基于多模态数据的人工智能方法预测抗肿瘤药物不良反应专家共识

发布：辽宁省生命科学学会临床药学与转化药学分会；刊载《中国药房》2026，37 (9)；证据截止 2026‑02。 ⚠️仅供医学学习，不替代临床诊疗；AI 仅作为辅助工具，临床决策仍由医师、药师完成中国药房。 核心定位：规范多模态 + AI构建抗肿瘤药物不良反应（ADR）预测模型全流程；面向肿瘤临床医师、临床药师、AI 算法研发人员；覆盖化疗、靶向、免疫、ADC 等各类抗肿瘤药物毒性预测场景中国药房。

一、基本概念与多模态数据构成

1. 多模态数据：整合多种来源、不同类型临床与组学数据，用于 ADR 风险建模中国药房

• 结构化电子病历：人口学、ECOG、合并症、既往治疗、实验室检验、用药记录、生命体征；
• 非结构化文本：病程记录、护理记录、出院小结（NLP 自然语言处理提取毒性信息）；
• 医学影像：CT/MRI/ 病理影像组学特征；
• 多组学：基因组、转录组、UGT1A1 等药物代谢基因、免疫组学；
• 可穿戴设备：心率、体温、活动度等时序生理数据。

2. 任务类型
   • 事前预测：治疗前预判发生某类 ADR（中性粒细胞减少、免疫相关不良反应、迟发性腹泻、心脏毒性等）风险高低；
   • 事中预警：治疗周期内早期识别 ADR 发生信号；
   • 事后挖掘：发掘新药罕见、未知不良反应信号中国药房。
3. 共识强调：AI 预测不能替代 CTCAE 标准毒性评价，不能直接自动修改抗肿瘤药物处方、剂量，仅作为风险分层辅助工具中国药房。

二、完整建模全流程（共识标准流水线）

8 步标准流程：明确研究目标→数据准备→算法框架选择→多模态数据融合策略→模型训练与验证→可解释性分析→临床部署→成果发表中国药房。

1. 明确研究目标

1）预先定义：目标人群、抗肿瘤药物方案、目标 ADR 类型、CTCAE 分级、发生时间窗口； 2）明确模型用途：治疗前风险分层 / 住院实时预警 / 药物警戒信号挖掘； 3）考虑模型迭代能力：抗肿瘤药物方案更新快，静态模型需持续更新维护中国药房。

2. 数据准备与治理（核心推荐意见）

1. 数据纳入：多来源多模态数据；统一 ADR 标签，优先采用 CTCAE5.0 标准标注不良反应；
2. 缺失值处理：不简单直接剔除缺失样本；优先多重填补、基于模型填补；避免引入选择偏倚；
3. 不平衡数据集：ADR 事件常为少数样本，推荐过采样、欠采样、损失函数加权；罕见 ADR（阳性事件＜100 例）优先自我监督学习；
4. 伦理隐私：去标识化；遵循医疗数据合规，多中心研究优先考虑联邦学习，原始数据不出院；
5. 数据划分：严格时间划分，不简单随机拆分；训练集、内部验证集、独立外部多中心测试集必不可少中国药房。

3.AI 算法框架选择

1）监督学习（标签充分）：随机森林、XGBoost、CNN、Transformer；适合已知、样本充足 ADR 预测； 2）弱监督学习（标签不完整，仅病例级标签）：多实例学习、图神经网络 GNN；适合电子病历自由文本提取毒性； 3）无监督 / 自监督学习（罕见 ADR、标签极少）：聚类、降维、迁移预训练；用于挖掘未知不良反应信号；

共识：不追求算法越复杂越好；临床场景优先兼顾性能 + 可解释性，慎用纯黑箱深度模型直接落地临床中国药房。

4. 多模态数据融合策略

分 3 种主流融合模式：

1. 早期融合：各模态特征先拼接再输入模型；适合模态维度相对简单；
2. 中期融合（特征层融合，临床最推荐）：各模态先独立提取特征，再进行特征融合；适配电子病历、影像、组学异构数据，本共识优先推荐；
3. 晚期融合（决策层融合）：每个模态单独训练子模型，再融合各模型输出结果；适合不同模态数据质量差异大的场景中国药房。

注意：不同模态数据质量差异大，要做模态质量评估，低质量模态不应强行纳入，避免拉低整体性能。

5. 模型训练、验证与评价指标

1. 验证范式：内部交叉验证 + 独立外部多中心前瞻性验证；单中心回顾模型不建议直接投入临床；
2. 评价指标：除 AUC‑ROC，重点看灵敏度、特异度、阳性预测值 PPV（临床更关注）；
3. 报告遵循：TRIPOD‑AI、CONSORT‑AI 规范；区分回顾性、前瞻性结果；
4. 必须评估模型偏倚：不同年龄、性别、合并症亚组性能，防止模型在少数人群失效。

6. 可解释性分析（XAI，强制要求）

临床转化关键，拒绝不可解释黑箱直接上线。

1. 工具：SHAP、LIME 等；输出：哪些特征驱动该患者高风险；
2. 输出内容：告诉临床医生 “模型判断为高风险的关键因素”，如 UGT1A1 基因型、基线胆红素、既往严重骨髓抑制史；
3. 要求：模型输出必须附带解释，无解释的深度学习模型不建议用于临床辅助决策协和医学杂...。

7. 临床部署实施要点

1. 定位：人在回路（医生‑药师在环）；AI 输出风险分层，不能自动开具医嘱、自动减药停药；最终处置由临床人员完成科学网。
2. 部署模式：
   • 治疗前：风险筛查工具，对高风险患者加强监测、提前预防；
   • 治疗中：HIS 系统内预警弹窗，提醒医护重点关注；
3. 上线后持续监控：模型性能漂移监测；新药、新方案出现后及时迭代更新版本；版本可追溯。
4. 使用者培训：医生药师需要了解模型适用边界、假阳性 / 假阴性风险。

8. 成果发表

完整报告数据集来源、融合策略、验证方式、局限性，明确标注仅为辅助工具，非临床金标准中国药房。

三、典型临床应用场景

1. 化疗毒性预测：伊立替康迟发性腹泻、铂类呕吐、紫杉醇周围神经病变、化疗后中性粒细胞减少；整合检验、UGT1A1 基因、既往毒性、电子病历文本。
2. 免疫检查点抑制剂 irAEs 预测：免疫性心肌炎、免疫性肺炎、免疫性肠炎；整合临床特征、影像组学、免疫组学。
3. 靶向 / ADC 药物毒性：CLDN18.2 靶向胃黏膜损伤、HER2‑ADC 间质性肺病等风险分层。
4. 药物警戒信号挖掘：从真实世界多模态数据发现罕见、迟发的未知不良反应。

四、现存主要挑战（共识重点阐述）

1. 数据异质性：不同医院电子病历术语不统一；非结构化文本标注成本高；影像、组学并非所有患者均有；
2. 样本不平衡：严重 ADR、罕见毒性病例少；
3. 模型泛化难题：单中心回顾模型经常外部验证性能明显下降；前瞻性多中心验证严重不足；
4. 黑箱问题：复杂深度学习解释困难，临床信任度不足；
5. 模型漂移：新药、新治疗方案不断出现，静态模型会逐步失效；
6. 合规伦理隐私：多中心数据共享困难，联邦学习为重要解决路径；
7. 区分：模型预测≠真实发生；存在假阳性、假阴性，不可完全替代严密临床观察。

五、核心共识推荐摘要

1. 抗肿瘤药物 ADR 的多模态 AI 预测完整流程：明确目标‑数据治理‑算法选型‑多模态融合‑训练验证‑可解释‑部署‑迭代发表；中期（特征层）融合为多数临床场景优先方案中国药房。
2. 数据治理：重视缺失值、样本不平衡；优先时间集划分；独立外部多中心验证是走向临床必要条件，单中心回顾模型不可直接用于临床。
3. 罕见 ADR 阳性样本不足（＜100 例），优先自监督、迁移学习，不强行监督训练。
4. 可解释性是临床落地硬性条件，必须输出驱动风险的关键临床特征，不接受无解释的黑箱模型直接上线。
5. 临床部署坚持“人在回路” 原则：AI 仅输出风险分层与预警，不能自动完成处方修改、剂量调整，全部处置由临床医师药师决策。
6. AI 预测不能替代 CTCAE 不良反应评价标准；上线后持续监控模型漂移，随新药新方案迭代更新。
7. 多中心合作优先考虑联邦学习，兼顾模型训练与患者数据隐私安全。
8. 现有多数模型仍处于研究阶段，真正经过前瞻性临床验证的落地工具仍较少，应理性看待 AI 预测结果