癌症治疗预测基础模型 oFM：效果达传统特征 3 倍
研究者基于 167 万名癌症患者的多模态数据训练基础模型 oFM，在治疗响应与生存期预测上显著优于专家特征。
面向精准肿瘤学的基础模型 oFM（oncology Foundation Model）在癌症治疗预测任务中取得显著进展。该研究基于 167 万名真实世界癌症患者的纵向数据，将临床病程轨迹与 DNA、RNA 及 H&E 病理图像等多模态信息进行整合，在 11 个对比治疗队列上预测治疗获益的能力达到传统专家特征的约 3 倍。论文已以预印本形式发布在 arXiv（arXiv:2608.24688）。
模型与数据规模
oFM 以真实世界肿瘤队列为训练基础，覆盖约 167 万名癌症患者，其中超过 100 万名患者的数据用于训练，另有独立划分用于验证与测试。模型将每位患者的日常临床与分子事件编码为时间序列 episode，并与病理图像一起随时间整合，最终输出统一的患者状态嵌入（patient state embedding）。这种设计借鉴了通用领域基础模型对长程、多模态序列的处理思路，但针对医学场景做了纵向时序建模的适配。
关键基准结果
研究团队将冻结的 oFM 嵌入与专家人工整理的临床与分子基线特征进行直接对比。在预后类基准上，oFM 显著提升了多个关键指标的判别力：
- 总生存期（OS）的 AUC 由基线的 0.563 提升至 0.774；
- 治疗响应、无进展生存期等指标同样优于基线；
- 在 11 个对比治疗队列中，oFM 嵌入的池化、尺度归一化治疗获益 AUTOC 约为基线特征的 3 倍；
- 在 11 个队列中的 9 个，治疗获益排序优于基线，并在两个治疗臂内均表现出更强的预后区分能力。
机制发现框架
除预测性能外，研究还提出了一种机制发现框架。该框架可在 oFM 嵌入之上构建下游模型，并通过「证据支撑的时序图」将模型预测与具有临床和生物学依据的机制相联系，从而辅助临床评估与药物开发应用。这意味着 oFM 不仅能给出预测结果，还能为预测结果提供可追溯的生物学解释路径。
意义与局限
对于数据规模庞大、模态异构且时间跨度长的肿瘤学场景，oFM 展示了基础模型范式的迁移潜力：在不针对单一任务微调的情况下，冻结嵌入即可在多项预后与治疗获益预测任务上超越人工整理的特征。然而，该模型仍需在前瞻性临床队列中进一步验证，并评估其在不同医疗系统、不同人群中的泛化能力，距离真正的临床落地仍有距离。