用于癌症恶病质早期检测的多模态 AI 驱动生物标志物

癌症恶病质是一种多因素综合征，其特征是进行性肌肉萎缩、代谢功能障碍和全身炎症，导致生活质量下降和死亡率增加。尽管进行了广泛的研究，但目前尚无单一的确切生物标志物，因为恶病质相关指标（如血清生物标志物、骨骼肌测量和代谢异常）通常与其他疾病的表现重叠。现有的复合指数，包括癌症恶病质指数 (CXI)、修改版 CXI (mCXI) 和恶病质评分 (CASCO)，整合了多种生物标志物，但缺乏标准化的阈值，限制了其临床实用性。本研究提出了一种基于多模态 AI 的生物标志物，用于癌症恶病质的早期检测，该方法利用了开源大语言模型 (LLM) 和在医学数据上训练的基础模型。该方法集成了异构患者数据，包括人口统计学、疾病状态、实验室报告、放射学影像 (CT 扫描) 和临床记录，并使用一种能够处理缺失数据的机器学习框架。与以往在精选数据集上训练的基于 AI 的模型不同，该方法利用常规收集的临床数据，增强了在真实世界中的适用性。此外，该模型结合了置信度估计，能够识别需要专家审查以进行精确临床解释的病例。初步研究结果表明，在癌症诊断时整合多种数据模态可提高恶病质的预测准确性。该基于 AI 的生物标志物能够动态适应患者特定因素（如年龄、种族、民族、体重、癌症类型和分期），避免了固定阈值生物标志物的局限性。这种多模态 AI 生物标志物为癌症恶病质的早期检测提供了一种可扩展且临床可行的解决方案，有助于实现个性化干预，并可能改善治疗结果和患者生存率。