共识制定方法

• 共识制定团队和过程
  • 团队构成：编写组（4名医院药学背景专家、1名临床专家），外审专家组（33名：27名医院药学专家、2名AI与信息技术专家、2名临床专家和2名药物研发专家）
  • 文献检索：编写组以多模态数据等为关键词，检索国内外数据库资料，确定编写大纲并撰写初稿
  • 意见审定：外审专家组审阅讨论提出意见，编写组分析修订，将90%及以上专家同意内容判定为推荐意见，经多轮修订形成共识
• 共识使用者及目标人群
  • 使用者：肿瘤领域药学人员、临床医师、科研人员、AI领域技术开发者
  • 目标人群：接受抗肿瘤药物治疗的恶性肿瘤患者及临床研究受试者

预测模型的构建流程

• 明确研究目标
  • 研究对象为肿瘤人群，考虑具体的抗肿瘤药物治疗方案
  • 预测因子为多模态数据，明确结局为ADR类型
  • 研究设计选择真实世界研究、公开数据库等，并明确临床应用场景
• 数据准备
  • 影像组学数据：超声、MRI、CT等，可挖掘反映肿瘤表型的特征与ADR关联
  • 病理组学数据：将病理图像转化为数据，反映肿瘤组织异质性与药物反应
  • 临床病历资料：包含患者多维度变量，对构建模型有重要价值
  • 多组学数据：基因组学、转录组学、蛋白质组学、代谢组学、微生物组学
• 算法框架选择
  • 完全监督学习：含人工处理方法和全监督深度学习，适用于不同规模数据
  • 弱监督学习：利用弱标签数据，在多模态数据融合和文本信息提取中有应用
  • 无监督学习
    • 适用情况：新药或罕见ADR，标注数据少
    • 策略分类：自我监督、完全无监督（聚类、降维、扩散模型等）
    • 推荐意见：目标ADR阳性事件<100例，依目标选自我监督；探索潜在ADR用完全无监督
• 多模态数据融合策略设计
  • 涉及影像组学、多组学、病理组学、微生物组学、临床病历资料
  • 早期融合
    • 定义：预测模型学习前连接不同模态特征
    • 特点：实现简单，损失少；差异大难建层级关系
    • 推荐：强相关低噪声，归一化预处理后选
  • 中期融合
    • 定义：各模态分别提取中间表示，中间层融合
    • 特点：保留独有信息，复杂交互；增加复杂度和噪声
    • 推荐：特定基因影响病理变化，基因组信息指导特征选择后融合
  • 晚期融合
    • 定义：各模态分别训练子模型，决策层合并输出
    • 特点：模块化易解释；交互弱，丢失深层信息
    • 推荐：数据结构差异大，用贝叶斯因子模型联合神经网络，选平均池化等融合方法
• 模型训练与验证：采用内部验证、外部验证
• 可解释性分析：用归因图等方法
• 临床部署：采用Web工具、App等
• 成果发表：包括题目、讨论、方法、结果
• 数据问题处理
  • 同一模态缺失：多重填补法、前移插补法
  • 视图缺失：跨缺失视图网络模型
  • 过拟合：扩大数据集、提高泛化能力

模型验证与可解释性分析

评估维度

• 区分度：区分高低风险人群，指标有接受者操作特征曲线等
• 校准度：预测与实际一致，用校准曲线或HL检验
• 临床实用性：为决策提供指导，决策曲线分析确定阈值
• 推荐：联合报告校准与区分度；先建良性能模型再评估实用性

验证与分析

• 验证策略
  • 内部验证：重采样技术（k折交叉验证、Bootstrap法）
  • 内部 - 外部交叉验证
  • 外部验证：新独立患者数据测试
• 可解释性：归因图、Shapley可加性解释法，提供“临床药学语义级”解释
• 跨学科合作：临床药师、医生、生物信息学专家协作

临床部署

• 部署形式：本地化或混合云，如Web工具、移动端App、CDSS
• 推荐：定期更新数据，再训练与校准模型

推荐意见

• 数据准备
  • 影像组学数据可挖掘高维量化特征与ADR关联
  • 病理组学数据可预测免疫治疗后ADR相对风险
  • 临床病历资料的多维度变量与ADR风险有关
  • 多组学数据从不同层面揭示ADR机制
  • 推荐意见1：样本量和目标ADR事件数满足条件时，整合多模态数据构建模型提升预测能力
• 算法框架选择
  • 完全监督学习
    • 推荐意见2：手工特征提取框架下用随机森林等机器学习算法训练小数据集
    • 推荐意见3：处理影像和病理组学数据，用全监督深度学习如卷积神经网络模型
  • 弱监督学习
    • 推荐意见4：数据仅有“病例级”或“样本级”标签时，用图神经网络等弱监督学习方法
    • 推荐意见5：融合多个异质模态数据且利用先验知识时，优先采用图神经网络模型
    • 推荐意见6：自然语言任务用“Transformer”架构和大语言模型，结合迁移学习优化；结构化数据用极端梯度提升模型
  • 无监督学习
    • 推荐意见：目标ADR阳性事件<100例，依目标选自我监督；探索潜在ADR用完全无监督
• 多模态数据融合策略设计
  • 早期融合推荐：强相关低噪声，归一化预处理后选
  • 中期融合推荐：特定基因影响病理变化，基因组信息指导特征选择后融合
  • 晚期融合推荐：数据结构差异大，用贝叶斯因子模型联合神经网络，选平均池化等融合方法
• 模型验证与可解释性分析
  • 推荐：联合报告校准与区分度；先建良性能模型再评估实用性
• 临床部署
  • 推荐：定期更新数据，再训练与校准模型