成果情况：胃癌治疗过程中存在显著的个体异质性，传统依赖单时间点检测或简单细胞计数的方法难以刻画肿瘤在治疗过程中的动态变化，从而限制了疗效的精准预测。针对这一问题，项目组联合临床团队，构建了涵盖91例胃癌患者纵向液体活检数据的真实世界数据库，包含肿瘤相关循环细胞影像及多项肿瘤标志物指标。在此基础上，提出了动态感知深度学习模型 DAM（Dynamic-Aware Model），通过时间交互与多源特征聚合机制，对多时间点、多模态液体活检数据进行联合建模，实现对治疗反应的精准预测。模型在三折交叉验证中平均AUC达到0.807，在独立测试集上AUC为0.802，显著优于传统细胞计数模型。同时，DAM在仅利用治疗早期数据的情况下仍保持良好预测性能，并通过注意力可视化识别出多项与疗效密切相关的动态视觉特征，增强了模型的可解释性。

科学意义与应用前景：该成果首次系统性地将人工智能用于纵向液体活检数据的动态建模，验证了通过深度学习刻画肿瘤演化过程可显著提升疗效预测能力。在应用层面，DAM模型可为胃癌治疗的早期疗效评估和动态监测提供智能决策支持，有助于临床医生及时调整治疗策略。该“纵向液体活检 + 动态AI建模”的技术范式具备良好的可推广性，为其他实体肿瘤的精准诊疗提供了可借鉴的解决方案。

Zifan Chen, Jie Zhao, Yanyan Li, Yilin Li, Huimin Liu, Xujiao Feng, Xinyu Nan, Bin Dong, Lin Shen, Yang Chen, Li Zhang, Predicting response to patients with gastric cancer via dynamic aware model with longitudinal liquid biopsy data, Gastric Cancer, 2025.

使用动态感知模型（DAM）结合纵向液体活检数据预测胃癌（GC）治疗反应的工作流程

DAM注意力机制和关注区域的可视化分析