研究提示：AI癌症病理工具或依赖视觉“捷径”；立体定向放疗改善脑转移患者结局
华威大学发表在《Nature Biomedical Engineering》的研究指出，部分AI病理系统可能利用统计相关性的“捷径”，而非真正的生物学信号，从而限制其在真实世界医疗中的可靠性。另一项Ⅲ期随机试验显示，stereotactic radiation较hippocampal-avoidance whole brain radiation可改善多发脑转移患者的症状与生活质量，且高级别不良事件发生率相近。
人工智能工具被开发用于直接从显微镜图像预测癌症生物学特征，但英国华威大学（University of Warwick）发表在《Nature Biomedical Engineering》上的新研究指出，这类工具可能依赖隐藏的“捷径”，而非真实的生物学信号。研究结果引发担忧：部分AI病理工具目前对真实世界的患者照护而言仍不够可靠。
研究人员分析了4种主要癌症类型——乳腺癌、结直肠癌、肺癌和子宫内膜癌——的8,000余份患者样本，并比较了主流机器学习方法的表现。尽管这些模型在“表面”准确率上往往表现突出，但团队发现，其中相当一部分来自统计学“捷径”。
例如，模型可能并非在识别与癌症相关的 BRAF基因 中的突变，而是学到BRAF突变常与另一临床特征——如 微卫星不稳定性（MSI）——同时出现。随后，系统会利用这组线索的组合来预测BRAF状态，而不是学习BRAF本身的因果信号。这意味着只有当这些生物标志物（biomarker）同时出现时，预测才“看起来准确”；一旦不再共现，模型就会变得不可靠。
当在分层的患者亚组内评估AI模型表现时——例如仅在高级别乳腺癌或仅在MSI阳性肿瘤中——准确率明显下降。这揭示出：在控制混杂因素后，模型所依赖的“捷径”信号会消失，从而导致性能下滑。
在某些预测任务中，深度学习相较于由人类提炼的临床信息，其性能优势并不显著。AI系统在预测生物标志物时的准确率略高于80%，而仅使用肿瘤分级这一指标（病理科医师已常规评估）时，准确率约为75%。
机器学习方法仍可在研究、药物开发候选物筛选，以及临床分诊、筛查或辅助决策支持方面发挥价值。然而，研究者认为，未来的AI工具必须超越基于相关性的学习，转而采用能明确建模生物学关系与因果结构的方法。他们还呼吁在考虑将其部署于常规医疗之前，建立更严格的评估标准，包括开展亚组测试，并与简单的临床基线进行对比。
在另一项聚焦脑转移治疗的独立研究中，美国4家中心开展的一项Ⅲ期随机临床试验发现，针对单个肿瘤的 stereotactic radiation 相较于 hippocampal-avoidance whole brain radiation，可改善症状严重程度并减少其对日常功能的干扰。
在196例随机入组患者中（平均年龄61岁；女性129例[66%]；白人176例[90%]；脑转移中位数14个[IQR，11-18]；既往接受神经外科切除者49例[25%]），共有83例（42%）完成了6个月评估。入选患者需有5-20个脑转移灶且既往未接受脑部定向放射治疗。入组时间为2017年4月11日至2024年5月17日（最终随访：2025年3月18日）。
针对主要结局，在基线至基线后评估并随访至6个月期间，stereotactic radiation使加权复合 MD Anderson Symptom Inventory–Brain Tumor score 从2.69降至2.37（平均变化−0.32）；而hippocampal-avoidance whole brain radiation使该评分从2.29升至3.03（平均变化0.74）（平均差−1.06 [95% CI，−1.54至−0.58]；P < .001）。该量表范围为0-10，评分变化范围为−10至10，其中−10代表最佳结局。临床意义差异定义为0.98。
与治疗相关的3-5级不良事件在stereotactic radiation组为12例（12%），在hippocampal-avoidance whole brain radiation组为13例（13%）；1-3级疲劳最常见（分别为27例[28%] vs 43例[44%]）。
该试验注册号为ClinicalTrials.gov Identifier：NCT03075072。