余运芳团队系统阐明生成式人工智能与大语言模型赋能精准肿瘤诊疗的新范式，成果发表于《MedComm》

论文题目：Generative Artificial Intelligence and Large Language Models in Clinical Oncology     

通讯作者：余运芳；伍俊妍等

第一作者：余运芳；谭钰洁等

论文发表刊物：MedComm

【研究背景】

癌症诊疗正进入多模态精准医学时代，电子病历、医学影像、数字病理及基因组等数据快速积累，但不同数据类型高度异质，临床整合与有效利用仍面临挑战。生成式人工智能特别是大语言模型，为跨模态信息整合、临床推理及个体化决策提供了新的技术路径，但其在肿瘤诊疗全流程中的应用证据仍较为分散。

【主要发现】

团队系统梳理了大语言模型、生成对抗网络、扩散模型及多模态基础模型在肿瘤诊断、预后预测、治疗规划、患者管理、药物研发及临床试验等环节的最新进展，指出生成式人工智能能够融合临床文本、影像、病理和组学数据，实现跨模态理解与推理，并正在推动肿瘤诊疗由传统经验驱动向数据驱动的预测性、个体化精准医疗转变。

图1.大语言模型在癌症诊断与治疗中的应用。该图展示了大语言模型（LLMs）在肿瘤诊疗全流程中整合多模态医学数据的核心作用。通过将临床文本、医学影像、病理及组学数据对齐至统一的语义表征空间，LLMs有望提高诊断一致性并支持个体化治疗决策，推动肿瘤诊疗由传统的反应性治疗向预测性和预防性医疗转变，从而提升临床效率、减少诊疗差异，并促进数据驱动的精准医学发展。

【研究意义】

该研究从临床转化角度勾勒了生成式AI赋能精准肿瘤学的发展路径，并指出未来应重点提升模型的可解释性、可靠性、隐私保护、临床适应性与泛化能力。进一步结合多模态基础模型和任务型AI智能体，有望建立具备记忆、推理、规划和执行能力的闭环智能体协同系统，为个体化诊疗、动态随访和临床决策提供可信智能支持。

图2.大语言模型驱动的医学智能体未来应用模式。该图展示了以大语言模型为认知核心的医学AI智能体架构。通过整合记忆（Memory）、规划（Planning）、行动（Action）与工具调用（Tools）能力，并连接电子病历（EMR）、医院信息系统（HIS）、检验信息系统（LIS）及医学影像系统（PACS）等临床数据平台，AI智能体可支持疾病诊断、健康咨询、个体化治疗、随访管理及结局预测，推动形成闭环、动态的人机协同智能诊疗模式。

论文链接:

https://onlinelibrary.wiley.com/doi/10.1002/mco2.70833

阅读二维码：