一、临床账本：肺癌基因检测的"慢、贵、难"
肺癌是我国发病率与死亡率均居首位的恶性肿瘤，而靶向治疗的前提是基因检测。这个前置条件在现实中的代价是：
慢：传统 NGS 检测需 1-2 周出报告——对病情快速进展的晚期患者，这段时间可能就是生与死的距离。广医一院梁文华教授的原话："有很多发病急的肺癌患者，其中不乏年轻人，因为等待基因检测结果，病情恶化离世。"
贵：单次大 Panel 检测费用约 6000-20000 元，且多为自费项目。
难：需要足够的肿瘤组织样本，穿刺活检小样本常常不够用；更现实的是，大量地市级、县级医院根本没有 NGS 检测条件——患者要么直接化疗错失靶向机会，要么转诊上级医院再等一轮。
这三个痛点指向同一个结构性问题：把"全景式分子扫描"当作每个患者的默认入口，在经济上和时效上都撑不住。DeepGEM 选择从这个缺口切入。
二、原理：AI 看见人眼看不见的特征
基因突变会改变细胞形态——核的大小与纹理、组织架构、肿瘤微环境的细胞构成，都会留下痕迹。这些特征真实存在，但极其细微，人类病理医生无法系统性识别。AI 可以。
DeepGEM 的技术路线（1.0 版成果 2025 年发表于 Nature Medicine，腾讯生命科学实验室、广医一院、广州呼吸健康研究院联合研发）：
多示例学习（MIL）+ Transformer 架构：把整张全切片图像（WSI）切成数万个 patch，端到端聚合判断——无需人工标注肿瘤区域，比传统"先分割肿瘤、再提取特征"的两阶段方法更能捕捉全局信息。
双输出设计：除了突变概率，还生成基因突变空间分布热图，直观展示突变在组织内的分布——这是任何测序技术都给不了的维度。
样本类型广谱：切除活检、穿刺活检、转移淋巴结图像均可用——1.0 就已首次证实穿刺活检和转移淋巴结样本的预测可行性。
整条技术管线只有四步：常规切片 → 数字扫描 → 图像切块 → 端到端推理，双输出同时落地（图 1）；完整的模型架构与验证队列设计，见原论文 Figure 1（图 2）。
图 1 DeepGEM 技术工作流：从常规病理切片到"突变概率 + 空间分布"双输出
图 2 DeepGEM 模型总览。
A：切除/穿刺活检 WSI 输入与“突变概率 + 空间分布热图”双输出；B：内部验证队列；C：端到端框架管线；D：标签消歧模块。
（来源：Nature Medicine, 2025）
《自然》杂志对此的评价是：这项技术有可能从根本上改变目前的临床诊断方法。
三、从 1.0 到 2.0：数据说话
两个版本的硬指标对比：
维度 | DeepGEM 1.0（2025.10） | DeepGEM 2.0（2026.10） |
验证数据 | 国内 16 家中心 3637 例 + TCGA 473 例（跨种族）；另有 4260 例（8520 张数字切片）独立队列外部验证 | 31 个省份近 8000 张数字病理切片迭代优化，打通临床落地路径 |
覆盖靶点 | EGFR、KRAS、ALK 等常见驱动基因 | EGFR、KRAS、ALK、ROS1、TP53、LRP1B、BRAF、ERBB2、FGFR、MET、NTRK、RET 共 12 个——覆盖国内已获批肺癌靶向药全部对应靶点 |
性能 | 多中心精准度 78%-99%；内部 EGFR AUC 0.95（准确率 91%）；外部 AUC 0.76-0.91；转移淋巴结 EGFR AUC 0.91 | 预测精确度最高 90%（发布会披露） |
速度 | 分钟级（1 分钟内） | 最快 1 分钟完成 12 靶点预筛 |
部署 | 医学检验平台初步落地验证 | 轻量化部署超 500 家医疗机构；依托覆盖全国的远程病理协作网 |
验证升级 | 回顾性多中心研究 | 50 家医院多中心前瞻性随机对照研究（近千例 II-IV 期阳性预测 NSCLC）+ 卫生经济学研究 |
扩容机制 | — | 新基因标准化开发路径，随新药获批动态扩容，周期仅 12-16 周 |
注意 2.0 的关键升级不在精度数字，而在两处：一是"12 靶点全覆盖"——预筛不再只覆盖热点基因，而是整个靶向用药决策面；二是"前瞻性 RCT + 卫生经济学研究"——从"模型能不能测准"转向"这个模式能不能延长生存期、能不能省钱"，这是 AI 工具走进临床必经的最后一公里。
四、生信视角：不是"AI 取代测序"，是检测经济学的重构
如果把 DeepGEM 理解为"AI 抢测序的生意"，就把这件事看浅了。它真正的意义是改变分子检测的调用方式——以下四个视角，是生信从业者最值得琢磨的部分。
4.1 "AI 预筛 + 靶向确认"：一个贝叶斯式的工作流
DeepGEM 2.0 的临床模式是两段式：AI 预测特定基因高概率的患者，直接在当地或就近完成已广泛普及的单基因 PCR、免疫组化验证；预测低概率的患者，优先考虑非靶向治疗或补充大 Panel 筛选。传统 6000-20000 元的检测路径，被拆解成"几百元的定向确认"（图 3）。
图 3 "AI 预筛 + 靶向确认"两段式临床工作流：预筛决定检测路径，确认决定治疗决策
这本质上是把检测从"全景扫描"改成了"先验驱动的定向验证"——一个朴素的贝叶斯决策结构。同样的逻辑我们并不陌生：NIPT 阳性 → 产前诊断确认；影像 AI 筛查阳性 → 靶向活检。区别在于，这次被编排的对象是分子检测本身。
两种路径的经济学对比：
维度 | 一站式大 Panel NGS | AI 预筛 + 靶向确认（DeepGEM 模式） |
前置时间 | 1-2 周 | 1 分钟预筛 + 1-3 天定向确认 |
成本量级 | 6000-20000 元 | 预筛 + 确认合计数百元 |
组织消耗 | 需足够样本量，小活检常不够 | 常规病理切片，无需额外取材 |
基层可及性 | 依赖中心实验室物流 | 轻量化本地部署 |
适用人群 | 全部患者默认入口 | 高概率者就近确认，低概率者再升级 |
结果性质 | 变异检出的"确定性证据" | 突变概率的"分诊证据" |
4.2 概率 ≠ 检出：证据等级怎么摆
这是报告体系必须回答的问题。NGS 报告的是"存在/不存在 + 精确变异（c.2573T>G, p.L858R）"；DeepGEM 报告的是"EGFR 突变概率 64%"。前者可以直接进治疗决策，后者只能进检测路径决策。
但概率型证据并非没有临床价值——关键在于假阳与假阴的代价不对称：假阴（漏掉一个可用靶向药的机会）的代价，远大于假阳（多花几百元做一次确认）。这正是"预筛 + 确认"模式成立的逻辑基础，也是概率型工具正确的使用姿势：它管分诊，不管诊断。
给报告系统的启示：LIMS 和报告结构需要准备承接"概率型结果"——从单一的变异列表，扩展为风险分层 + 推荐路径的结构化输出。这对做报告系统开发的团队是一个具体的、可落地的需求信号。
4.3 空间分布图：测序给不了的维度
NGS 在文库制备那一步就把空间信息丢掉了——DNA 从组织中混合提取，肿瘤是均质化处理的对象。DeepGEM 的空间热图反其道而行：同一肿瘤内部，哪些区域突变信号强、哪些区域弱，一张图给出。
这直接对应肿瘤异质性问题——空间分布不均匀的突变，往往提示耐药克隆的存在和分布，对预判耐药风险有独特价值。这和单细胞测序、空间转录组（Visium/Xenium）讲的是同一个叙事：从 bulk 到空间。区别在于 DeepGEM 用的是最便宜、最普及的数据载体——常规病理切片。
4.4 给生信人的四个信号
多模态融合是确定方向：病理图像是"表型代理"，基因组是"基因型"，两者互相校准、互相补位。图像预测突变能成立这件事本身，就证明了表型与基因型之间的信息冗余度比想象中高——这个冗余度就是低成本检测的物理学基础。
生信管线的边界正在扩展：从 reads 到 pixels。WSI 数字病理管线（切片扫描质控、patch 化、染色归一化、模型推理与热图生成）是一套和 NGS 管线并列的新技能栈——目前既懂病理图像处理又懂分子检测的人极少，窗口期明显。
"基因型的低成本代理"是一个可复用的思路：ctDNA 片段组学、甲基化信号、蛋白组，都在扮演类似角色——用便宜的模态给贵的检测做分诊。
检测编排能力成为核心竞争力：下一代分子检测的竞争，不只是"测得更准"，更是"用哪种数据、在哪个环节、回答什么问题"的编排能力——这正是生信部门的位置。
五、冷思考：四个待解的问题
域偏移风险：90% 的精度建立在训练数据分布上。31 省 8000 张切片的覆盖已经很广，但不同机构的染色 protocol、扫描仪型号、切片质量差异，仍是模型部署后最大的不确定因素——数字病理的标准化（染色归一化、扫描质控）会和当年的批次效应一样，成为长期工程命题。
概率的校准与可解释性：报告里写"64%"，临床医生要问的是——这是不是真实的 64%（校准度）？这个数字由哪些特征驱动（可解释性）？低可解释性的黑箱概率，在沟通成本上可能远高于一次直接检测。
低频靶点的预筛价值受限：12-16 周的扩容速度很快，但 NTRK、RET 这类占比极低的融合靶点，预筛的阳性预测值天然受患病率压制——贝叶斯分诊在低先验场景下增益有限，这些靶点仍要靠大 Panel 兜底。
商业与监管闭环：AI 预筛怎么收费、走什么审批路径、"预筛不收费/确认收费"的商业模式能否跑通，决定了它是一场技术演示还是一次基础设施级的变革——50 家医院 RCT 与卫生经济学研究，正是对这两个问题的正面回应。
结语
DeepGEM 2.0 表面上是"1 分钟、数百元"的效率故事，底层是一个检测编排的范式问题：分子检测的入口，不一定是测序仪。
对生信从业者，值得记住的不是这个模型本身，而是它验证的一个判断——当表型数据足够便宜、模型足够好，基因型的获取就可以被分层编排。reads 不会消失，但 reads 的调用方式正在被重新设计。
钟南山在发布会上说，科研要"顶天立地"——顶天是 AI、新技术，立地是让老百姓用得起、简便有效。病理大模型恰好站在这个交叉点上：它牺牲了一点确定性，换来了数量级的成本下降和时间缩短。这笔账，检测行业接下来的十年会反复地算。
参考来源
[1] DeepGEM 2.0 发布会暨 AI 赋能肺癌精准诊疗高峰论坛，广州，2026-10-10（中新网、每日经济新闻、中国日报等报道）
[2] 中国科学报. 肺癌病理基因大模型 DeepGEM 2.0 正式发布. 2026-10-12
[3] 中国日报广东频道. 破解肺癌基因预测难题，大模型 DeepGEM 助力肺癌诊疗提速增效. 2025-11-13
[4] 科技日报. DeepGEM 大模型助力 读图即可预测肺癌基因突变. 2025-11-12
[5] DeepGEM 多中心验证研究（国内 16 家中心 3637 例 + TCGA 473 例），Nature Medicine, 2025
[6] 每日经济新闻. 钟南山院士团队发布肺癌病理基因 AI 模型：最快可 1 分钟预测 12 个肺癌基因靶点. 2026-10-10
关于康测
about SEQHEALTH
武汉康测科技有限公司成立于2016年，公司坐落武汉，先后获得国家高新技术企业、3551创业人才企业、3551长期创新人才企业、科技小巨人企业、瞪羚企业等认证。
康测科技致力于新一代组学技术的开发和在生物医学研究领域的应用。公司以绝对定量测序技术和自动化IP技术为核心，建立了涵盖基因组、表观基因组、转录组、表观转录组、免疫组和互作组在内的全面的组学服务体系。技术水平在植物、微生物、动物复杂组织的表观遗传研究领域处于行业领先地位，已完成项目数达10000+，拥有数十台高通量核酸提取、QC、IP、建库、pooling、二/三代测序等自动化生产平台。
下辖武汉康测医学检验有限公司，其依托高通量测序技术平台，全面开展实体瘤、血液肿瘤、遗传病及大健康领域的精准临床基因检测服务；以国内首个经国家知识产权局授权的SMP液态活检技术为核心，联合合作医院开展多癌种MRD科研项目，并提供本地化NGS实验室整体解决方案。实验室连续多年满分通过国家卫健委临检中心、美国病理学会等机构组织的室间质评，检验能力获得美国病理学会（CAP）、美国实验室认可协会（A2LA）的ISO 15189双重国际认证。
✅ 电话：027-65563640
✅ 邮箱：medical@seqmed.cn
✅ 官网：www.seqmed.cn
