编者按：第十届中国老年肿瘤学（CGOS）大会于4月8日至9日在北京会议中心顺利召开。在4月9日CGOS高峰论坛上，来自中国医科大学附属第一医院肿瘤内科的刘云鹏教授，对大数据时代肿瘤治疗与研究的变化，做了精彩的发言。

　　眼下，“精准医疗”与“大数据”这两个词，在各种场合被人们提及和讨论，出镜频率甚高，可见其火热之程度。然而，究竟什么是大数据，它对精准医疗又有怎样的作用，在这样一个“大数据与精准医疗”的时代，作为医务工作人员的我们该如何参与，能做点什么？且看中国医科大学附属第一医院肿瘤内科刘云鹏教授的精彩论述。

　　AlphaGo与大数据？！

　　最近人机大战火热上演，谷歌机器人AlphaGo以4比1的战绩力克韩国围棋名将李世石，不得不让人感叹，AlphaGo是如何所向披靡的？其实，AlphaGo有三大杀手锏：（1）Policy Network：基于3000万盘既往棋谱的“强化学习的策略网络”；（2）Value Network：基于海量计算和机器学习而实现自我模拟的“价值网络”；（3）Monte Carlo Simulation：基于蒙特卡洛模拟算法阅读未来走法和步骤。而这些，都是得益于我们当下所处的“大数据时代”。

　　大数据与精准医疗

　　顾名思义，大数据最大的特点便是“数据量巨大”。生活中，我们每个人都是数据的发生器。GPS定位、卫星导航、Facebook、Twitter、手机、微信、信用卡、银行卡、会员卡、购车和购房记录等等均无时无刻产生各种数据。

　　随着时代的不断发展，我们的诊疗模式也悄然变化。多媒体和网络的发展，使得医生可以通过手机、平板电脑等等实时接收病变影像、检验结果等，从而进行远程诊疗。这个过程中所产生的数据是海量的，其中隐藏着巨大的宝藏，亟待收集和挖掘。

　　而对于肿瘤治疗和研究模式，大数据又能给我们带来怎样的福音呢？比如一个肺部肿物，它的真实面目是有多种可能，对应的治疗方法也各不相同。它可以是小细胞肺癌，也可以是非小细胞肺癌，首选放化疗还是手术？若是后者，还可以分为鳞癌和腺癌，首选的化疗药物不同。基因检测结果的不同，是采用适应症范围内的吉非替尼、厄洛替尼、埃克替尼、克唑替尼？还是采用适应症之外的不同靶向药物的治疗？以前我们利用患者的8-10张标本切片，只能进行HE染色和免疫组化等少数几个标记物检测。现在我们可以进行DNA的深度测序、RNA测序、动态检测循环核酸/肿瘤细胞（cfDNAs&CTC）等，信息量之大超出我们的预估，除了传统的肿瘤的临床分期分期、病理分型的信息之外，基因分析的大数据使治疗越来越精准，我们的诊疗模式已经发生重大改变。

　　大数据与预后模型研究

　　大数据的核心价值是“预测”，预测的核心是建模型，建模型的条件是要有“数据”。数据存储不是问题，数据分析也不是问题，有没有数据才是真正的问题。

　　通过对数据的分析整理，我们可以建立针对某肿瘤的预后模型，从而进行结局预测。比如，我们进行了一项“基于术前炎症标志物和临床病理特征的N0胃癌预后模型的建立”的研究。根据此模型，如果新获得一个N0胃癌病例，我们便可以进一步预测患者的预后，为治疗决策提供依据。

　　再如，2015年《新英格兰医学杂志》发表的文章，通过对鳞状非小细胞肺癌（SQ-NSCLC  Checkmate017）和非鳞状非小细胞肺癌（NON-SQ-NSCLC Checkmate057）患者按照PD-L1的表达水平</≥1%，</≥5%，</≥10%进行分类，分别分析其接受Nivolumab或多西他赛治疗后的生存情况。最终得出“鳞状非小细胞肺癌患者Nivolumab组OS及PFS均优于多西他赛组，但Nivolumab治疗获益独立于PD-L1表达状态；非鳞状非小细胞肺癌患者Nivolumab组仅OS优于多西他赛组，两组间PFS无差异，PD-L1阳性患者从Nivolumab治疗中获益更大”的结论。

　　我们分析肿瘤生物信息学ONCOMINE数据库收集的两个NSCLC高通量数据集（33000个基因）的结果显示：PD-L1在肺鳞癌的表达水平高于肺腺癌，表达水平的改变与突变无关。我们对自己的NSCLC数据进行验证分析显示：PD-L1在鳞癌中表达高于腺癌，但在腺癌中与预后有关，该结果与前述利用在线高通量数据的分析一致。

　　我们进行的另外一项“基于PD-L1的胃癌预后模型”研究，根据胃癌组织中PD-L1、PD-1及CD8的表达，建立了基于免疫调节的胃癌预后模型，可以将胃癌预后分为良好、中等、差三组，5年生存的预测精确度相比TNM分期模型提高了17%。

　　利用在线数据集根据胃癌PD-L1水平进行GSEA分析，可以寻找胃癌中PD-L1表达的调控信号通路。我们利用以下三个在线数据集：GSE15459、GSE62254、TCGA胃癌RNASEQV2数据，以MSigDB的C2.CP.KEGG为功能基因集，利用基因集富集分析方法（GSEA），分析了PD-L1高表达人群与低表达人群在基因通路的分布，确定了今后研究的目标通路。

　　大数据时代的临床研究模式

　　大数据时代的临床研究模式可分为干预性研究如随机对照研究（RCT）和实效研究（RWE）如登记研究、比较效益学分析（CER）和PCT试验。大数据时代更需要如PCT的肿瘤学实效性研究。

　　RCT与PCT相比，主要有如下几个方面的不同：（1）目的与设计方面：RCT通过设置治疗组对比安慰剂组，最大化揭示新治疗的生物效应可能性；通常随机化是必要的；强制盲态要求治疗分配、设置评估员。PCT比较不同治疗方法的差异：新疗法对比现存疗法，现存疗法之间的比较；可以进行随机，但需考虑到患者个人偏好；分配盲态通常不可能。（2）研究机构方面：RCT一般是临床试验基地；PCT机构可以多样选择，大中小型医院，城市农村皆可。（3）研究人群方面：RCT入选标准严格，将影响转归的外来因素（如合并症）降至最低；患者是自愿的。PCT按照临床表现和诊断定义患者组别，按照最小化排除标准，患者人群具多样化特征，可接受多种合并症、医疗机构。（4）操作性方面：RCT操作困难，资质要求高，只许在研究框架内进行可行，终点时间取决于设计测量终点指标。PCT操作简易，低成本，可行性大，时间范围临床终点可以持续等待。（5）研究终点方面：RCT关注的是“研究者最关心的问题”，比如疗效中间终点（肿瘤缓解、PFS）、死亡率、发病率等。PCT关注的是“研究者、患者、支付方关心的多种问题”，比如疗效、生活质量、功能症状和满意度、成本、死亡率、发病率等。

　　2015年德国发表了一项登记性研究。为了探究老年胃癌病人是否在现行的治疗中获益，作者分析了慕尼黑癌症登记处1998-2012年诊断的8601名胃癌病人，结果显示：59%的病例≥70?岁；同非老年组对比，老年组的预后稍好，且根治性手术和辅助治疗要更少；各年龄组的5年相对生存很接近（48-49.6%）；该研究得出如下结论：慕尼黑地区对于老年胃癌的治疗是恰当的，根据情况对于老年胃癌给予手术和化疗。这项研究提示我们，登记性研究不可小觑，可以挖掘出有价值的信息。

　　临床医生面临的挑战

　　在医疗过程中，我们已经浪费了大量宝贵的数据。我们缺乏的不是可供收集的数据，而是收集、分析的意识。如今，是肿瘤靶向治疗的时代，单中心大样本已经不可能做到，每个人贡献一点点病例数据，形成大数据就能还原事件的真相。未来的临床医生应该放弃目前只是单纯诊治来诊患者的落后模式，应该在日常工作中提高收集、分析数据的意识，不同研究者、研究单位互相协作、资源共享，深入挖掘医疗大数据中具有重大价值的新知识，利用大数据进行医疗创新，为患者提供更好医疗服务。

　　刘云鹏，中国医科大学附属第一医院教授、博士生导师、肿瘤内科主任；享受国务院政府特殊津贴。

　　现任中国临床肿瘤学会执委；中国医师协会肿瘤医师分会和外科医师分会MDT专委会常委；中国抗癌协会胃癌专委会和肿瘤药物临床研究专委会常委；辽宁省医学会肿瘤学会主委；辽宁省抗癌协会大肠癌专委会主委等。承担国家科技部重大科技攻关项目2项，国家自然科学基金3项。作为第一负责人，获得中国抗癌协会科技奖二等奖1项；辽宁省科技进步一等奖1项。通讯作者发表SCI论文80余篇。专业方向为恶性肿瘤的化疗、免疫与生物治疗及靶向治疗；恶性肿瘤的信号转导机制与转化医学研究。