這個IF=43.4的醫學期刊，對這樣的AI相關論文更感興趣！

2025年10月，《Journal of Clinical Oncology》（JCO，IF=43.3）發表了一篇文章，表示歡迎人工智能（AI）相關論文投稿，并詳述了感興趣的研究內容。

原文鏈接：https://ascopubs.org/doi/10.1200/JCO-25-01939

JCO接收AI相關稿件，關注的關鍵問題

1. 能否指導治療決策？（不僅僅是預測結果）

2. 是否經過外部驗證？（是否在AI工具開發機構以外的機構進行過測試）

3. 患者人群是否具有代表性？（人口統計學特征、疾病分期等信息均已報告）

4. 臨床醫生能否理解并采取行動？（有清晰的實施路徑）

5. 是否優于現有標準？（與現有工具或臨床醫生的判斷相比）

01

JCO會如何審閱AI相關文章？

在腫瘤學領域，AI應用大致可分為兩類：

預測性AI：根據輸入數據預測特定結局。例如，用于預測治療效果、生存結局或疾病進展風險的模型。

生成式AI：基于學習模式創建新內容或數據的系統。例如，臨床文書撰寫、試驗方案生成、或為研究目的創建合成數據等。

當前或新興的腫瘤學相關AI工具涵蓋廣泛領域：從基于病理學的預測性生物標志物（用于預測治療效果或總生存期），到提升臨床試驗匹配與入組效率的生成式人工智能系統。盡管JCO接收的大多數AI研究聚焦于特定癌種或治療類別，但某些方法論與編輯標準適用于所有AI應用領域。

為確保AI論文同時符合嚴謹的方法學標準和臨床相關性準則，JCO的編輯審稿流程納入了專業評審機制。所有送審的AI稿件均需經過具有AI方法論和/或特定疾病臨床專業知識評審專家的雙重評估。這種雙重評審機制確保發表的研究既具備技術嚴謹性又具有臨床意義。

02

JCO的AI投稿重點方向

盡管JCO會考慮所有能指導臨床實踐的AI相關投稿，但是特別鼓勵在以下方面能推動腫瘤學AI領域發展的研究。下表列出了JCO的重點關注領域。

推薦的優先關注領域

編輯部推薦的實踐規范

臨床影響

可指導治療選擇：優先考慮可指導治療決策的預測算法，優于預后算法。

例如，AI預測轉移性非小細胞肺癌（NSCLC）患者對免疫治療單藥治療與免疫治療聯合化療的應答情況，用以指導個體化治療方案選擇。

使用可解釋和可說明的方法：

將統計值（如c-index、校準度）轉化為具有臨床意義的解釋（如需治療人數、絕對風險降低）；

使用可視化圖表和/或信息圖來說明AI技術的潛在臨床益處。

代表性和普適性

多樣化的訓練集和驗證方式；

發布代碼和源數據；

確保研究結果在不同人口統計學和臨床特征人群中具有普適性和可重復性。

例如，評估算法在相關亞組中的差異性表現

完整描述訓練集和驗證集的人口統計構成；

在論文中公開源代碼和數據集；

確保訓練集反映異質性患者群體，并報告潛在的代表性不足問題；

在可行范圍內評估模型在各臨床相關亞組中的性能表現。

充分

驗證

在可靠的數據集中進行多機構驗證；在不同醫療場景下進行的外部驗證，確保了AI工具穩健性。

例如，采用TCGA、UK Biobank等標準化的多元數據集，輔以注冊登記數據庫與臨床試驗數據集進行驗證

整合來自多個獨立機構的驗證數據集；

在模型開發時未使用的完全獨立數據集中評估模型的性能表現；

在臨床中進行前瞻性評估，而非進行回顧性分析；

將AI性能與既定基準和/或專家臨床醫生的表現進行比較。

實施可行性

在腫瘤工作流程中進行嚴格評估：評估AI工具對臨床結局、工作流程效率和臨床醫生滿意度的影響。

例如，肺癌檢測AI系統在準確率與放射科醫生相當的前提下，使假陽性率降低11%。

開展規范注冊、遵循標準臨床試驗報告規范的前瞻性或隨機臨床試驗

真實世界部署和實施：來自真實世界的實施證據可以彌合從實驗室到臨床的轉化鴻溝。

例如，開展研究探索醫生的接受度、工作流程整合情況、有效應用AI所需的培訓要求等。

在異質性人群中開展基于問卷調查及混合方法的研究

03

JCO推薦的AI投稿實踐規范

JCO鼓勵任何AI相關稿件，但會優先考慮符合以下原則，能夠闡明臨床影響力的稿件：

模型可解釋性與臨床相關性

• 可解釋性：鼓勵作者采用可解釋的AI方法（要認識到現有的AI方法存在局限性），可創建可視化圖表，清晰展示影響預測結果的關鍵特征。

• 臨床轉化：將技術輸出轉化為有臨床意義的解讀（例如，能夠避免不必要的活檢，可實現精準診斷等），而非僅呈現統計指標。需要注意的是，醫護人員或患者的工作量、經濟負擔及其他效率指標也都具有臨床意義。

可重復性與透明度

• 代碼與數據可及性：雖非錄用稿件的必要條件，但期刊鼓勵作者通過存儲庫公開源代碼、數據及驗證數據集的訪問權限，以確保研究結果的外推性驗證。

• 完整記錄方法學：詳細說明數據來源、預處理技術（如數據清洗/整理、特征選擇、降維處理等）、模型架構及訓練方案。

• 描述數據集特征：完整說明訓練集與驗證集的人口學構成、機構來源及潛在偏倚。

• 明確模型局限性：明確討論AI工具可能表現不佳的應用場景。

嚴格驗證與評估

• 多機構測試：使用來自不同機構、覆蓋不同患者群體的數據集進行驗證，在可行的基礎上系統評估模型在相關亞組中的性能表現。需注意：僅能在單一地區或機構完成驗證的研究需要滿足：（1）具備顯著方法學創新或臨床價值；（2）在討論部分明確說明跨機構或外推性的潛在挑戰。

• 獨立數據集驗證：理想情況下，應在模型開發時未使用的完全獨立數據集中驗證性能。若不可行，需采用AI領域公認的最佳實踐進行交叉驗證。

• 前瞻性評估：鼓勵在真實臨床中前瞻性評估AI性能，采用貼合實際應用的實效性試驗設計（如整群隨機分配）。

• 對比評估：AI性能需與既定臨床標準和/或臨床專家的表現進行比較。

遵循既定標準

• 報告規范：遵循現有的AI專項報告規范，如針對AI的TRIPOD、PROBAST、CONSORT等報告規范。

• 數據合規：確保符合國家頒布的隱私法規。

• 商用AI模型：鑒于很多AI創新來自企業，JCO接受商用AI工具的投稿。事實上，高質量AI開發所需的大量計算基礎設施與數據集只能從商業部門獲取。JCO鼓勵產學研合作，嚴謹開發與評估AI模型，但需披露資金來源、商業利益等潛在利益沖突。

• 利益沖突披露：報告潛在的利益沖突，包括資金來源和商業利益等。

此后，JCO系列期刊會推出一系列相關文章，闡釋AI核心概念并提供基礎知識，幫助讀者批判性評估和應用AI工具。內容將涵蓋創新方法（如基礎模型、多模態數據融合）、算法偏倚及倫理問題。

近年來，JCO子刊，如《 JCO Clinical Cancer Informatics》、《 JCO Precision Oncology》，已發表多項高質量AI研究，且讀者群體不同于主刊。作者應知悉，部分投往JCO的優秀AI相關稿件，可能會根據內容分至更合適的子刊。

參考文獻：J Clin Oncol 43, 3434-3438(2025).DOI:10.1200/JCO-25-01939