰(zhàn)略合作伙伴

（*排名不分先后）

轉(zhuǎn)載須知

【原創(chuàng)文章】BioArt原創(chuàng)文章，歡迎個人轉(zhuǎn)發(fā)分享，未經(jīng)允許禁止轉(zhuǎn)載，所刊登的所有作品的著作權(quán)均為BioArt所擁有。BioArt保留所有法定權(quán)利，違者必究。

BioArt

Med

Plants

人才招聘

近期直播推薦

點擊主頁推薦活動

關(guān)注更多最新活動！