多模態可解釋 AI 在非小細胞肺癌預測上勝過既有生物標記

一項涵蓋大量病例的國際真實世界研究顯示，在非小細胞肺癌的免疫治療結果預測上，多模態可解釋 AI 模型的表現優於既有的生物標記，同時也改善了醫師的判讀表現。這兩項結果分別指向不同層次的意義。

免疫治療的療效預測長期是臨床上的難題。這類治療對部分患者效果顯著，對另一部分則幾乎無效，而既有的生物標記在區分兩者上的準確度有限；由於治療的費用高昂且可能伴隨副作用，能否事前判斷適用性，直接影響治療決策的品質。

多模態的設計是這項研究的關鍵。單一生物標記只反映腫瘤的某個面向，而治療反應受到基因特徵、腫瘤微環境、影像表現與臨床病史等多重因素共同影響；把這些不同型態的資料整合進同一個模型，理論上能捕捉單一指標無法呈現的交互關係。

可解釋性則是臨床落地的必要條件。醫療決策需要能夠說明理由——對病人、對同儕、也對法律責任；一個只給出機率而無法說明依據的模型，即使準確度再高也難以進入實際的診療流程。模型能指出哪些特徵驅動了判斷，醫師才能將其納入自身的推理中。

「改善醫師判讀表現」這項結果尤其值得注意。它測量的不是模型單獨的準確度，而是人機協作的整體效果；這是更貼近實際應用的評估方式——在臨床上，模型不會取代醫師做決定，而是作為判斷的輸入之一。

後續觀察重點在於前瞻性驗證與不同族群的適用性。真實世界研究提供了重要證據，但模型在不同醫療體系、不同人口特徵與不同資料品質下的表現是否一致，仍需要更多驗證；而從研究成果到臨床常規使用，還須通過法規審查與實務流程的整合。