从传统机器学习到新兴基础模型：整合多模态数据推动肿瘤学研究范式变革的综述

《ARTIFICIAL INTELLIGENCE REVIEW》：From classical machine learning to emerging foundation models: review on multimodal data integration for cancer research

为应对癌症研究中多模态、异质化数据整合与深度分析的挑战，WuLabMDA团队系统综述了从传统机器学习到基础模型（FMs）的策略演变。该研究梳理了用于癌症亚型分类、生物标志物发现、治疗指导和预后预测的方法框架与开源资源，展望了大规模预训练模型将如何革新肿瘤学。这项首个系统性绘制肿瘤学多模态数据整合技术路线图的综述，为下一代人工智能模型奠定了基础，相关资源已在GitHub开源。

　　

在精准医疗的时代浪潮下，癌症研究正经历一场数据驱动的深刻变革。从基因组学到蛋白质组学，从医学影像到临床指标，各种模态（modalities）的数据如潮水般涌现。然而，这些数据不仅是“大数据”，更是“复杂数据”——它们来源各异、结构不同、尺度不一，犹如一堆需要特殊解码器才能拼合的信息碎片。传统的分析方法常常顾此失彼，难以从这些异构（heterogeneous）数据中提取出连贯、可指导临床行动的深刻洞见。如何打破数据壁垒，实现多模态数据的深度融合，从而更精准地发现癌症的“阿喀琉斯之踵”，例如关键的生物标志物（biomarker），为患者制定个性化的治疗方案，已成为横亘在研究者面前的重大挑战。

与此同时，人工智能领域正掀起一场由基础模型（Foundation Models, FMs）引领的革命。这些基于海量数据预训练而成的大型深度学习模型，就像一个通晓多种“数据语言”的全能大脑，能够为各式各样的下游任务提供强大的通用表征能力。这为破解肿瘤多模态数据整合难题带来了全新的可能。那么，在癌症研究这个具体战场上，从经典的机器学习（Machine Learning, ML）到新兴的基础模型，技术路线究竟是如何演进的？现有的整合策略有哪些？未来的方向又在何方？为了系统回答这些问题，一篇题为《From classical machine learning to emerging foundation models: review on multimodal data integration for cancer research》的综述论文在《ARTIFICIAL INTELLIGENCE REVIEW》上发表，旨在绘制一幅从传统方法到前沿AI模型的技术发展全景图。

为了完成这项全面的综述，研究人员主要采用了文献系统回顾与归纳分析的方法。他们广泛检索并梳理了肿瘤学多模态数据整合领域的相关研究，重点考察了用于癌症亚型分类、生物标志物发现、治疗指导和预后预测等方法论框架、验证协议以及开源工具资源。研究特别聚焦于多组学数据（multi-omics）与先进医学影像数据的整合所面临的挑战与解决方案，并对当前公开可用的多模态数据资源库（repositories）和先进的整合工具进行了识别与总结。

研究结果

1. 多模态整合策略的演变：从传统ML到DL与FMs

研究系统回顾了数据整合策略的发展脉络。早期传统机器学习方法通常依赖于特征工程（feature engineering）和早期的融合策略。随着深度学习兴起，模型能够自动学习更具判别性的特征表示，并催生了更灵活的中期与晚期融合架构。而当前，基础模型以其在大规模数据上预训练获得的强大通用能力，正成为构建下一代多模态癌症分析模型的核心支柱（backbone）。

2. 核心应用场景与方法框架

综述深入探讨了多模态整合在肿瘤学中的四大核心应用：癌症亚型分类（cancer subtype classification）、生物标志物发现（biomarker discovery）、治疗指导（treatment guidance）和结局预测（outcome prediction）。针对每个场景，文章分析了主流的方法论框架，包括不同数据融合（如早期、中期、晚期融合）策略的优劣，以及相应的模型验证协议。

3. 公开资源与先进工具

研究识别并汇总了当前可公开获取的多模态数据资源库，为社区研究提供了宝贵的数据基础。同时，文章也梳理了用于实现多模态数据整合的先进计算工具与方法，涵盖了从数据处理、特征对齐到模型构建的全流程。

4. 挑战与未来方向

文章明确指出，尽管取得了显著进展，但整合多组学与影像数据仍面临数据异质性、标注稀缺、模型可解释性以及计算资源需求等多重挑战。当前最先进的整合方法为开发下一代大规模预训练模型奠定了必要的基础，这些模型有望进一步推动肿瘤学的变革。

结论与讨论

该综述的核心结论在于，它首次系统性地绘制了肿瘤学领域多模态数据整合从传统机器学习迈向先进基础模型的技术转型路线图。文章论证了，当前最先进的整合方法不仅是解决现有问题的工具，更是迎接大规模人工智能（AI）模型时代到来的基石。基础模型通过其强大的表征学习和迁移能力，为克服多模态数据在规模、异质性和复杂性方面的挑战提供了革命性的新途径。这项研究的意义在于，它为研究人员提供了一个全面的知识图谱，既总结了现有的方法、资源与最佳实践，也前瞻性地指明了未来的研究重点与发展方向——即开发和利用更大规模、更通用的预训练基础模型，以实现对癌症更深刻、更精准的理解，最终推动诊断、治疗和预后管理的全面个性化。相关工作与资源已在项目GitHub仓库（https://github.com/WuLabMDA/Medical-Foundation-Models）中开源，以促进该领域的协作与发展。