想象一座繁华的城市，数十万亿个细胞安分守己，各司其职。直到某一天，一些细胞开始基因突变，变成了潜伏在城市中的“坏分子”——肿瘤细胞。幸运的是，城市里有尽职的巡逻警察——T细胞，它们本可以识别并清除这些坏分子。可坏分子很狡猾，它们学会了一种“贿赂”手段：掏出一种叫PD-L1的“免检通行证”递给警察，让警察误以为自己是守法市民，从而大摇大摆地逃过追捕。 免疫治疗，尤其是免疫检查点抑制剂（如帕博利珠单抗、纳武利尤单抗），做的就是两件事：要么没收这张“免检通行证”，要么堵住警察制服上的“通行证读卡器”（PD-1受体），让T细胞重拾攻击力。但现实很残酷——只有20%~40%的患者真正从中获益，其余人花了高昂费用却可能只收获严重副作用。所以精准医疗的关键问题变成了：用药之前，怎么判断一个患者到底值不值得上免疫治疗？ 于是，研究者找到了三条重要线索：TMB（坏人的怪异记号数量）、MSI（坏人的档案错乱程度）、PD-L1（坏人手持的通行证数量），并尝试把三条线索放进同一个“综合研判系统”——多模态模型。这篇教程，就是带你从头看懂这套系统是怎么搭建的。

岗位关联

对AI从业者而言，这是理解“多组学特征如何转化为临床决策工具”的最佳入口：你将从单一标志物预测，走向多模态融合建模与工程化落地，掌握精准医疗场景下的完整AI产品思维。

目录
  1. 可视化演示
  2. 免疫治疗基础
  3. TMB标志物机制
  4. MSI标志物机制
  5. PD-L1标志物机制
  6. 多模态组合建模
  7. 组学数据整合
  8. 验证与临床落地
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示TMB、MSI、PD-L1三种生物标志物的特征、多模态融合建模过程及免疫治疗响应预测效果。

本节配有交互动效（进入视口后自动加载，约 3KB）。

三种免疫标志物对比 TMB:突变负荷 MSI:微卫星不稳定 PD-L1:免疫表达 多模态联合

免疫治疗基础

想象一座安静的城市：数十万亿细胞各司其职，直到某些细胞发生基因突变，变成了潜伏在人群中的“坏分子”。好在城市里还有巡逻警察——T细胞，它们能识别并清除异常细胞。但坏分子进化出了“贿赂”手段：掏出一种叫PD-L1的“免检通行证”递给警察，让警察误以为自己是守法市民，从而逃过一劫。这场“警察与坏分子”的攻防，正是肿瘤免疫的缩影。

所谓免疫检查点抑制剂（ICI），核心就是没收PD-L1这张“免检通行证”，或者堵住T细胞上识别它的“读卡器”（PD-1受体），让警察恢复警觉。听起来很完美，但临床现实中只有20%~40%的患者能够获益。剩下的人花费了高昂的医疗费用，却可能只得到甲状腺功能紊乱、免疫性肺炎等副作用。因此精准医疗的第一步，是在用药之前就判断一位患者值不值得“上免疫”。

从系统角度理解，免疫系统能否压制肿瘤，取决于激活信号与抑制信号的净平衡。我们可以用下面这个简洁的关系式来概括：

免疫检查点抑制剂治疗，本质上就是用药物把 E_sup 用力压下去，让 E_net 翻正。但 E_sup 降为零并不意味着所有患者都能获益——如果肿瘤本身缺乏“怪异特征”，警察依然无从识别目标。于是我们需要从三个维度搜集线索：TMB（怪异记号数量）、MSI（档案错乱程度）、PD-L1（通行证数量）。单项线索各有盲区，把它们组合成多模态模型，才是精准筛选受益人群的正解。

Enet=Eact−EsupE_{\text{net}} = E_{\text{act}} - E_{\text{sup}}
公式通俗说明：E_net 是免疫系统实际发挥的“净杀伤力”，E_act 是T细胞受肿瘤抗原刺激后被激活的强度，E_sup 是肿瘤通过PD-L1等机制对T细胞施加的“踩刹车”力度。只有当 E_net 为正数时，免疫系统才能有效压制肿瘤。
  1. 净杀伤力E_net 表示免疫系统最终施于肿瘤的净伤害，正值表示肿瘤被压制，负值表示肿瘤逃逸。
    EnetE_{\text{net}}
  2. 激活信号E_act 刻画T细胞受肿瘤新抗原刺激后的激活程度，激活越强，警察越勇猛。
    EactE_{\text{act}}
  3. 抑制信号E_sup 刻画肿瘤通过PD-L1等通路对T细胞“踩刹车”的效果，抑制越强，警察越疲软。
    EsupE_{\text{sup}}

TMB标志物机制

潜伏的坏分子虽然善于伪装，却很难完全掩盖基因突变留下的“异常记号”——突变会在细胞表面产生大量新抗原，就像纹在脸上的怪异图案。这批坏人看起来越“显眼”，巡逻警察就越容易锁定目标。TMB衡量的，正是这种显眼程度。

肿瘤突变负荷（Tumor Mutation Burden，TMB）指的是肿瘤基因组中携带的体细胞突变数量，通常用“每兆碱基（Mb）的突变个数”来表示。突变越多，理论上越有可能产生足够多的新抗原，免疫系统识别肿瘤的概率也就越高。这也是为什么 TMB 能成为免疫治疗响应的重要预测标志物。

临床中通常用全外显子测序（WES）计算 TMB，也可用靶向测序 panel 估算。计算时先过滤掉生殖系突变和已知人群多态性位点，只保留外显子区的非同义突变，再除以目标区域的有效长度：

把 TMB 理解为“坏人的怪异记号数量”：记号越多，警察越容易从人群中把他揪出来。但光靠这一条线索还不够——有的坏人身藏重案却藏在特殊街区，免疫微环境抑制极强；有的坏人记号不多，却因为别的破绽暴露身份。这就引出了第二、第三条线索：MSI 与 PD-L1。

TMB=NmutLtarget\text{TMB} = \dfrac{N_{\text{mut}}}{L_{\text{target}}}
公式通俗说明：TMB 等于肿瘤样本中检出的“非正常突变”总数，除以测序覆盖的有效目标区域长度。单位常写作 mut/Mb。临床上通常以 ≥10 mut/Mb 作为高突变负荷（TMB-H）的分层阈值。
  1. 非同义突变计数N_mut 是过滤后保留的外显子非同义突变总数，包括单核苷酸变异与短插入缺失。
    NmutN_{\text{mut}}
  2. 目标区间长度L_target 是成功比对且满足测序深度要求的有效外显子区间总长度，单位为 Mb。
    LtargetL_{\text{target}}
  3. 每Mb突变密度二者相除得到标准化后的 TMB 值，使不同测序方案、不同 panel 之间的突变计数可以横向比较。
    TMB=NmutLtarget\text{TMB} = \frac{N_{\text{mut}}}{L_{\text{target}}}

MSI标志物机制

有些潜伏者的“身份登记系统”出了故障：细胞分裂时负责校对 DNA 的维修队——DNA错配修复系统（MMR）——工作失职了，导致身份证上的文字不断被抄错，尤其是“微卫星”这种短串联重复序列区域，长度变得忽长忽短。这种“指纹错乱”让整个身份档案破绽百出。

微卫星不稳定性（Microsatellite Instability，MSI）指的就是基因组中短串联重复序列因错配修复功能缺陷而出现长度改变的现象。MMR 系统的核心蛋白包括 MLH1、MSH2、MSH6、PMS2，当它们发生突变或启动子高甲基化导致功能丧失（dMMR），DNA 复制错误就无法被及时修正，MSI 随之显著升高。

临床上评估 MSI 常用 NCI 推荐的 5 个微卫星位点（如 BAT25、BAT26、D2S123、D5S346、D17S250），比较肿瘤组织与正常组织的位点长度：

如果说 TMB 是“全城搜寻画像”，MSI 就是对特定嫌疑人的“档案底细核查”。档案错乱得越厉害，越说明这个坏分子内部秩序崩溃、暴露给免疫系统的破绽越多。正因如此，FDA 批准帕博利珠单抗可用于所有 MSI-H/dMMR 的晚期实体瘤——这是第一个不区分癌种的“泛癌种”适应症，也说明这条线索的权重极高。

MSI-H: ∑i=15si≥2,si∈{0,1}\text{MSI-H: } \sum_{i=1}^{5} s_i \ge 2, \quad s_i \in \{0,1\}
公式通俗说明：检测 5 个“指纹位点”，每个位点稳定记为 0、不稳定记为 1。若累计 ≥2 个位点不稳定，即判定为 MSI-H（高度不稳定）。MSI-H 肿瘤通常突变负荷高、免疫浸润强，对免疫检查点抑制剂的响应率非常出色。
  1. 位点不稳定指示s_i 表示第 i 个微卫星位点是否不稳定，不稳定记为 1，稳定记为 0。
    si∈{0,1}s_i \in \{0, 1\}
  2. 不稳定位点求和把 5 个位点的判定结果累加，得到不稳定位点的总数。
    ∑i=15si\sum_{i=1}^{5} s_i
  3. 阈值判定累计值 ≥2 判为 MSI-H，等于 1 为 MSI-L，等于 0 为 MSS（微卫星稳定）。
    ∑i=15si≥2\sum_{i=1}^{5} s_i \ge 2

PD-L1标志物机制

与 TMB 和 MSI 都不同，PD-L1 不是坏人的“长相”或“档案”，而是他手里那张可以递给警察的“免检通行证”。通行证数量越多，警察越容易被骗过、越容易放行。PD-L1 这个标志物，衡量的正是“贿赂工具”的持有量。

程序性死亡配体1（PD-L1）是表达在肿瘤细胞表面的一种蛋白，它的受体 PD-1 位于 T 细胞表面。当 PD-L1 与 PD-1 结合，T 细胞就会收到“这是自己人，放过他”的抑制信号，杀伤活性明显下降。免疫检查点抑制剂阻断这条通路，相当于强行收走通行证，让 T 细胞重新识别并攻击肿瘤。

PD-L1 的表达水平通过免疫组化（IHC）半定量检测，最常用的指标是 TPS（肿瘤细胞阳性比例分数）：

除了 TPS，临床上还使用 CPS（联合阳性分数），在分子中同时计入 PD-L1 阳性的肿瘤细胞与免疫细胞。无论 TPS 还是 CPS，本质上都在量化“通行证”的分布密度。有了这张牌，警察总台的画像就完整多了：怪异的坏人和档案错乱的坏人都可能是目标，而大摇大摆递通行证的坏人最需要被盯防。但单一通行证线索也会失灵——不少 TPS<1% 的患者依然有响应，说明我们还需要把三条线索综合起来看。

TPS=NPD-L1+Ntumor×100%\text{TPS} = \dfrac{N_{\text{PD-L1}^+}}{N_{\text{tumor}}} \times 100\%
公式通俗说明：TPS 等于 PD-L1 呈现阳性染色的活肿瘤细胞数，除以肿瘤细胞总数，再乘以 100%。TPS ≥50% 为高表达，预测获益概率显著升高；1%~49% 为低表达；<1% 为阴性。
  1. 阳性肿瘤细胞计数N_PD-L1+ 是显微镜下细胞膜有 PD-L1 染色的活肿瘤细胞数量，代表“持有通行证”的坏人数量。
    NPD-L1+N_{\text{PD-L1}^{+}}
  2. 肿瘤细胞总数N_tumor 是所有视野中活肿瘤细胞的总计数，作为比例的分母。
    NtumorN_{\text{tumor}}
  3. 百分比换算两者相除后乘以 100%，得到 0~100% 的 TPS 评分，是免疫组化报告的核心指标之一。
    TPS=NPD-L1+Ntumor×100%\text{TPS} = \frac{N_{\text{PD-L1}^{+}}}{N_{\text{tumor}}} \times 100\%

多模态组合建模

现在警察总台手里有三条情报：A 街区的坏人有大量怪异记号（TMB 高），B 街区的坏人手写档案错乱（MSI-H），C 街区的坏人持有大量免检通行证（PD-L1 高）。如果只盯着其中任何一条，要么误伤良民，要么漏掉真凶。总台决定开发一套“综合研判系统”，把三条情报量化后加权融合，输出一个嫌疑指数。

这就是多模态建模的基本思想。在免疫治疗响应预测中，TMB（连续值）、MSI 状态（0/1 客观标记）、TPS（连续值）来自不同的检测模态，维度不同、语义不同，需要经过特征工程后一起送入一个可解释的模型。最常见的基线模型是逻辑回归：它为每个标志物学习一个权重，然后通过 sigmoid 函数输出 0 到 1 之间的响应概率：

这套研判系统并不神秘——它学到的权重 β，本质上是在告诉总台哪条情报更可靠、更值钱。相比单个标志物，它能更细腻地挽救“边缘人群”：TMB 不高但 MSI-H 的患者、TPS 阴性但 TMB-H 的患者，都有机会被重新“捞”出来。三条线索拧成一股绳，而不是各自为战，这才是多模态模型的核心价值。

P(response)=σ(β0+β1⋅TMB+β2⋅1MSI-H+β3⋅TPS)P(\text{response}) = \sigma\left(\beta_0 + \beta_1 \cdot \text{TMB} + \beta_2 \cdot \mathbb{1}_{\text{MSI-H}} + \beta_3 \cdot \text{TPS}\right)
公式通俗说明：β_0 是截距，代表所有标志物都不明显时的基础对数概率；β_1、β_2、β_3 分别是 TMB、MSI-H、PD-L1 的“情报权重”；最后用 sigmoid 把加权总分压缩成 0~1 的受益概率。
  1. 特征加权求和β0 加上三个标志物的加权值，得到“总嫌疑分”；MSI-H 用指示函数编码为 0 或 1，TMB 与 TPS 保留连续读数。
    β0+β1xTMB+β21MSI-H+β3xTPS\beta_0 + \beta_1 x_{\text{TMB}} + \beta_2 \mathbb{1}_{\text{MSI-H}} + \beta_3 x_{\text{TPS}}
  2. sigmoid 压缩σ(z) 将任意实数的总嫌疑分映射到 (0,1) 区间，使其可以自然解释为概率。
    σ(z)=11+e−z\sigma(z) = \frac{1}{1 + e^{-z}}
  3. 阈值决策以 0.5（或经临床校准的阈值）为界，大于阈值预测受益，小于阈值预测不受益，形成清晰的决策边界。
    P>0.5⇒预测受益P > 0.5 \Rightarrow \text{预测受益}

组学数据整合

三条情报来自不同部门：长相画像由测序组提供（TMB），档案底细由病理科提供（MSI），通行证台账由免疫组化室提供（PD-L1）。数据格式五花八门：有连续浮点数、有 0/1 标记、有百分比。如果直接堆进模型，数值大的特征就会主导权重——好比把“怪异记号数量”和“档案错乱位点数”直接相加，前者成百上千、后者最多 5 个，后者几乎被淹没。

多模态建模之前的“数据整合”环节，核心任务包括三件：统一数据来源与清洗、特征尺度标准化、去除技术性批次效应。数据来源通常涵盖 WES/panel 的突变注释结果、MSI 检测的毛细管电泳或 NGS 结果、IHC 的病理切片判读。清洗时需剔除缺失值过多、质量不合格的样本，并统一基因组版本（如 GRCh38）与变异过滤标准。

对连续特征做 z-score 归一化是最常用的标准化方式：

其中 μ 为训练集中该特征的均值，σ 为标准差。经过变换后，TMB 与 TPS 等不同模态的特征都处于均值 0、方差 1 的统一量纲，逻辑回归学到的权重大小才具有可比性。此外，不同医院、不同测序平台带来的系统误差（批次效应）也需要校正，常用方法包括 ComBat、harmony 以及统一的质控流程。

数据整合就像总台的“情报标准化流程”：把所有线索从五花八门的原始记录翻译成统一编码。如果不做这一步，模型再高级也可能被几条“量级夸张”的线索带偏，导致研判系统输出错误的嫌疑指数。把数据理顺，后续训练和验证才有意义。

x′=x−μσx' = \dfrac{x - \mu}{\sigma}
公式通俗说明：把一个患者的 TMB、TPS 等原始读数，按照整个人群的平均值做“平移和缩放”，变成无量纲的分数，确保大数值特征不会轻易淹没小数值特征。
  1. 估计均值与标准差μ 和 σ 来自训练集特征的统计估计，代表这批患者的总体水平和波动程度。
    μ=1n∑i=1nxi,σ=1n∑i=1n(xi−μ)2\mu = \frac{1}{n}\sum_{i=1}^{n} x_i, \quad \sigma = \sqrt{\frac{1}{n}\sum_{i=1}^{n} (x_i - \mu)^2}
  2. 中心化x − μ 把特征平移到以 0 为中心，消除不同特征之间的水平差异。
    x−μx - \mu
  3. 除以标准差再除以 σ 让方差变为 1，使得 TMB 与 TPS 等不同尺度的特征可以直接比较权重。
    x−μσ\frac{x - \mu}{\sigma}

验证与临床落地

综合研判系统开发出来后，不能直接上岗。总台先拿出过去几年结案的历史档案当试卷：系统给出嫌疑指数后，与这些病例的真实结局（免疫治疗是否有效）比对，检验它能否准确区分受益者和非受益者。考试合格，才允许部署到各分局使用。

模型评估中最经典的指标是 AUC-ROC（ROC 曲线下面积），衡量的是“随机挑一对受益/不受益患者，模型能把受益者排在更前面的概率”。同时需要用交叉验证来估计泛化能力，避免模型只是背下了训练集的标准答案。工程落地时，还要结合临床场景选择阈值——用约登指数或风险获益权衡，决定“宁可多治也不能漏”与“避免无效治疗”之间的平衡点。

ROC 曲线的横轴是假阳性率（FPR = 1 − 特异度），纵轴是真阳性率（TPR = 灵敏度），把不同阈值下的点连成曲线，积分即得 AUC：

当综合研判系统通过 AUC、交叉验证和外部多中心数据等层层“考试”后，它才能真正走进临床：在开具昂贵的免疫治疗处方前，先做一次嫌疑指数评估，把大概率不会受益的患者拦在门外。这既是对患者钱包和身体的保护，也是精准医疗从论文走向病床的关键一跃。

AUC=∫01TPR(t) d(FPR(t))\text{AUC} = \int_0^1 \text{TPR}(t) \, d(\text{FPR}(t))
公式通俗说明：TPR 是“坏人里被正确抓出的比例”，FPR 是“好人里被冤枉的比例”。AUC 就是权衡两者的综合表现——曲线越贴近左上角，模型越聪明；AUC=0.5 说明与抛硬币无异。
  1. 真阳性率TPR = TP/(TP+FN)，表示真实受益人群中被模型正确预测为受益的比例，即灵敏度。
    TPR=TPTP+FN\text{TPR} = \frac{TP}{TP + FN}
  2. 假阳性率FPR = FP/(FP+TN)，表示实际不受益人群中却被模型误判为受益的比例，即 1 减特异度。
    FPR=FPFP+TN\text{FPR} = \frac{FP}{FP + TN}
  3. 曲线下面积对 ROC 曲线在 [0,1] 区间上的积分，等价于随机正样本排在随机负样本前面的概率，值越大模型区分能力越强。
    AUC=∫01TPR(t) d(FPR(t))\text{AUC} = \int_0^1 \text{TPR}(t) \, d(\text{FPR}(t))

AI 应用场景

药企临床试验患者筛选

阶段：数据采集与特征工程

解决的问题：传统免疫治疗临床试验只依赖单一 PD-L1 表达进行入组筛选，会漏掉大量 TMB-H 或 MSI-H 的潜在受益者，导致试验响应率被低估。AI 多模态模型把三个标志物统一建模，在入组前预筛，显著提升试验的统计功效。

具体案例：某生物药企在 PD-1 抑制剂的 II 期临床中，使用 TMB/MSI/TPS 多模态模型对候选患者打分，将入组效率提升约 30%，并在中期分析中提前观察到显著的客观缓解率差异。

医院肿瘤科治疗决策辅助

阶段：模型推理与决策支持

解决的问题：肿瘤医生在制定二线治疗方案时，往往依赖单指标判断，容易陷入“PD-L1 阴性 = 无效”的误区。多模态模型输出综合受益概率，帮助医生识别被单一指标掩盖的潜在受益者。

具体案例：某三甲医院对非小细胞肺癌患者应用该模型后，在 PD-L1 阴性亚组中额外识别出约 12% 的 TMB-H 受益者，这些患者接受免疫治疗后中位无进展生存期显著延长。

伴随诊断产品开发

阶段：模型部署与持续监控

解决的问题：将多模态模型封装为受监管的伴随诊断软件，需要对数据进行持续监控、定期再校准，避免因测序平台升级或人群漂移导致预测偏移。AI 工程师在此过程中负责模型版本管理、AUC 监控和阈值调整。

具体案例：某医疗 AI 公司将 TMB/MSI/PD-L1 综合评分开发为 IVD 软件，通过多中心回顾性验证后获得注册受理，为临床提供标准化的免疫治疗受益风险分层报告。

Python 演示

python30 行
import numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import cross_val_score np.random.seed(42)N = 800 tmb = np.random.gamma(2.5, size=N) * 4msi = np.random.binomial(1, 0.25, size=N)tps = np.clip(np.random.normal(30, 25, size=N), 0, 100) logits = -2.5 + 0.12 * tmb + 1.3 * msi + 0.02 * tpsp_respond = 1 / (1 + np.exp(-logits))y = np.random.binomial(1, p_respond, size=N) X = np.column_stack([tmb, msi, tps])model = LogisticRegression(max_iter=1000) cv_auc = cross_val_score(model, X, y, cv=5, scoring='roc_auc')model.fit(X, y)print('5折交叉验证AUC: %.3f +- %.3f' % (cv_auc.mean(), cv_auc.std()))print('特征系数:', dict(zip(['TMB', 'MSI', 'PD-L1'], model.coef_[0]))) def predict(tmb_v, msi_v, tps_v):    x = np.array([[tmb_v, msi_v, tps_v]])    p = model.predict_proba(x)[0][1]    return ('预测受益' if p >= 0.5 else '预测不受益'), p label, prob = predict(18, 1, 65)print('样本病例 TMB=18 MSI=1 TPS=65%% -> %s (%.1f%%)' % (label, prob * 100))
目的：用模拟数据训练一个 TMB + MSI + PD-L1 的逻辑回归多模态模型，输出交叉验证 AUC 和新患者的受益概率预测。
  1. tmb = np.random.gamma(2.5, size=N) * 4模拟 TMB 的长尾分布，Gamma 分布能较好还原真实突变负荷的偏态。
  2. logits = -2.5 + 0.12 * tmb + 1.3 * msi + 0.02 * tps构造标签的“真实关系”，MSI 系数最大，对应临床上 MSI-H 对响应的强驱动。
  3. y = np.random.binomial(1, p_respond, size=N)按真实受益概率做伯努利采样，模拟患者是否响应的观察结果。
  4. X = np.column_stack([tmb, msi, tps])把三个不同模态的特征拼接成特征矩阵，这是多模态融合的第一步。
  5. cv_auc = cross_val_score(model, X, y, cv=5, scoring='roc_auc')用 5 折交叉验证估计模型泛化能力，避免只报训练集 AUC 的虚高。
  6. model.coef_输出学到的特征权重，可解释每个标志物对受益概率的贡献方向与大小。
  7. model.predict_proba(x)[0][1]返回新患者的受益概率，配合阈值实现“受益人群筛选”。

常见误区

误区我查过资料，TMB 高说明突变多、新抗原多，那 TMB-H 的患者打免疫针肯定有效，甚至不用再看其他指标了。

正解TMB 高只是提高了肿瘤被免疫系统识别的概率，不等于治疗一定有效。真实世界中存在“高 TMB 却原发耐药”的患者，也可能出现超进展风险。TMB 必须与 MSI、PD-L1 及临床特征综合判断。就像坏人脸上纹身很多，但有可能他躲在地道里让警察根本找不着——免疫微环境、抗原呈递缺陷都可能让高 TMB 失效。

为何常见：媒体和部分文献过度强调 TMB-H 与响应的相关性，CheckMate 026 等研究又在 TMB-H 亚组中未达主要终点，造成公众只记住“正相关”而忽略条件性。

误区微卫星不稳定性应该只有肠癌才有吧？其他癌种测 MSI 没有意义，不用看这个指标。

正解dMMR/MSI-H 可见于子宫内膜癌、胃癌、小肠癌、卵巢癌等多种实体瘤，而且是“不限癌种”的免疫治疗生物标志物。FDA 已批准帕博利珠单抗用于所有 MSI-H/dMMR 的晚期实体瘤。研究显示，不同癌种的 MSI-H 患者对免疫治疗均有较高响应率，只是总体比例不同。

为何常见：MSI 最早在 Lynch 综合征和结直肠癌中被系统研究，教科书和旧的临床指南都以此为主场景，导致许多从业者形成“肠癌专属”的刻板印象。

误区TPS <1%，PD-L1 全阴性，那免疫治疗肯定没效果，别浪费钱了，不给患者用。

正解PD-L1 阴性患者中仍有一部分能获益，尤其当 TMB-H 或 MSI-H 时。多模态模型的价值正在于此：它能在 PD-L1 阴性的人群里，把“靠突变特征或微卫星特征驱动响应”的患者重新识别出来。PD-L1 只是三条线索之一，不是一票否决项。

为何常见：临床指南长期以 PD-L1 作为唯一的伴随诊断分层依据，医生习惯了“阴性不获益”的简化逻辑，忽略了免疫治疗响应是多因素共同决定的。

误区多模态不就是在模型里多加几个特征吗？TMB、MSI、PD-L1 全塞进去，越多的特征越准，直接跑就完事了。

正解如果不做归一化、去批次效应和缺失值处理，数值尺度大的特征会主导梯度更新，模型权重解释和预测效果都会严重偏离。真实工程中需要先做数据清洗、z-score 归一化、批次校正，才能让各模态公平参与融合。就像把三条情报直接相加，成百上千的突变数会秒杀最多只有 5 个的微卫星位点计数。

为何常见：初学者接触 sklearn 后习惯了“填特征-跑模型”的流水线，忽略了数据质量与预处理在真实多组学数据中的决定性作用。

误区模型在训练集上 AUC 达到了 0.93，交叉验证也有 0.88，说明模型很牛，可以直接上线给医生用了。

正解AUC 高只说明模型在当前数据分布下有区分能力，不等于临床可用。还需要外部多中心验证、校准曲线（预测概率与实际发生率一致性评估）、临床决策阈值选择以及前瞻性研究确认。脱离人群分布谈 AUC 就像“闭卷考满分但开卷换题就懵”，真实世界的数据漂移和样本偏差随时可能让高性能模型失效。

为何常见：论文中普遍以 AUC 作为主要性能指标，读者容易忽略其作为“排序能力”指标与临床决策所需的“绝对概率校准”之间的差距。

面试题

Q1. TMB 的全称及含义是什么？

单选题 · easy

  • A.肿瘤突变负荷，衡量基因突变数量← 正确答案
  • B.肿瘤微环境评分，衡量免疫细胞数量
  • C.肿瘤分期系统，评估肿瘤扩散程度
  • D.肿瘤标志物浓度，判断肿瘤大小

答案：A。TMB 即肿瘤突变负荷（Tumor Mutation Burden），指肿瘤基因组中体细胞突变的数量，通常以每兆碱基突变数表示。它衡量的是肿瘤的“免疫原性”，而非免疫细胞数量、分期或标志物浓度，因此 B、C、D 都不正确。

Q2. PD-L1 表达水平检测中最常用的组织学评分指标是？

单选题 · easy

  • A.TPS，衡量 PD-L1 阳性肿瘤细胞比例← 正确答案
  • B.MSI，衡量微卫星位点不稳定程度
  • C.TMB，衡量单位长度的突变数量
  • D.ORR，衡量治疗后客观缓解比率

答案：A。TPS（肿瘤细胞阳性比例分数）是 PD-L1 免疫组化检测的核心指标，计算 PD-L1 阳性肿瘤细胞占所有活肿瘤细胞的比例。MSI、TMB 是与 PD-L1 平行的其他标志物，ORR 是疗效评估指标而非预测标志物。

Q3. 按 NCI 五连检测标准，如何判定 MSI-H？

单选题 · mid

  • A.5 个微卫星位点中至少 2 个不稳定← 正确答案
  • B.5 个位点中至少 3 个保持稳定
  • C.每兆碱基突变数超过 10 个
  • D.突变等位基因频率超过 30%

答案：A。NCI 标准选取 5 个微卫星位点（如 BAT25、BAT26、D2S123、D5S346、D17S250），肿瘤组织与正常组织比对后，≥2 个位点长度不稳定判为 MSI-H。C 选项是 TMB 的阈值概念，B、D 与 MSI 判定无关。

Q4. 免疫检查点抑制剂发挥抗肿瘤作用的机制是？

单选题 · mid

  • A.直接诱导肿瘤细胞快速死亡凋亡
  • B.阻断 PD-1/PD-L1 通路恢复 T 细胞杀伤← 正确答案
  • C.抑制肿瘤血管生成以切断营养供应
  • D.增强化疗药物对肿瘤组织渗透作用

答案：B。ICI 的核心机制是阻断 PD-1 与 PD-L1 的结合，解除肿瘤对 T 细胞的“踩刹车”效应，让 T 细胞重新获得杀伤能力。A 是细胞毒性药物的机制，C 是抗血管生成药物机制，D 是化疗增敏逻辑，均非免疫检查点抑制剂的直接机制。

Q5. 多模态模型相比单一标志物预测的优势有哪些？

多选题 · mid

  • A.覆盖不同机制的响应信息← 正确答案
  • B.提高受益人群识别精度← 正确答案
  • C.完全替代传统影像学诊断
  • D.降低所有样本检测的成本

答案：AB。TMB、MSI、PD-L1 分别刻画突变负荷、错配修复状态和免疫逃逸通路，多模态融合能覆盖更全面的响应机制，提升识别精度。但它不能替代影像诊断，也不会降低检测成本——三个标志物都需要各自的检测手段，因此 C、D 错误。

Q6. z-score 归一化对特征数据做了什么？

单选题 · mid

  • A.将数据整体压缩到 0 到 100 之间
  • B.使特征均值为 0 且标准差为 1← 正确答案
  • C.自动纠正数据集中误标注标签
  • D.人为放大高风险特征的权重

答案：B。z-score 归一化通过 (x−μ)/σ 将特征平移并缩放，使变换后均值为 0、标准差为 1。A 是 Min-Max 归一化的效果，C 属于标签清洗，D 是特征加权行为，都与 z-score 无关。

Q7. 关于逻辑回归多模态模型的表达式，以下说法正确的是？

多选题 · hard

  • A.权重 β 表示各标志物贡献← 正确答案
  • B.sigmoid 将得分压缩到 0 到 1← 正确答案
  • C.该模型必须使用深度学习框架
  • D.输出等同于无界线性回归值

答案：AB。逻辑回归中 β 是各特征的权重，sigmoid 函数把线性组合映射到 (0,1) 区间以获得概率解释。它完全可以用 sklearn 等传统框架实现，不依赖深度学习；其输出是有界概率，而非无界线性值，因此 C、D 错误。

Q8. 多组学数据中“批次效应”的主要来源是？

单选题 · hard

  • A.不同测序平台间的系统测量误差← 正确答案
  • B.肿瘤样本中突变数量的自然差异
  • C.不同年龄段患者的免疫水平差异
  • D.不同癌种对免疫治疗的敏感性不同

答案：A。批次效应是指非生物学因素导致的系统性测量偏差，包括不同测序平台、不同实验室、不同试剂批次等。它混杂在真实生物学信号中，需要用 ComBat 等方法校正。B、C、D 都是真实的生物学差异，不是批次效应。

Q9. 当模型的 AUC=0.5 时，其含义是？

单选题 · hard

  • A.模型对所有样本都能做出正确预测
  • B.模型的分类能力与随机猜测水平相当← 正确答案
  • C.模型给出的所有预测结果都完全相反
  • D.模型只在训练集上表现出强过拟合

答案：B。AUC=0.5 意味着 ROC 曲线与对角线重合，模型无法区分正负样本，等于抛硬币。A 是 AUC=1 的情况，C 是 AUC=0 的情况，D 是过拟合的表现但与 AUC 的具体数值无必然对应。

Q10. 免疫治疗受益人群筛选模型工程落地时，哪些做法是正确的？

多选题 · extreme

  • A.需要多中心外部数据验证泛化能力← 正确答案
  • B.需要处理类别不平衡与阈值校准问题← 正确答案
  • C.单一 TMB 高即可排除其它全部标志物
  • D.应结合临床风险制定分层决策阈值← 正确答案

答案：ABD。临床落地要求外部多中心验证、类别不平衡处理和阈值校准，且需结合风险获益权衡选择分层截断值。C 违背多模态融合的基本原则——单一 TMB 不能一票决定，否则会漏掉 MSI-H 或 PD-L1 驱动的受益人群。