多发性骨髓瘤风险分层怎么做？AI辅助精准治疗决策的关键进展

多发性骨髓瘤治疗方案越来越多，为什么不少患者仍会面临“同样分期、结局却完全不同”的困惑？真正的难点不只是“有什么药”，而是如何做更精准的风险分层、判断复发风险，并为每一位患者选择更合适的治疗强度。对骨髓瘤患者来说，这直接关系到是否可能过度治疗、治疗不足，以及下一步该不该尽早考虑更前沿的方案。

为什么传统风险分层还不够用？

多发性骨髓瘤的风险评估并不是新概念。临床长期使用多种预后模型，把患者大致分为低危、中危和高危。这类工具有重要价值，因为它们帮助医生识别哪些患者更可能进展更快、复发更早，或者需要更积极的治疗。

但患者和家属最容易忽视的一点是：传统风险分层本质上是“群体概率判断”，不是“个人命运预测”。也就是说，某位患者即使被归入低危组，也不代表一定结局好；相反，被归入高危组，也不意味着一定会快速恶化。

这正是临床最现实的痛点：同一风险组内，个体差异仍然很大。如果只依赖群体模型，可能带来两类问题：

• 过度治疗：部分生物学行为相对温和的患者，可能接受了过强治疗，副作用和经济负担增加。
• 治疗不足：部分真正高风险的患者，早期没有被充分识别，错过更积极的方案布局。

对多发性骨髓瘤而言，风险分层之所以重要，是因为它不仅影响预后判断，还会影响治疗路径设计，包括初始方案强度、是否尽早移植、复发后换药节奏，以及是否尽早评估临床研究或新型疗法机会。

AI能给多发性骨髓瘤带来什么？

AI在骨髓瘤中的价值，不是简单替代医生，而是帮助把原本分散的信息重新整合。一个患者的真实风险，往往由多类信息共同决定：

• 疾病生物学特征：如染色体异常、基因异常、亚型差异。
• 临床特征：如年龄、体能状态、器官功能、肿瘤负荷。
• 治疗信息：既往是否耐药、用了哪些方案、疗效持续多久。

如果能把这些信息进行系统整合，再结合大量真实病例进行训练，AI就有机会从“粗粒度分组”走向“个体化预测”。这也是精准医疗在多发性骨髓瘤中的核心方向：不是所有患者都接受一样的治疗，而是尽量让治疗更贴合个人风险与获益。

CORAL-histomorph到底是什么？

CORAL-histomorph是一种用于多发性骨髓瘤研究的新型机器学习模型。它的一个关键思路，是从常规骨髓活检病理图像中提取信息，进一步预测与疾病相关的基因组异常。

这件事为什么重要？因为在现实诊疗中，并不是每位患者都能完整获得全套分子检测结果。部分患者在外院确诊后转诊，资料不完整；部分检测受限于时间、成本或可及性。若AI能够从已有的病理切片图像中推测某些关键基因异常，就可能帮助缩小信息缺口。

这类模型并不只看图像本身。研究方向显示，CORAL-histomorph还试图进一步整合：

• 骨髓活检病理图像；
• 临床资料；
• 治疗相关数据；
• 已知结局数据。

经过大量病例训练后，模型可以围绕两个临床问题提供辅助判断：

1. 这个患者更适合哪种治疗策略？
2. 如果已经计划使用某个方案，预期结局如何，是否有更优选择？

这意味着，AI未来可能不仅参与“分风险”，还可能参与“选方案”。

它是如何从病理图像推测基因异常的？

骨髓活检切片看起来像普通显微镜图像，但其中包含了大量肉眼不易稳定量化的信息。机器学习模型的优势在于，它可以在成千上万张带标签的图像中寻找规律：当某些图像特征反复对应某种分子改变时，模型就能逐渐学会识别这类模式。

简单理解，这个过程包括几步：

1. 先收集大量确诊时的骨髓活检图像。
2. 为这些图像匹配已知的FISH、细胞遗传学或测序结果。
3. 让模型学习“图像特征”和“分子异常”之间的关系。
4. 当输入一个未知分子结果的新病例图像时，模型给出推测。

研究者报告，这一模型在某些任务上的预测正确率超过90%，例如对部分特定异常的识别具有较高准确性。文中举例提到，模型对t（11；14）易位的识别能力表现突出。

对患者来说，这类结果最值得关注的不是“AI很神奇”，而是它可能带来的临床含义：

• 帮助更快识别潜在高风险生物学特征；
• 在检测资料不全时提供辅助线索；
• 为后续补充检查、方案选择和转诊决策提供参考。

但必须强调：这仍是研究工具，不是现阶段可直接替代标准诊断检测的临床常规手段。

现阶段它能直接指导治疗吗？

短答案是：还不能直接作为常规临床决策依据独立使用。

目前，CORAL-histomorph的定位仍然是研究工具。它展示的是一个非常重要的方向：未来多发性骨髓瘤管理，可能不再只依赖单一指标，而是由病理、分子、临床和治疗反应共同构成一个动态的个体化预测系统。

这类AI工具的现实价值，更可能先体现在以下场景：

• 专家中心经验外溢：把大型骨髓瘤中心积累的知识，转化为可推广的辅助工具，帮助病例量较少的中心提高判断一致性。
• 疑难病例再评估：当常规分层无法解释病情进展速度时，AI或许能补充新的线索。
• 临床研究筛选：帮助更快识别特定生物学亚群，便于进入更匹配的研究或前沿治疗路径。

因此，患者需要建立正确预期：AI不是马上替代医生的“自动开药机器”，而是帮助医生更精细地看懂疾病。

为什么骨髓瘤更需要个体化治疗？

多发性骨髓瘤的复杂性，决定了“标准答案”往往不够。虽然新药和新策略不断增加，患者在初治和复发阶段都有了更多选择，但骨髓瘤仍然不是一种已经被普遍治愈的疾病。不同患者对同一方案的反应深度、缓解持续时间、耐药方式都可能不同。

也正因为如此，未来的关键不只是增加药物数量，而是回答以下问题：

• 谁需要一开始就更强的治疗？
• 谁可以在保证疗效的前提下适当减轻治疗强度？
• 谁更可能对现有最佳方案反应欠佳？
• 哪类患者需要尽早考虑新机制药物或临床研究？

这些问题的答案，都离不开更精细的风险分层。

患者最关心的实际意义有哪些？

1. 能不能减少“试错式治疗”

在复发或难治阶段，患者最怕反复换药却始终效果一般。如果AI未来能更准确预测不同生物学类型患者对不同方案的反应，就有机会减少无效治疗，节省宝贵时间。

2. 能不能更早识别高危患者

部分患者表面上并不显得特别危险，但疾病生物学行为更“凶”。如果能通过更个体化的模型提早识别，后续治疗策略就可能更主动。

3. 能不能帮助医疗资源不均地区

并非所有患者都能长期在顶尖骨髓瘤中心就诊。AI工具一旦成熟，理论上有助于把专家经验扩展到更多医院，提高复杂病例识别能力。

传统分层和AI个体化预测有何不同？

对比维度	传统风险分层	AI个体化预测模型
分析对象	患者群体	单个患者
核心依据	固定预后指标和分类标准	病理图像、临床数据、治疗数据等多模态整合
输出形式	低危、中危、高危	个体化风险和潜在治疗建议
优势	成熟、易推广、可重复	更细化，理论上更贴近真实个体差异
局限	组内差异大，难以完全指导个体决策	仍需验证，目前多处于研究阶段
现阶段用途	临床常规使用	研究和辅助探索

研究数据透露了什么信号？

现有信息显示，这项多中心研究纳入了1429名参与者，属于样本量相对可观的探索。研究者报告，模型能够基于骨髓病理图像预测基因组异常，并在部分预测任务上达到超过90%的正确率。

这组数据至少说明了三层含义：

• 第一，病理图像并不只是“看形态”。它可能隐藏了与分子层面相关的可计算特征。
• 第二，AI模型在骨髓瘤中具备可扩展性。如果样本和标签持续增加，模型性能理论上仍有优化空间。
• 第三，风险评估正在从静态分层走向动态决策辅助。未来重点不是只告诉患者“风险高不高”，而是进一步回答“下一步怎么治更合适”。

不过也要冷静看待：研究结果“好”，并不等于已经适用于所有医院、所有人群、所有检测质量条件。患者如果看到类似报道，最稳妥的理解方式是：方向值得期待，但不能替代现有规范诊疗。

骨髓瘤患者现在该怎么用好这些信息？

即使AI工具尚未进入常规临床，患者依然可以把“精准分层”的理念用在现实就医中。真正重要的不是追热点，而是尽量把自己的病情信息补齐。

就诊时优先确认这几类信息

• 病理与骨髓检查结果是否完整；
• FISH或细胞遗传学结果是否明确；
• 是否存在高危分子异常；
• 既往每一线治疗的起止时间和疗效深度；
• 是否已经出现早期复发、难治或多药耐药特征。

这些信息越完整，越有助于医生判断当前风险，也越利于后续寻找更匹配的药物或临床路径。

如果治疗效果不理想，下一步关注什么？

对复发或疗效不佳的患者，最重要的不是盲目追求“最新药”，而是看这个新方案是否适合自己的疾病特征。通常需要综合考虑：

• 是否属于高危或超高危生物学类型；
• 是否对既往核心药物类别已经耐药；
• 骨髓储备、肾功能、感染风险能否承受新治疗；
• 当前目标是快速控病、延长缓解，还是改善生活质量；
• 所在地是否能及时获得相应药物与支持治疗。

很多患者真正卡住的并不是“没有治疗思路”，而是信息差、时间差、可及性差。尤其当海外已有更前沿方案、国内可及性暂时有限时，患者更需要专业的信息梳理与路径评估。

居家管理对长期治疗同样关键

多发性骨髓瘤往往需要长期管理。无论是否进入更精准的分层时代，规范的居家监测都能帮助尽早识别问题。

建议重点观察的症状

• 持续或加重的骨痛；
• 乏力明显、活动耐量下降；
• 感染增多、发热反复；
• 尿量变化、水肿或肾功能恶化迹象；
• 手脚麻木、刺痛等周围神经症状。

日常管理重点

• 按时复查：血常规、肾功能、免疫球蛋白、轻链、M蛋白等指标不能随意中断。
• 重视感染预防：出现发热、咳嗽、排尿不适等情况要及时联系医生。
• 防骨事件：避免跌倒和负重不当，必要时遵医嘱进行骨保护治疗。
• 记录不良反应：包括麻木、腹泻、皮疹、睡眠差、食欲下降等，便于医生调整方案。

精准治疗并不只发生在实验室里，也体现在每次复查、每次症状记录、每次方案微调中。

AI时代，患者该怎样避免误区？

• 误区一：AI能直接给出最优药物
  现实中，任何模型都需要经过验证，且必须结合医生判断、检查质量和患者身体状况。
• 误区二：有了AI就不需要做标准检测
  目前标准病理、FISH、细胞遗传学和必要的分子检测仍然重要。
• 误区三：只要是“精准医疗”就一定更好
  真正有价值的精准医疗，前提是证据可靠、对象匹配、获益明确，而不是概念包装。

骨髓瘤治疗进入“精细化选择”阶段

多发性骨髓瘤已经不是“只有少数方案可选”的时代。真正决定疗效差异的，越来越可能是：是否在合适的时间，把合适的治疗给到合适的患者。AI驱动的风险分层工具，正是在解决这个问题。

对于患者和家属而言，最值得把握的核心不是某一个模型名称，而是新的就医思路：尽早补齐关键检测，重视个体化风险判断，出现疗效不佳或复发时及时评估更前沿的药物与方案，而不是被动等待。

当常规治疗走到瓶颈，或者面对复杂的分层、用药和可及性问题时，专业的信息支持就变得非常重要。MedFind持续关注全球骨髓瘤前沿药物、诊疗指南与研究进展，可帮助患者更高效地理解治疗选择、评估下一步路径；若遇到海外已可及而本地获取困难的抗癌药物，也可进一步了解跨境直邮与辅助问诊服务，尽量把宝贵时间留给真正有效的决策。

【参考文献】

Rajanna AR, Hurtado Martinez JA, Durante M, et al. Individualized treatment risk stratification using histopathology-based genomics prediction in multiple myeloma: A multicenter study in 1429 participants. Blood. 2025;146(suppl 1):4008.

Myeloma: how AI is redrawing the map of cancer care. News release. Miller School of Medicine. December 19, 2025. Accessed March 30, 2026. https://news.med.miami.edu/a-new-lens-on-multiple-myeloma/