癌癥會不會擴散，新型人工智能模型給出接近80%準確率的答案

癌癥轉移，是這個疾病最難預測、也最致命的環節。

不是所有腫瘤都會擴散。有些癌細胞老老實實待在原發部位，有些則像探險家一樣突破局限，隨血液或淋巴液漂流到肺、肝、骨骼，在陌生的地方落地生根，形成新的腫瘤。而到目前為止，醫學界還無法在早期可靠地判斷一個患者的腫瘤屬于哪一類。

日內瓦大學的研究團隊可能正在改變這一狀況。他們開發的AI工具MangroveGS，在預測結腸癌轉移和復發方面，準確率接近80%，顯著超越現有的所有臨床預測手段，相關成果發表在學術期刊《細胞報告》上。

癌癥不是"失控"，而是"走錯了路"

理解這項研究，需要先扭轉一個常見的認知誤區。

很多人把癌細胞想象成徹底亂套的細胞，隨機突變、毫無章法。但領導這項研究的日內瓦大學遺傳醫學與發育系教授阿里爾·魯伊斯·阿爾塔巴給出了一個截然不同的框架：癌癥更像是一種"扭曲的發育"，而不是純粹的混亂。

人體在胚胎發育階段存在一系列生物程序，控制細胞如何遷移、分裂和定居。這些程序在正常發育完成后會被關閉。但遺傳或表觀遺傳的改變，可能重新激活這些早已沉寂的程序，讓細胞誤以為自己還處于發育早期，開始執行"遷移"的指令，去往不該去的地方。

這意味著，癌細胞轉移不是隨機發生的意外，而是遵循了一套被錯誤激活的生物學邏輯。

找到這套邏輯的"密碼"，就是這項研究的核心出發點。

研究團隊從兩個原發性結腸腫瘤中分離出約30個克隆細胞群，分別在體外環境和小鼠模型中測試它們穿越生物屏障、形成新轉移灶的能力。與此同時，他們測量了這些細胞中數百個基因的活躍程度，并從中發現了清晰的基因表達梯度，即某些基因組合的活躍狀態，與細胞的轉移能力高度相關。

有一個發現頗為關鍵：轉移風險不是由單個細胞獨自決定的，而是取決于腫瘤內部不同癌細胞群之間的相互作用。只盯著一個細胞看，永遠得不出可靠的答案，必須把整個細胞生態放進來考量。

數百條基因特征同時讀取，準確率接近80%

一組具有侵襲性行為的人類結腸癌細胞。細胞核呈黃色，細胞體呈紅色。侵襲性細胞的指狀突起位于右上方區域。圖片來源：Ariel Ruiz i Altaba，日內瓦大學

有了生物學發現，研究團隊進一步將這些基因表達特征"喂"給AI模型，構建出了MangroveGS這套工具。

它的設計邏輯與大多數現有預測模型不同。傳統的基因標志物預測工具，通常依賴少數幾個已知的關鍵基因，就像只看幾道題來判斷一個學生的水平。MangroveGS同時整合數十乃至數百條基因特征，構建出一個高維度的綜合信號，用研究團隊博士生阿拉文德·斯里尼瓦桑的話說，"這使得它對個體差異具有很強的抵抗力"，不會因為某一條基因信號的波動而失準。

經過訓練和驗證，MangroveGS對結腸癌轉移和復發的預測準確率接近80%。這個數字在臨床意義上非常可觀，目前廣泛使用的Oncotype DX等商業基因檢測工具，在同類預測任務上的準確率普遍在65%至70%左右，MangroveGS的提升幅度相當顯著。

更令人振奮的是它的跨癌種潛力。研究發現，在結腸癌中識別出的基因特征組合，對胃癌、肺癌和乳腺癌的轉移潛能同樣具有預測效力。這暗示著人體內不同部位的腫瘤在轉移機制上可能共享某套深層邏輯，而MangroveGS恰好捕捉到了這套跨越癌種邊界的通用信號。

在臨床應用層面，研究團隊設計了一套完整的工作流程：醫院對腫瘤樣本進行RNA測序，生成數據后上傳至加密的Mangrove門戶，系統自動輸出轉移風險評分，結果安全傳送給腫瘤科醫生和患者。整個過程處理匿名數據，兼顧效率與隱私保護。

魯伊斯·阿爾塔巴教授直接指出了這套系統的雙向臨床價值：對低風險患者，它能避免過度治療帶來的副作用和不必要的醫療費用；對高風險患者，它能推動更積極的監測和干預，在癌細胞擴散之前搶先布防。

從一堆基因數字到一個清晰的臨床決策，AI正在成為腫瘤科醫生手邊那盞少了就會看漏的燈。