סקירה מקיפה שפורסמה לאחרונה ב פרמקולוגיה מולקולרית נוכחית (2026, כרך 19, עמודים 85-96) בוחן את הנוף המתפתח במהירות של כלים חישוביים לחיזוי עמידות לתרופות גידול. בראשות Jia Wang, Hong-Ri Zhu והמחברים המקבילים Zhi-Chun Gu ו-Hou-Wen Lin מבית הספר לרפואה של אוניברסיטת שנגחאי Jiao Tong, המאמר ממפה באופן שיטתי את האופן שבו בינה מלאכותית – במיוחד מכונה ולמידה עמוקה – רתומה לשילוב נתונים רב-אומיתים ממאגרי TC בקנה מידה גדול ומאגרים גדולים של GD SC. גישות אלו מסייעות בפענוח מנגנוני עמידות על פני כימותרפיה, טיפול ממוקד ואימונותרפיה, ובמקביל גם מצביעות על מימדים חיזויים חדשים כגון פקקת הקשורה לסרטן.
המחברים מדגישים כי מסדי נתונים סטנדרטיים וצינורות עיבוד מקדים מתוחכמים חיוניים כעת להפיכת נתונים גנומיים, תעתיקים וקליניים הטרוגניים לתשומות מודל אמינות. עם זאת, הם מזהירים שדלילות הנתונים, השפעות אצווה ואופי ה"קופסה השחורה" של מודלים רבים של למידה עמוקה נותרים מחסומים מהותיים לאימוץ קליני. "הפשרה המובנית בין דיוק המודל ופרשנות מערערת את אמון הרופאים ומגבילה את האימוץ בעולם האמיתי", מציין ד"ר גו. כדי להתייחס לכך, הסקירה דוגלת במסגרות AI הניתנות להסבר, אסטרטגיות היתוך רב-מודאליות ושילוב של ניטור דינמי של ביופסיה נוזלית כדי ללכוד התפתחות התנגדות בזמן אמת.
במבט קדימה, הצוות קורא לשינוי פרדיגמה לעבר כלים מיוחדים עבור תת-קבוצות בסיכון גבוה, במיוחד חולים עם פקקת הקשורה לסרטן. על ידי שילוב חתימות הקשורות לקרישה וסמנים פקקים אורכיים, מודלים מהדור הבא הללו יכולים להציע תחזיות ניתנות לפעולה המנחות טיפולים משולבים נגד סרטן ונוגדי קרישה. המחברים גם דוחקים בהקמת תקני נתונים מאוחדים, אימות קליני פרוספקטיבי ושיתוף פעולה בין-תחומי כדי לגשר על הפער בין חדשנות חישובית ליישום ליד המיטה. "המטרה שלנו היא לעבור מעבר לתחזיות גנריות ולספק תובנות מותאמות למטופלים שהכי זקוקים להם", מוסיף פרופסור לין. הסקירה מסיקה שעם מאמצים מתמשכים באינטגרציה של נתונים, פרשנות ותרגום קליני, חיזוי עמידות מונעת בינה מלאכותית טומנת בחובה פוטנציאל טרנספורמטיבי לאונקולוגיה מדויקת.
