《Current Research in Translational Medicine》：A Survey on Artificial Intelligence Use for Myeloma and Lymphoma Management
编辑推荐：
Mokeddem Halima|Sliman Layth|Delys Hachemi Nabil|Artabaz Saliha|Alsuliman Tamim利摩斯实验室（Laboratoire LIMOSE），布尔默德斯大学（M’Hamed Bougara University
Mokeddem Halima|Sliman Layth|Delys Hachemi Nabil|Artabaz Saliha|Alsuliman Tamim
利摩斯实验室（Laboratoire LIMOSE），布尔默德斯大学（M’Hamed Bougara University of Boumerdes）理学院计算机科学系，阿尔及利亚
摘要
背景
血液系统恶性肿瘤，尤其是多发性骨髓瘤（MM）和淋巴瘤，由于生物学上的复杂性和患者间的异质性，给临床治疗带来了巨大挑战。尽管诊断和治疗方法有所进展，但在多组学数据的整合、风险分层以及治疗反应预测方面仍存在显著差距。
方法
这篇前沿综述探讨了人工智能（AI）在多发性骨髓瘤和淋巴瘤研究中的应用进展。通过对PubMed、Web of Science、Scopus以及《血液学与肿瘤学杂志》（Journal of Hematology & Oncology）、《白血病》（Leukemia）和《血液》（Blood）等专业期刊中2018年至2024年间发表的文献进行系统检索，经过筛选和全文评估，最终有50项研究符合PRISMA指南的纳入标准（见图1）。这些研究的选取基于其方法学的严谨性和临床相关性。
结果
AI模型在诊断、预后和治疗应用方面展现了强大的能力。单中心研究显示出优异的性能指标，例如骨髓瘤病灶分类的AUC值可达0.99，而多中心验证的结果虽然更为保守，但同样可靠。在这两种疾病中，多模态方法在所有临床应用中都优于单模态模型。尽管取得了这些进展，数据多样性、技术异质性和模型可解释性方面的关键问题仍在研究中。
结论
AI在多发性骨髓瘤和淋巴瘤的管理中显示出变革潜力，尤其是通过多模态整合的方式。要将AI技术应用于临床实践，需要确保透明度、计算效率，并进行符合伦理的验证。此外，临床医生、数据科学家和机构之间的紧密合作至关重要。这些共同努力对于将AI打造成日常血液学诊疗中的可靠工具至关重要。
引言
血液系统恶性肿瘤，尤其是多发性骨髓瘤（MM）和淋巴瘤，由于生物学上的复杂性和异质性，给临床治疗带来了重大挑战。多发性骨髓瘤是一种浆细胞肿瘤性疾病，表现为溶骨性骨病、肾功能障碍和免疫功能障碍[1]。淋巴瘤包含超过80种WHO分类的类型，具有分子和临床上的多样性，因此需要个性化的治疗方案[2]。截至2022年，全球每年新增多发性骨髓瘤病例约18万例，淋巴瘤病例约60万例[3]，这凸显了创新解决方案的必要性。
图1
尽管在诊断技术（如高分辨率流式细胞术[4]、下一代测序[5]和先进成像技术）以及免疫调节剂和CAR T细胞等创新疗法[6]方面取得了显著进展，但在血液系统恶性肿瘤的管理中仍存在诸多挑战。当前的限制包括多组学数据未能充分融入临床实践，现有的预后工具（如多发性骨髓瘤的R-ISS[7]和淋巴瘤的IPI[8]）无法完全反映疾病的异质性，以及治疗反应和耐药机制的预测效果不佳。
人工智能通过先进的机器学习和深度学习方法正在革新血液学和肿瘤学领域。复杂的AI架构，包括随机森林（random forests）和XGBoost等集成方法、图神经网络（graph neural networks），以及卷积神经网络（CNNs）和Transformer等深度学习模型，能够有效处理血液癌症特有的多模态、高维数据。这些AI技术有望自动化诊断流程、优化风险分层系统，并最终实现更加个性化的治疗策略[9]。
本综述对AI在多发性骨髓瘤和淋巴增生性疾病管理中的应用进行了全面评估，系统分析了相关方法、临床结果、现有局限性和未来前景。选择这些疾病作为研究对象，是因为它们的诊断和决策方法具有相似性，例如PET扫描、流式细胞术和分子生物学技术。
本文不仅仅是列举研究结果，还通过评估验证的严谨性、算法偏见以及计算潜力与实际临床应用之间的差距，来判定该领域的成熟度。特别关注了实施过程中遇到的挑战，包括模型可解释性、计算成本和监管要求等问题。分析旨在区分真正具有变革性的临床工具和那些需要进一步验证的技术，从而指导AI技术在血液学实践中的负责任应用。
这篇前沿综述综合了2018至2024年间发表的50项经过同行评审的研究，涵盖了临床肿瘤学、血液病理学和生物信息学领域。研究的选择标准是它们的相关性、创新性和临床意义。本文分为三个部分：首先探讨AI在多发性骨髓瘤的诊断、预后和治疗中的作用；其次将相同的方法框架应用于淋巴瘤，考虑疾病的具体特点；最后进行比较分析，指出共同面临的挑战并提出临床整合的实际策略。
部分摘要
AI驱动的多发性骨髓瘤管理：诊断准确性、预后分层和决策制定的进步
人工智能已成为应对多发性骨髓瘤诊断和预后挑战的创新解决方案。
AI驱动的淋巴增生性疾病管理：诊断准确性、预后分层和治疗决策的进步
将人工智能（AI）应用于淋巴增生性疾病的管理，可以提高诊断精度、优化预后评估并改善治疗策略。
现有证据的批判性分析
首先，我们对综述中的研究报道的性能指标进行了概述，随后对其方法学局限性进行了批判性评估。
结论
血液系统恶性肿瘤，如多发性骨髓瘤和淋巴瘤，具有生物学上的复杂性和异质性，这使得诊断和治疗规划充满挑战。为了探讨AI如何解决这些问题，本文综合分析了50项最新研究。研究结果表明：单中心研究的各项指标非常出色，其中骨髓瘤病灶分类的AUC值可达0.99，淋巴瘤亚型分类的准确率可达99%。在预后任务方面……
