近年來，腫瘤成為全球健康的重要議題，腫瘤微環境（TME）在腫瘤細胞的行為中扮演關鍵角色，包括其產生、發展、轉移和消除。隨著大型語言模型等先進人工智慧（AI）演算法的出現，醫學研究進展迅速。這篇綜述探討AI在腫瘤代謝研究中的應用，特別是腫瘤細胞與正常細胞之間的表達差異，並透過代謝組學和TME互動的視角分析這些差異，提供對腫瘤潛在病理機制的深入見解。 PubMed DOI

新療法如免疫檢查點抑制劑和靶向治療，使實體腫瘤的治療變得更複雜。隨著FDA批准速度加快，未來五年可能有更多治療選擇，但高成本卻影響了可及性，擴大了患者間的社會經濟差距。這篇綜述探討基於人工智慧的解決方案，特別是深度學習和大型語言模型在醫學影像和電子健康紀錄中的應用，幫助識別具成本效益的生物標記，並提出整合這些技術進入臨床實踐的步驟。 PubMed DOI

這項研究評估了四種臨床試驗匹配工具（Klineo、ScreenAct、Trialing 和 DigitalECMT）在癌症患者獲取治療創新方面的效果，研究地點為 Centre Leon Berard 的分子腫瘤委員會。分析157名患者後發現，平均每位患者獲得2.19個臨床試驗建議，但38%的患者沒有任何建議。這些工具的精確度和召回率都偏低，分別約為0.33和0.32。使用所有工具可增加26%的試驗選擇，且結合大型語言模型可提升性能5%。研究建議需有專家監督並推動匹配技術進步。 PubMed DOI

這項研究探討如何利用高通量篩選癌細胞株來預測藥物敏感性，並改善抗腫瘤療法。研究人員結合細胞株的轉錄組學和大型語言模型，成功將藥物與其作用機制連結。結果顯示，重要基因與藥物作用機制有顯著關聯，證明模型能有效捕捉影響治療結果的因素。研究還驗證了對胰臟癌和膠質母細胞瘤患者有效的藥物，顯示整合轉錄組數據和建模技術在個性化癌症治療中的潛力。 PubMed DOI

這項研究提出了一個名為ICGI（整合性因果基因識別）的新框架，透過整合多種組學數據來識別與癌症相關的基因。傳統方法常因依賴一般化的相關性而產生偏差，未考慮混淆因素。ICGI利用大型語言模型（LLM），結合因果提示和數據驅動的特徵選擇，提升癌症基因識別的準確性。該框架在《癌症基因組圖譜》中測試了六種癌症的轉錄組數據，表現優於現有方法。此外，還開發了線上平台，讓用戶能輸入基因和癌症類型，自動評估基因的重要性，並提供清晰的解釋。不過，研究也指出目前的LLMs可能無法完全捕捉所有相關信息。 PubMed DOI

早期偵測和介入前癌病變對降低癌症發病率和死亡率非常重要。深入分析基因組、轉錄組、蛋白質組和表觀基因組的變化，有助於理解癌症的早期發展。然而，目前缺乏全面的分子特徵數據資源，限制了我們對前癌過程的了解。 為了解決這個問題，我們推出了前癌分子資源（PCMR），匯集了25,828個前癌樣本的分子資料，並與正常或惡性對照進行比較。這個資料庫涵蓋20個器官和35種癌症類型的前癌病變，並包含轉錄組、蛋白質組和表觀基因組的資訊。PCMR有望成為推進前癌研究和改善病人預後的重要資源。 PubMed DOI

這項研究提出了一個新框架，結合大型語言模型（LLMs）提取的臨床特徵，以改善癌症亞型的分類。傳統方法多只專注於組學數據，忽略了臨床背景的價值。研究利用基於BERT的模型，從病理報告中提取結構化特徵，並與組學數據結合，透過自編碼器增強信息。經過奇異值分解（SVD）和光譜聚類後，結果顯示在六個癌症數據集上表現優於現有方法，強調了臨床特徵在多組學分析中的重要性，並展示了LLMs在精準醫療中的潛力。 PubMed DOI

研究團隊用大型語言模型整理超過10萬筆癌症臨床試驗，建立涵蓋78種癌症和5,315種治療的資料庫，並用推薦系統準確預測有效療法。這方法已獲專家驗證，能協助找出罕見癌症的新治療選項，為資料有限時提供更有依據的治療建議。 PubMed DOI

這項研究開發了MetaSepsisKnowHub，首度整合427個敗血症生物標記和423篇文獻，打造專屬知識平台，協助個人化敗血症臨床決策。結合大型語言模型、RAG和提示工程後，系統在臨床建議的準確度、穩定性和可解釋性都明顯優於傳統LLM。專家評分和用戶滿意度也都很高，展現AI在重症醫療精準化上的新應用潛力。 PubMed DOI

這篇研究指出，利用大型語言模型（LLMs）整合臨床和生物標記資料，能建立虛擬病人「數位分身」，協助罕見婦科腫瘤患者（如轉移性子宮肉瘤）找到更個人化的治療選擇，甚至發現傳統方法沒注意到的治療方式，有望提升治療效果和照護品質。 PubMed DOI