2025年11月13日，dailyreporter的一则新闻报道：人工筛选符合临床试验纳入标准的患者过程繁琐，部分合格患者可能在此过程中被遗漏。荷兰格罗宁根大学医学中心的鲁道夫·费尔曼教授指出：“这正是人工智能可以发挥核心作用的地方。”“初步数据表明，人工智能有望改善试验中的患者筛选和入组情况。”2025年欧洲肿瘤内科学会（ESMO）人工智能与数字肿瘤学大会（11月12日-14日，柏林）上公布的一项研究提供了概念验证。该研究中，一款名为MedgicalAI®的人工智能平台借助大型语言模型（LLM），证实对转诊至I期药物研发单元的患者进行自动化资格匹配具有可行性。研究共评估了108名患者，该大型语言模型匹配平台识别出41例真阳性患者和6例假阳性患者，经临床验证，人工智能生成的匹配结果中真正符合条件的比例精准度达87%。研究者表示，人工智能与临床专家的分配决策高度一致，不一致之处主要源于外部限制，例如试验名额availability和临床转诊数据不完整。

专业人士观点

费尔曼指出：“当然，这些发现是在有限数据集上得出的，且研究是在经验丰富的I期临床试验单元开展的。”“观察这类工具如何应对更大规模的数据库，以及后期试验中复杂的纳入和排除标准，将是一件有趣的事。此外，在专业环境之外，例如在可能仅能提供不太全面患者信息的普通临床实践中，它的表现又会如何？”同时，人工智能相比人工筛选的优势程度仍有待评估。他评论道：“该研究表明其与临床专家的筛选结果高度一致，但我们还希望看到它能切实提高研究的患者入组数量和质量。”

关于人工智能的场景应用

基于人工智能的生物标志物在组织病理学领域已日益凸显重要性，深度学习能够识别其中的模式，并将其转化为可操作的见解，应用于多种场景。大会上公布的另一项研究也展示了一种技术，该技术可帮助研究者开展更高效的临床试验，富集早期乳腺癌高风险患者群体（摘要1MO，关键结果见下文方框）。此前数据显示，基于全切片组织学图像和深度学习的DeepGrade（DG）工具，可将诺丁汉组织学分级（NHG）2级样本分为DG2-高危型和DG2-低危型，其中DG2-高危型患者的复发风险更高（《肿瘤学年鉴》2022年；33:89-98）。在当前研究中，对来自瑞典医疗中心的2522例手术切除的雌激素受体阳性/人表皮生长因子受体2阴性NHG2级乳腺癌样本进行切片层面的DG预测，结果显示，肿瘤前沿存在簇状结构的患者预后更佳，其12年生存率高于肿瘤前沿无簇状结构的患者（95.2%对91.0%；p<0.001）。与肿瘤前沿无簇状结构的患者相比，有簇状结构的患者疾病进展风险降低近一半（风险比0.52；95%置信区间0.32-0.84；p=0.007）。

费尔曼总结道：“人工智能驱动的肿瘤学领域发展迅速，其潜力正不断得到证实。但作为肿瘤内科医生，我们现在需要确保这些基于人工智能的工具可靠，且能实现其预期功能——即精准分层。”“在这方面，欧洲肿瘤内科学会制定的《肿瘤学人工智能生物标志物基本要求》（EBAI）等框架恰逢其时，该框架详细规定了人工智能生物标志物恰当验证所需的关键标准。”