В рандомизированном исследовании 105 пациентов с резистентным метастатическим раком молочной железы использование искусственного интеллекта для выбора методов лечения привело к более высоким показателям ответа опухоли на терапию, что подтверждает перспективность применения биологических характеристик опухоли для определения методов лечения после того, как стандартное лечение перестает быть эффективным. В двух биологических подгруппах показатели ответа достигли 65% и 70%, по сравнению с 30% и 20% при химиотерапии, выбранной врачом.

Исследование LINUX, результаты которого опубликованы в журнале Cancer Cell, подтверждает эффективность использования искусственного интеллекта для подбора подходящих кандидатов в определенных условиях. Однако уменьшение размеров опухоли не означает, что пациенты живут дольше.

Обзор рандомизированных исследований и наблюдательных исследований, проведенный до октября 2026 года, выявил значительные улучшения для отдельных пациентов со сложными формами рака. Однако он также обнаружил сохраняющуюся проблему с определением причинно-следственной связи: многие успехи обусловлены совместным применением молекулярного тестирования, эффективных лекарств и экспертной интерпретации результатов. При этом не установлено, какой именно дополнительный эффект достигается за счет искусственного интеллекта.

Что именно анализируется в процессе подбора лечения?

Точная онкология изучает особенности, которые могут объяснить, почему рак развивается или сопротивляется лечению. По данным Национального института рака, биомаркерные тесты могут выявлять изменения в ДНК опухоли, активности генов и белках, которые помогают направлять терапию. Для тестирования может использоваться опухолевая ткань или, в некоторых случаях, материал, полученный из раковых клеток и циркулирующий в крови. Обычный анализ крови сам по себе не эквивалентен молекулярному профилю опухоли.

Изменения в опухолях, приобретенные в течение жизни, также отличаются от унаследованных генетических вариантов, что может иметь последствия для родственников. Искусственный интеллект может помочь классифицировать патологические изображения, интерпретировать сложные паттерны экспрессии генов или организовать варианты лечения. Клиницистам по-прежнему приходится учитывать функцию органов, предшествующее лечение, физическое состояние и доступность лекарств. Некоторые системы подбора используют установленные правила и тщательно отобранные данные, а не машинное обучение; называя каждую компьютерную рекомендацию ИИ, мы скрываем то, что на самом деле было протестировано.

Рандомизированные исследования демонстрируют реальные, но специфические преимущества

В исследовании LINUX пациенты имели гормон-рецептор-позитивный, HER2-негативный рак молочной железы, прогрессировавший после применения ингибитора CDK4/6 — класса препаратов, замедляющих деление раковых клеток. Цифровая патология с использованием ИИ позволила отнести опухоли к четырем биологическим подтипам. Исследователи случайным образом распределили 70 пациентов в группу лечения, специфичного для каждого подтипа, и 35 пациентов в группу химиотерапии, выбранную лечащим врачом. Первичным результатом было измеримое уменьшение размера опухоли.

Результаты подтверждают стратегию лечения, но в каждой подгруппе было мало пациентов. Тяжелые побочные эффекты, связанные с лечением, наблюдались у 37% пациентов в обеих группах. Важно отметить, что в ходе исследования были изменены как стратегия, основанная на классификации, так и лекарственные препараты, которые получали пациенты. В нем не проводилось сравнение системы искусственного интеллекта с группой экспертов, выбирающих из идентичных методов лечения, и более высокие показатели ответа не приводят к увеличению общей выживаемости.

Более убедительные доказательства замедления прогрессирования заболевания получены в CUPISCO, спонсируемом компанией Roche, — рандомизированном исследовании II фазы, посвященном неблагоприятному прогнозу при раке с неизвестным первичным очагом, когда место локализации опухоли не удается установить. В обновленных данных за сентябрь 2026 года были рассмотрены 436 пациентов, у которых заболевание было взято под контроль после трех циклов химиотерапии. Молекулярно-ориентированное лечение обеспечило медианную выживаемость без прогрессирования заболевания в 6,1 месяца по сравнению с 4,4 месяцами при продолжении химиотерапии. Выживаемость без прогрессирования заболевания измеряет время до ухудшения состояния или смерти, а не общую продолжительность жизни. Общая выживаемость составила 15,2 против 12,8 месяцев, но эта разница не достигла общепринятой статистической значимости: отношение рисков составило 0,79 с 95% доверительным интервалом 0,61–1,02. Это подтверждает преимущество в контроле заболевания в определенной популяции, а не увеличение выживаемости, специфичное для ингибиторов ароматазы.

Рак поджелудочной железы иллюстрирует как многообещающие перспективы, так и неопределенность

Рак поджелудочной железы представляет собой особенно актуальную проблему, поскольку варианты лечения ограничены, а результаты остаются неудовлетворительными. Анализ данных регистра , показал медианную общую выживаемость в 2,58 года среди 46 пациентов, получавших терапию, подобранную с учетом потенциально значимых молекулярных изменений, по сравнению с 1,51 года среди 143 пациентов с потенциально значимыми изменениями, получавших неподходящее лечение. Это существенная разница, однако исследование носило ретроспективный характер, и лечение не назначалось случайным образом.

Пациенты, имеющие возможность получить подходящие лекарства, могут различаться по состоянию здоровья, доступу к специализированной помощи и возможностям последующего лечения. Статистические сравнения не могут надежно устранить все такие различия. Реестр поддерживает молекулярное сопоставление как многообещающий подход для отдельных пациентов; он не может доказать, что алгоритм сопоставления привел к увеличению продолжительности жизни на один год или что результат применим ко всем случаям рака поджелудочной железы.

В июне 2026 года в исследовании с использованием ИИ были проанализированы 2202 образца опухолей поджелудочной железы на основе данных об экспрессии генов и результатов лечения. В подгруппе стандартного тестирования риска, для которой прогнозировалась благоприятная химиотерапия FOLFIRINOX, пациенты, получавшие этот режим, прожили в среднем 16,0 месяцев, по сравнению с 9,9 месяцами среди тех, кто получал гемцитабин с наб-паклитакселом. Это были ретроспективные прогнозы, а не результаты проспективного назначения лечения с использованием ИИ. Исследователи признали отсутствие клинических переменных, включая функциональный статус и лабораторные показатели. Многие авторы были связаны с компанией Caris Life Sciences, которая предоставила базу данных для профилирования. Полученные результаты требуют проведения проспективных исследований, а не утверждения о том, что использование модели уже продлевает жизнь.

Исследование живых раковых клеток может выявить ранее неизученные возможности

Другой подход заключается в тестировании лекарств непосредственно на раковых клетках пациента. В исследовании EXALT, опубликованном онлайн в 2021 году и в журнале Cancer Discovery в 2022 году, изучались агрессивные формы рака крови после того, как пациенты исчерпали стандартные варианты лечения. В ходе лабораторного исследования клетки подвергались воздействию многочисленных препаратов, использовалась автоматизированная микроскопия и контроль качества изображений на основе машинного обучения, а результаты представлялись междисциплинарному онкологическому консилиуму.

Из 143 обследованных пациентов 56 получили рекомендованное лечение и составили основную аналитическую группу. Тридцать из этих 56, или 54%, оставались без прогрессирования заболевания как минимум в 1,3 раза дольше, чем при предыдущем лечении. Это свидетельствует о пользе для пациента в целом, а не просто о более точном прогнозе. Однако исследование EXALT было одногрупповым, в котором предыдущее лечение каждого пациента использовалось в качестве сравнительного показателя. Выбор и различия между линиями лечения ограничивают возможность делать причинно-следственные выводы, и в исследовании не был выделен вклад машинного обучения из лабораторных исследований и врачебной оценки.

Достаточно правдоподобного биологического соответствия

Отрицательные результаты помогают объяснить, почему подбор оптимального лечения не принес пользы всем. В рандомизированном исследовании SHIVAмолекулярно-таргетированные препараты, используемые вне установленных показаний, не показали значительного улучшения выживаемости без прогрессирования заболевания по сравнению с лечением, выбранным врачом, у пациентов с запущенным раком, прошедших интенсивное предварительное лечение. Медиана выживаемости без прогрессирования составила 2,3 против 2,0 месяцев. Выявление изменения и поиск препарата, воздействующего на тот же сигнальный путь, не привели к надежной клинической пользе.

Исследование, проведенное в Австралии в 2026 году с участием 3383 пациентов с редкими или рефрактерными солидными опухолями, подтвердило важность качества доказательств. Среди пациентов, получавших лечение с биомаркерами, подтвержденными более убедительными клиническими данными, подобранная терапия была связана со средней общей выживаемостью 21,2 месяца по сравнению с 12,8 месяцами при неподходящей терапии. Скорректированное отношение рисков составило 0,60. Подбор терапии на основе менее убедительных доказательств, экстраполированных из других типов рака, не показал такого же преимущества в выживаемости. Поскольку это было наблюдательное исследование, связь остается уязвимой для остаточного влияния искажающих факторов.

Более полная информация не обязательно повлияет на доступность. В рандомизированном исследовании Дана-Фарбер с участием 20 707 пациентов использовался ИИ для выявления вероятного прогрессирования рака и уведомления онкологов о геномно-соответствующих исследованиях. Уровень участия составил 2,20% при наличии уведомлений и 2,03% без них, что является незначительной разницей. Доступные места в исследованиях, критерии отбора, сроки и клинический рабочий процесс оставались препятствиями, выходящими за рамки задачи сопоставления.

Следующий тест — оценка пользы от использования системы

Наиболее обоснованный вывод заключается в том, что подбор биологической терапии улучшил ответ опухоли на лечение и контроль заболевания при некоторых сложных формах рака, а данные наблюдений также подтверждают увеличение продолжительности жизни в отдельных группах пациентов. Искусственный интеллект начинает вносить вклад в успешные стратегии лечения. Рассмотренные данные не подтверждают, что ИИ в целом улучшает выживаемость при трудноизлечимых формах рака, или что добавление ИИ неизменно превосходит опытный молекулярный онкологический консилиум.

Следующие решающие исследования должны в перспективе протестировать стационарную систему искусственного интеллекта в сравнении с соответствующим стандартным лечением, измерить выживаемость, симптомы, качество жизни и токсичность, а также подсчитать всех, кто проходит тестирование. Они также должны сообщать, кто фактически получает рекомендованный препарат. Полезное соответствие должно сохраняться на каждом этапе, от адекватной выборки до доступного лечения; одного лишь прогноза недостаточно для установления пользы для пациента.