类器官模型与AI工具推动癌症治疗个体化进展
将患者来源类器官模型与人工智能相结合的新技术，正使研究人员能够预测治疗反应，并以新的方式长期监测肿瘤行为，从而推动个体化癌症护理。AI增强的成像平台可在非侵入、无需标记的条件下评估类器官活性并识别罕见但具有临床意义的耐药相关细胞行为。
类器官已成为在临床相关背景下捕捉脑肿瘤多样性的下一代工具，为个体化神经肿瘤学提供了强有力的临床前与伴随临床平台。这些三维模型可在体外重现肿瘤异质性及关键病理生理过程，同时在构建时间与成本上仍相对高效。
研究人员正在开发机器学习算法，以从肿瘤影像中提取只有人工智能才能真正“看见”的信息。其目标是利用这些信息向肿瘤科医生和患者提供治疗建议。这类AI辅助在存在临床均衡（clinical equipoise）的情形下可能尤为有用——当肿瘤科医生缺乏明确指征判断哪种治疗对某个个体更可能有效时。
肿瘤类器官有效结合了基础细胞系与复杂体内模型的优势，使脑肿瘤的体外（ex vivo）建模在生理上更具相关性。脑肿瘤类器官包括患者来源肿瘤类器官、基因工程类器官以及肿瘤组装体（tumour assembloids），具有多样特征与适用性。原代患者来源类器官可来自多种脑肿瘤类型，使其成为用于功能性读出与精准医疗的优秀体外肿瘤“替身”。
一支欧洲科学家团队宣布了一种经人工智能增强的成像平台，为研究人员提供了新的方式来研究癌症类器官与肿瘤球（spheroids），可对肿瘤模型进行非侵入、无需标记（label-free）的长期（longitudinal）监测。研究人员开发了一套AI增强的光学相干光声显微系统，称为 OC-PAM。
通过3项精心设计的实验，团队证明OC-PAM可对类器官进行长期追踪，评估其对化疗的反应，指示单个类器官的活性，并识别药物耐受的持续存活细胞（persister cells）的替代指标。关键在于，这些能力均以非侵入且无需标记的方式实现。
在长期成像方面，研究人员采用光学相干显微（optical coherence microscopy）模式，观察乳腺癌类器官在接受carboplatin给药化疗后的变化。通过对单个类器官的自动追踪，并结合其平均体积的定量分析，团队评估了模型对治疗的反应。经药物处理的类器官生长速率降低。值得注意的是，其中一小部分出现了与药物耐受持续存活细胞相一致的再生长模式；这类罕见细胞被认为会促成治疗耐药与复发。
除形态学改变外，研究还引入基于放射组学（radiomics）的光学相干显微数据分析，用于评估类器官活性。通过应用机器学习技术，研究人员获得了较高的分类性能，显示该平台在无需破坏样本的情况下长期监测治疗反应方面具有潜力。
在进一步的实验中，团队探索了该系统对罕见细胞群体的敏感性。研究人员使用OC-PAM对含黑色素的黑色素瘤细胞与乳腺癌细胞混合形成的致密三维肿瘤球进行成像。即使在浓度极低时，单个罕见细胞也能被成功可视化。
基因工程类器官使研究人员能够在可控的遗传背景下获得对人类肿瘤生物学机制的洞见。脑肿瘤组装体有助于研究肿瘤细胞在与健康人脑结构相互作用过程中的侵袭与生长。
当某种治疗无效时——这在一部分患者中几乎不可避免——时间会被耗费，患者不得不转入下一线治疗。如果AI能在此提供更清晰的判断，或可帮助肿瘤学达到个体化医疗的新水平。凭借其非侵入、无需标记与长期追踪能力，该系统有望推动癌症生物学研究、加速药物开发，并支持肿瘤学中更为个体化的治疗策略。