英国癌症研究所与都柏林RCSI医学与健康科学大学的研究人员联合开发了一种基于AI的新方法,可用于预测晚期肠癌患者对一种NHS近期批准使用的新药的反应情况。此举旨在帮助数千名患者避免接受对其病情无效的治疗。
仅在英国,每年确诊的晚期肠癌病例接近1万例,且年轻群体的发病率正在明显上升。肠癌的死亡率在所有癌症中位居第二,仅次于肺癌。虽然早期发现的存活率可高达98%,但晚期肠癌患者的五年生存率却可能低至10%。
该研究追踪了117名接受化疗和贝伐珠单抗治疗的欧洲肠癌患者,贝伐珠单抗是一种于去年12月获得NHS批准的药物。该药物通过阻断肿瘤生长所需的蛋白质供应来抑制癌细胞扩散,但仅对部分患者有效,且可能引发血栓、胃肠道问题等严重副作用。
研究团队借助AI工具PhenMap(由"表型"phenotype与"映射"mapping两词合并而成),将患者肿瘤的基因构成等复杂数据进行整合分析。通过追踪不同患者对药物的反应规律,研究人员识别出一组携带相同基因突变、且对药物产生不良反应风险较高的患者群体。基于这一突破性发现,研究团队计划扩大患者样本规模,并进一步探索该研究成果能否应用于其他类型癌症的治疗。
ICR分层与精准医学教授安古拉吉·萨达南达姆表示:"一旦肠癌扩散至身体其他部位,患者可用的治疗选择就极为有限。贝伐珠单抗现已纳入NHS治疗体系,这对患者来说无疑是一个积极信号。然而,我们清楚地知道大多数患者并不会从中获益,这意味着英格兰可能有数千人正在承受本可避免的副作用。此前,我们一直无法提前识别出这些患者。"
"我们的研究运用了先进的AI方法,对大量复杂数据进行整合,帮助我们发现人类肉眼无法察觉的规律,并挖掘出隐藏在患者肿瘤中的关键线索。研究结果表明,这一方法能够帮助我们识别出对贝伐珠单抗治疗反应最差的患者。"
不过,萨达南达姆也坦言,尽管研究结果令人鼓舞,该工具仍需在更大规模的患者群体中进行验证。他表示:"我希望这一方法未来能够转化为临床可用的检测手段,为患者提供个性化的精准治疗,以最大限度地提高抗癌治疗的成功率。"
Q&A
Q1:PhenMap是什么?它是如何帮助预测肠癌患者的治疗反应的?
A:PhenMap是一款AI工具,名称由"表型"(phenotype)和"映射"(mapping)合并而来。它能够整合肿瘤基因构成等复杂数据,追踪不同患者对贝伐珠单抗的反应规律,并识别出携带相同基因突变、对药物产生不良反应风险较高的患者群体,从而帮助临床医生提前判断哪些患者不适合接受该药物治疗。
Q2:贝伐珠单抗对所有晚期肠癌患者都有效吗?
A:并非如此。贝伐珠单抗通过阻断肿瘤生长所需的蛋白质来抑制癌细胞扩散,但仅对少部分患者有效。大多数患者不会从中获益,且该药物可能引发血栓、胃肠道问题等严重副作用。正因如此,研究人员开发了PhenMap工具,以期提前筛查出不适合使用该药物的患者,避免其承受不必要的副作用。
Q3:PhenMap目前能直接用于临床吗?
A:目前还不能直接用于临床。研究团队表示,该工具仍需在更大规模的患者样本中进行验证,现有研究仅追踪了117名患者。研究人员希望未来能将其转化为临床可用的检测手段,为患者提供个性化精准治疗,但这一目标的实现还需要进一步的研究和验证工作。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。