我们必将战胜肾癌

4 minute read

Published: August 08, 2026

——从真实世界、多尺度模型到精准干预的一份科学宣言

本文讨论的是作者基于现有证据所理解的潜在攻克路径，不构成个体诊疗建议，也不把任何一条技术路线视为唯一答案。

前言：为什么仍然可以谈论“战胜肾癌”

“我们必将战胜肾癌”表达的是一个长期方向：随着疾病机制逐渐清晰，实验、计算、工程与临床不断连接，肾癌造成的死亡和痛苦将持续减少。现实仍然严峻。今天只有部分晚期患者能够获得长期缓解，耐药、复发和治疗毒性仍未解决；任何关于未来的判断，都必须接受实验数据和临床结局的检验。

科学上的谨慎与雄心可以同时存在。免疫联合治疗已经让一部分晚期肾细胞癌患者获得持续完全缓解和多年生存；术后辅助免疫治疗也在特定高风险透明细胞肾癌人群中显示出总生存获益。下一步，是把这些长期缓解变成可以理解、预测、设计、验证并复制的结果。CheckMate 214 八年随访、KEYNOTE-564 总生存研究、EAU 2026 肾细胞癌指南

本文沿着一条主线展开：理解疾病，建立因果知识，设计精准干预，再由患者结局修正下一轮研究。自主、隐私、公平和人的尊严贯穿全过程。

一、何谓“战胜”

“战胜”的含义需要超越肿瘤缩小和无进展生存期延长几个月。它至少包括：

更早识别具有侵袭性的肿瘤，同时减少对惰性病灶的过度治疗；
在影像发现复发之前识别微小残留疾病；
让晚期患者获得深而持久的缓解，或将疾病转化为可长期控制的状态；
在延长生命的同时，保护肾功能、生活质量和人的尊严；
让有效治疗走出少数大型中心，以可承受的方式抵达更多患者。

这一定义把肿瘤控制、肾功能、生活质量和公平可及放在同一目标中。真正的进步需要从实验室指标延伸到患者生活：活得更久、活得更好，并尽可能保有原来的生活。

二、总体框架：一项跨尺度的系统工程

肾癌横跨多个生物层级。它从分子异常开始，在细胞状态和微环境中演化，在组织和器官中形成空间生态，最终通过患者、医院、药物研发和社会系统表现为真实结局。

理解这项系统工程，需要同时沿三条轴展开：

生物尺度轴：分子、细胞、微环境、组织、器官、患者；
转化组织轴：实验平台、医院、生物医药企业、公共传播网络、监管与社会；
认识方法轴：观察、扰动、实验模型、数学理论、人工智能和临床验证。

flowchart TB
    subgraph Bio["生物尺度：疾病怎样发生与演化"]
        M["分子"] --> C["细胞"] --> E["微环境"] --> T["组织"] --> O["器官"] --> P["患者"]
    end

    subgraph Org["转化组织尺度：知识怎样变成患者获益"]
        L["实验平台"] --> H["医院"] --> B["生物医药企业"] --> S["监管、支付与社会"]
        H --> K["医生科普、媒体与 AI 助手"] --> S
    end

    subgraph Method["方法尺度：我们怎样获得可靠知识"]
        Obs["观察与纵向采样"] --> Pert["基因和药物扰动"] --> Model["类器官、器官芯片与计算模型"]
        Model --> Theory["数学理论与 AI"] --> Verify["实验复核与临床验证"]
    end

    P -. "真实问题与结局" .-> H
    L -. "实验数据" .-> Method
    H -. "样本与临床反馈" .-> Method
    Theory -. "靶点与候选方案" .-> B
    B -. "药物与试验" .-> H
    Verify -. "修正认识" .-> Bio

这三条轴在患者处相交，并通过数据、实验和干预不断循环：疾病尺度说明我们要理解什么，研究方法决定如何获得可靠知识，转化组织负责把知识变成患者获益。

局部突破只有连接起来，才能形成系统能力：机制研究提出靶点，实验平台验证因果，数学与 AI 选择高信息量实验，医院提供纵向数据，企业完成药物开发，临床结局再修正机制。数据共享、规范采样、阴性结果记录和跨机构验证能够缩短这条反馈链。

三、理解疾病：从分子弱点到患者轨迹

肾癌在不同尺度上呈现出不同规律，而上一个尺度的变化会成为下一个尺度的条件。分子异常塑造细胞状态，细胞之间形成微环境，空间结构影响药物进入和克隆选择，不同器官提供不同的转移生态；这些过程最终共同决定患者的疾病轨迹。

3.1 分子层：从结构和相互作用寻找可干预的弱点

分子层关注基因改变、蛋白结构、代谢依赖和药物作用。透明细胞肾癌中的 VHL—HIF 氧感知通路是代表性例子：VHL 功能异常使 HIF-2α 持续活化，结构研究揭示了可供小分子结合的变构口袋，并说明贝组替凡如何削弱 HIF-2α 与 ARNT 的二聚化；随后开展的Ⅲ期试验验证了这一路径的临床治疗价值。贝组替凡变构抑制的结构研究、贝组替凡Ⅲ期研究接下来的关键，是找到关键克隆共有的依赖，同时评估靶点在正常肾脏和其他器官中的表达。

3.2 细胞层：从静态分类走向状态转换

癌细胞可以处于增殖、侵袭、休眠、药物耐受或免疫逃逸等状态，并在治疗压力下转换。研究需要追踪敏感细胞怎样进入耐药、休眠细胞怎样复苏、药物留下了哪些细胞，以及正常肾细胞在相同干预下会发生什么。

3.3 微环境层：把癌细胞放回其生态系统

透明细胞肾癌的免疫生态会随疾病阶段和分子亚型变化。单细胞研究显示，疾病进展伴随着 T 细胞功能障碍加深，以及 T 细胞与髓系细胞之间抑制性相互作用增强；多组学研究也识别出免疫浸润、基质组成和代谢特征不同的肿瘤亚型。肾癌免疫功能障碍单细胞研究、透明细胞肾癌多组学研究这些结果提示，治疗靶点既可能位于癌细胞内部，也可能存在于癌细胞与免疫、血管和基质的通讯关系中。

3.4 组织层：理解空间结构、扩散和局部选择压力

同一肿瘤的边缘、中心、坏死区和血管周围区域具有不同的氧气、营养、药物浓度和免疫组成。空间结构决定药物能否到达、残存细胞藏在哪里，以及克隆竞争和免疫攻击如何发生。

3.5 器官层：不同转移器官可能是不同的疾病生态

肺、骨、肝和脑各自构成不同的转移生态，也可能对相同药物产生不同反应。TRACERx Renal 显示透明细胞肾癌可沿若干受限但不同的演化路线获得转移能力。TRACERx 肾癌转移演化研究需要进一步理解转移种子何时离开肾脏、为何休眠，以及局部治疗何时能与系统治疗协同。

3.6 患者层：把肿瘤、药物和肾功能放在同一条时间轴上

患者层需要把病灶负荷、克隆状态、影像、药物暴露、免疫反应、肾功能和生活质量放在同一条时间轴上。这样的模型应支持治疗选择、减量或停药判断、毒性预测和微小残留疾病监测。

四、组织协作：谁来连接发现与患者

跨尺度研究需要多个组织协作。实验平台、医院、生物医药企业、监管与支付体系以及公共传播网络分别承担不同任务；数据、样本、产品、知识和临床反馈在这些组织之间可靠流动，科学发现才有机会转化为患者获益。

4.1 实验平台：把实验变成可以持续学习的系统

未来的实验平台应当把样本库、自动培养、基因编辑、成像、测序、药物合成和信息系统连接起来。自动化既提高通量，也保留时间、剂量、批次、阴性结果和失败记录，让实验历史可以计算、复核和复用。

4.2 医院：让诊疗过程成为学习系统

患者结局也受到诊断速度、病理能力、多学科协作、试验可及性和随访质量影响。医院需要把病理、影像、检验、组学、用药、肾功能和生活质量连接到同一条时间轴，并在知情同意和严格治理下，将诊疗过程转化为真实世界证据。

4.3 生物医药企业：跨越从靶点到产品的鸿沟

企业连接靶点验证、候选分子、药效、药代、毒性、制造和临床开发。核心任务是在药物形式、疗效、安全性和可制造性之间作出选择，并用上市后的长期数据继续追踪毒性与耐药。

4.4 监管、支付与社会：让有效治疗真正可及

科学有效性只是治疗价值的一部分。可靠制造、合理评价、持续供应和患者可负担性共同决定它能否产生广泛的公共健康价值。因此，证据标准、数据治理、隐私保护、风险—收益评价、支付方式、区域医疗差异和患者参与，同样属于攻克肾癌的一部分。

4.5 公共知识：让可靠信息进入社会

医生自媒体、社交平台和豆包等大众 AI 助手正在降低医学信息门槛。准确的科普可以帮助公众理解风险、检查、治疗目标和临床试验，也能让患者带着更具体的问题参与共同决策。患者经验经由公共讨论进入医生与研究者的视野，个人学习由此汇成社会学习。

传播质量决定这套系统的效益。医生、机构、平台和 AI 助手需要区分成熟证据、早期结果与研究假设，提供来源并说明适用范围；涉及个体诊疗时，应提示用户寻求专业评估。WHO 针对医疗领域大型多模态模型的治理指南也强调透明度、专家监督、部署后审计以及对虚假或不准确输出的管理。WHO 大型多模态模型治理指南

五、建立知识：从观察、扰动到因果与预测

明确了要理解的尺度和需要协作的组织之后，下一步是建立可靠知识。观察技术负责描绘系统，扰动实验负责检验因果，实验模型承载可控验证，自动化与 AI 提高迭代效率；每种方法都有明确的任务和证据边界。

5.1 单细胞和空间组学：观察细胞组成与空间关系

单细胞 RNA 测序描述肿瘤中有哪些细胞以及它们处于什么状态；空间转录组和空间蛋白组描述这些细胞位于哪里、与谁相邻；多组学进一步连接基因、染色质、蛋白和代谢。

这些技术提供了前所未有的观察能力。观察到的差异可以提出候选机制；病因和因果关系还需要扰动与功能实验来确认。

5.2 基因编辑：把相关性转化为可检验的因果假设

基因编辑在现阶段主要用于检验因果：验证肿瘤依赖，建立不同遗传背景的同基因模型，寻找合成致死与耐药机制，并绘制正常肾细胞的安全性地图。Perturb-seq 将编辑与单细胞测量连接起来，使研究从状态相关性走向状态转换的因果解释。

5.3 类器官和器官芯片：建立可干预的疾病替身

患者来源肾癌类器官可以在体外保留部分原始肿瘤的形态、遗传和转录特征，并用于药物和基因扰动研究。已有研究建立了透明细胞、乳头状和嫌色细胞等不同类型的肾癌类器官。患者来源肾癌类器官研究

类器官保留的是患者肿瘤的部分特征。常规肿瘤类器官缺少完整的免疫、血管、基质和全身环境，培养条件还可能选择性扩增某些克隆。肿瘤免疫类器官综述

更有价值的方向，是比较原发灶、转移灶和耐药时点的模型，将肿瘤类器官与配对正常肾脏、免疫细胞、血管和微流控系统组合，并检验它们与体内结果的一致性。

5.4 虚拟细胞：把大量尚未实施的干预变成可计算问题

理想的虚拟细胞可以输入细胞背景和干预条件，预测基因敲除、药物处理、细胞因子刺激或环境变化后的细胞反应。

当前多数虚拟细胞模型本质上是转录状态或扰动反应预测器，对蛋白活性、代谢、细胞形态、空间结构和细胞间通讯的模拟仍不完整。现阶段可以把它们定位为“假设生成和实验优先级平台”。Virtual Cell Challenge

虚拟细胞的发展依赖高质量、跨背景的扰动数据。只扩大模型规模而缺少新的真实实验，难以解决跨细胞类型、跨患者和跨疾病状态的泛化问题。

5.5 自动化实验室：形成“设计—执行—测量—学习”的循环

随着机器人、自动成像、云实验室和实验室信息系统逐渐成熟，越来越多实验可以被组织为闭环：

flowchart LR
    Q["科学家与 AI 提出问题"] --> D["设计候选扰动和实验"]
    D --> X["机器人和仪器执行"]
    X --> M["成像、组学、药效与毒性测量"]
    M --> QC["质量控制与结构化记录"]
    QC --> U["更新模型和不确定性"]
    U --> N["选择下一项信息价值最高的实验"]
    N --> X
    U --> Q

自动化也会高通量地产生噪声和偏差。随机化、盲法、对照、重复、批次监测、人工复核和跨实验室验证仍然不可缺少。闭环需要同时提升实验速度和信息质量，让每一次真实实验尽可能减少不确定性。

5.6 AI 正在怎样改变肾癌研究与诊疗

AI 对肾癌最直接的影响，是压缩“观察—提出假设—选择实验—临床验证”的周期，并把过去分散的影像、病理、组学、病历和文献连接起来。这种影响已经出现在四个环节。

第一，提前从影像和病理中提取风险信息。 一项纳入 4,557 名患者、13,261 组术前 CT 的研究建立了肾脏肿块良恶性和侵袭性预测模型；模型在前瞻性测试集中的 AUC 分别为 0.871 和 0.783，向七名放射科医生提供模型结果后，医生的诊断准确率也得到提高。肾脏肿块 CT 人工智能研究这类系统有望成为影像科和病理科的第二读者，帮助发现容易遗漏的模式。研究终点目前仍以病理标签和风险关联为主，能否减少不必要治疗、改善生存和生活质量，还需要前瞻性临床评价。

第二，把多模态数据组织成患者轨迹。 2025 年一项六中心研究整合 1,145 名透明细胞肾癌患者的临床资料、增强 CT 和病理切片，建立术后复发风险模型并完成外部队列验证。透明细胞肾癌多模态预后研究这展示了 AI 的一个重要方向：把分期、影像、病理、分子标志物、用药和肾功能放在同一模型中，持续更新复发、疗效和毒性风险。现有证据主要来自回顾性数据，模型真正进入治疗选择前，还要证明它能够稳定改变决策并带来患者获益。

第三，加快机制研究和药物设计。 编程智能体可以协助文献整理、代码编写、生物信息学和统计复核；病理基础模型可以从百万张级别的全视野切片中学习可迁移表征；结构模型已经能够联合预测蛋白质、核酸、小分子等复合物，为结合位点分析和候选分子设计提供计算起点。病理基础模型研究、AlphaFold 3 生物分子相互作用研究在肾癌研究中，这些工具可以帮助筛选候选靶点、预测耐药机制、排列药物组合和实验优先级。每项预测仍要进入基因扰动、类器官、正常肾模型和临床样本验证。

第四，让研究系统拥有更好的记忆与协作能力。 AI 可以整理阴性结果和失败实验，发现不同医院、不同患者群和不同时间点之间的差异，也可以协助匹配临床试验、生成可追溯的研究记录，并把复杂证据解释给医生和患者。它的价值取决于数据是否完整、来源是否可追溯，以及系统能否承认不确定性。

AI 带来的临床收益需要经过一条完整证据链：跨医院外部测试、前瞻性静默验证、与现有流程比较、评估实际患者结局，再进行部署后的漂移监测。模型还可能利用扫描仪、染色、医院流程或人群构成等数据捷径。FDA 等监管机构提出的良好机器学习实践因此强调代表性数据、独立测试、清晰的人机协作和对已部署模型的持续监测。FDA 医疗器械良好机器学习实践

六、数学理论：为复杂生命系统建立可检验的语言

实验产生事实，数学则帮助我们判断哪些事实能够组成规律。它把复杂现象压缩为明确的状态变量、动态关系和可证伪预测，使不同机制能够被实验区分，也使不确定性能够被清楚表达。

但生物系统不能简单照搬计算机程序的形式化方式。计算机由人设计，通常具有相对明确的状态、数据结构和转移规则；生物体则是演化形成的开放系统。同一基因在不同细胞和时间中具有不同作用，细胞具有随机性和历史记忆，肿瘤还会在治疗压力下改变自身，而测量往往只能覆盖系统的一小部分。

因此，生物学数学化的首要任务是找到合适的状态变量：哪些变量足以描述系统的未来，哪些细节可以合理忽略，哪些不可观测因素会让不同机制产生相似结果。求解方程要建立在这些选择之上。

6.1 用不同的有效理论连接不同尺度

更可行的路线，是为不同尺度建立边界清楚、能够相互连接并接受实验检验的有效理论。每套理论处理特定范围的问题，再通过共享变量和实验数据连接起来。

层级	可建模问题	可能使用的理论
分子	构象、结合、突变和降解	统计力学、能量景观、分子动力学
细胞	信号、代谢和状态转换	动力系统、随机过程、网络理论
微环境	免疫反应和克隆竞争	生态模型、博弈论、群体动力学
组织	氧气、药物扩散和空间生长	偏微分方程、反应—扩散、代理人模型
器官	转移生态和器官特异反应	多尺度模型、器官边界模型
患者	药代、药效、肾功能和疾病轨迹	PK/PD、状态空间模型、控制理论
医院	诊疗路径、资源和延误	排队论、运筹学、因果推断
企业	项目选择和研发策略	决策理论、贝叶斯优化、组合优化

6.2 让数据驱动模型与机制模型相互约束

数学需要定义状态空间、描述敏感与耐药之间的动态、连接多个尺度，并把治疗纳入进化选择。纯数据模型擅长高维模式，机制模型擅长可解释预测；“机制学习”用生物规律约束 AI，用 AI 补充未知方程，再由基因编辑、类器官和患者纵向数据校准参数与边界。

数学肿瘤学中的机制学习综述指出，机制模型与机器学习的结合正在用于肿瘤反应、时间结局和数字孪生等问题，但模型校准、验证、透明度和有限数据仍是核心挑战。

数学模型通过可证伪的解释连接预测与实验，并帮助我们决定下一项最值得做的实验。

七、精准干预：把疾病机制转化为治疗

机制需要导向安全、有效且可制造的干预，才能转化为治疗。开发过程要在靶点、药物形式、递送、毒性、耐药与患者分层之间进行系统优化，单一指标上的“最强”通常没有足够意义。

7.1 靶点发现：从差异表达走向治疗价值

一个靶点需要同时满足肿瘤依赖、关键克隆覆盖、正常组织安全、药物可达和耐药风险可控。单细胞与 AI 提出候选，基因编辑验证依赖，类器官测试患者背景，正常肾模型估计安全窗口，临床样本完成校准。

7.2 药物形式与精准递送

小分子可以利用结合口袋、变构位点、共价机制和蛋白降解；抗体、双特异性蛋白、免疫连接器和抗体—药物偶联物则能创造新的识别逻辑。设计需要同时考虑选择性、组织穿透、半衰期、代谢、免疫原性和可制造性。

药物还要到达正确位置。肿瘤蛋白酶激活前药、缺氧或酸性释放系统、双抗原逻辑门和可控连接子，都在尝试提高病灶暴露并减少正常组织暴露。

7.3 治疗窗口与肾脏安全

治疗窗口由肿瘤控制与正常功能保护共同决定。卡博替尼等酪氨酸激酶抑制剂可出现高血压、腹泻、蛋白尿和手足综合征；HIF-2α 抑制剂贝组替凡需要关注贫血和低氧；免疫检查点抑制剂可能引起多器官免疫相关不良反应。FDA 卡博替尼说明书、FDA 贝组替凡说明书、FDA 帕博利珠单抗说明书

扩大治疗窗口需要贯穿全程的系统能力：

用正常组织表达和配对类器官筛选靶点；
联合优化活性、选择性、组织分布和脱靶作用；
通过 PK/PD 和暴露—毒性关系设计剂量与顺序；
用器官功能和患者报告结局触发早期干预；
将真实世界安全数据反馈到下一代设计。

肾癌患者常伴有肾切除、高血压或慢性肾病，肾脏安全尤其重要。评价应覆盖肾小球滤过功能、尿白蛋白或尿蛋白、血压，以及与具体药物相关的肾小球和肾小管损伤；研究阶段还可以结合正常肾类器官、肾脏芯片及单肾模型。KDIGO 2024 慢性肾病指南

7.4 耐药与组合

耐药可能来自预存克隆、状态转换、旁路信号、器官庇护区、抗原丢失或微环境重塑。合理的联合方案需要覆盖不同耐药路径，具有可验证的协同，控制重叠毒性，并通过生物标志物、给药顺序和时间安排适配肿瘤演化。

7.5 微小残留疾病

微小残留疾病检测有望帮助判断辅助治疗、减量、停药和复发风险。一项纳入 45 例完全切除肾细胞癌患者的回顾性研究中，36 例具有术前血浆样本，其中仅 18 例检出 ctDNA；检出 ctDNA 与较差的无复发生存相关。这个结果支持 ctDNA 的预后研究价值，也说明在当前检测条件下，阴性结果不足以单独排除残留病灶。由于队列较小，相关用途仍需更大规模的前瞻性研究确认。肾癌术后 ctDNA 原始队列研究未来还可以联合突变、甲基化、片段组学、循环肿瘤细胞、尿液与蛋白标志物和高灵敏度影像，并在前瞻性试验中检验它们能否真正改善治疗决策。

八、跨疾病学习与证据阶梯

8.1 打破肾癌研究的信息孤岛

肾癌研究可以吸收其他癌种的免疫与药物工程、遗传性肾癌的自然实验、肾脏疾病的安全知识、发育与组织修复机制，以及材料、微流控、数学、物理和生态学的方法。迁移对象可以是药物、实验平台、数学结构或验证标准；每项成果都要回到肾癌和正常肾脏背景中重新验证。

8.2 让每种模型回答它能够回答的问题

二维细胞、类器官、器官芯片、虚拟细胞、动物模型和患者数据各自覆盖疾病的一部分。围绕具体问题建立证据阶梯，可以让这些模型逐级逼近真实临床情境，并用后一层证据检查前一层结论。

flowchart TB
    H["计算假设：AI、结构预测与虚拟细胞"] --> C["细胞扰动：基因编辑和药物实验"]
    C --> O["类器官：患者背景和三维生长"]
    O --> Chip["器官芯片与共培养：血流、免疫和基质"]
    Chip --> Vivo["体内和器官层验证"]
    Vivo --> Ext["独立医院与外部队列"]
    Ext --> Pro["前瞻性静默验证"]
    Pro --> Trial["临床干预和患者结局"]

    Trial -. "失败和偏差反馈" .-> H
    Vivo -. "机制修正" .-> C
    Ext -. "泛化边界" .-> O

证据阶梯要为不同问题匹配相应证据。靶点依赖性可以从基因编辑开始；药物安全必须进入正常肾模型；疗效预测模型需要跨医院和前瞻性验证；患者生存是否得到改善，最终要由临床证据回答。具体研究可以选择必要的层级，同时清楚说明结论的边界。

九、总体闭环：让患者结局推动下一轮研究

把疾病尺度、研究方法、干预方式和转化组织连接起来，就形成一条以患者为起点、也以患者结局为检验的闭环：

flowchart LR
    P["患者与真实疾病过程"] --> H["医院：诊断、治疗、样本和随访"]
    H --> D["标准化纵向数据"]
    D --> A["AI、统计与数学理论"]
    A --> Q["规律、机制和可检验假设"]
    Q --> X["基因编辑、类器官与自动化实验"]
    X --> V["因果和扰动数据"]
    V --> A
    Q --> Drug["药效、安全、递送与给药设计"]
    Drug --> Co["企业：优化、制造和临床开发"]
    Co --> H
    H --> R["疗效、耐药、肾功能与生活质量"]
    R --> D
    R --> Co
    R --> K["公共知识：医生科普、社交媒体与 AI 助手"]
    K --> P
    Other["其他癌种、肾脏疾病和相关学科"] --> A
    Other --> Q

这个闭环从患者问题出发，经由纵向数据、机制分析、实验验证和药物开发返回临床；疗效、耐药、毒性与公众反馈再进入下一轮研究。每个环节都应留下可追溯证据，使成功能够复制，失败也能缩短下一次探索。

十、从数据到预后：让每一次记录进入下一次决策

数据在正确的时间触发行动，就能实实在在地改善预后。纵向影像、检验、用药、患者自述和耐药活检共同形成疾病轨迹，并支持六类决策：

早期识别复发、进展和毒性；
综合病理、分子特征和功能状态选择治疗；
用器官功能与患者报告结局触发减量、暂停或对症处理；
及时匹配合适的临床试验；
比较医院流程并发现诊断、检测和随访中的薄弱环节；
将异常疗效、耐药和罕见毒性送回机制研究。

数据系统需要记录及时、定义一致、来源可追溯，并把影像、病理、组学、用药、器官功能和生活质量连接到同一时间轴。分析结果要说明不确定性、接受外部验证，并以前瞻性研究确认是否真正改善生存、毒性或生活质量。

共享、标准化与治理决定数据能否产生公共价值。NCI Cancer Research Data Commons 和 FDA 肿瘤学真实世界证据项目正在推动安全访问、互操作分析和临床证据生成；WHO 则强调代表性、隐私、偏差控制和公平使用。NCI Cancer Research Data Commons、FDA Oncology Real World Evidence Program、WHO 健康数据治理报告

十一、伦理与科学边界：进步必须保护人

患者首先是拥有自主权、隐私、情感和生活目标的人。样本、影像、基因组和病历都来自他们的身体与经历。研究速度、模型性能和产品价值必须服从对人的尊重。2024 年修订的《赫尔辛基宣言》将参与者的健康、权利、尊严、隐私、公平和知情同意置于医学研究的核心，也强调研究前后与参与者及其社区开展有意义的沟通。世界医学会《赫尔辛基宣言》

11.1 对人的承诺

真正的知情同意与退出权：说明样本和数据的用途、访问者、风险和商业关系，也说明退出后既有样本与分析结果如何处理；
隐私与遗传信息保护：按必要范围收集数据，使用权限、加密、审计和去标识化，并为遗传结果和偶然发现提供咨询；
公平分配风险与收益：数据和试验应覆盖不同年龄、性别、地区、经济条件、肾功能和合并疾病人群；
让患者参与问题定义：研究终点应包含生存、症状、器官功能、日常活动和生活质量；
保持人的责任与申诉渠道：AI 可以提供建议，医生和团队承担解释与决策责任，患者能够质疑错误并获得纠正；
公开利益冲突：研究资助、企业合作、医生自媒体和技术推广都应披露相关关系；
推动成果公平可及：由患者数据和公共资源支持的进步，应通过合理定价、区域能力建设和知识共享惠及更多人。

WHO 的 AI 健康伦理框架将自主、安全、透明、问责、包容、公平和可持续性列为核心原则。它们需要落实到数据采集、模型训练、临床验证、部署监测和退出机制的每一个环节。WHO《人工智能促进健康的伦理与治理》

11.2 对证据的承诺

路线图会随着证据更新，但判断证据的标准不能随愿望改变：

用扰动实验、功能验证和独立重复区分相关性与因果；
让细胞、类器官、体内模型、外部队列和前瞻性研究逐级验证结论；
分别报告肿瘤缩小、无进展生存、总生存和长期无治疗生存；
将生存获益与器官功能、毒性和生活质量共同评价；
系统记录成功、失败和阴性结果；
为模型和 AI 结论说明证据来源、不确定性与适用边界。

结语：让信念由数据和患者结局兑现

多种原理性突破正在汇合：VHL—HIF 机制打开新的药物空间，免疫治疗证明持久缓解可以发生，单细胞与空间技术揭示肿瘤生态，结构生物学和蛋白设计扩大可干预靶点，自动化实验与 AI 缩短假设到验证的周期。它们连接起来之后，进步可能呈现加速效应。

数据让进步可测量、可行动，帮助患者更早发现变化、选择治疗和控制毒性，也帮助研究者理解疗效、耐药和长期安全。本文所期待的“十足治疗效果”，是深而持久地控制肿瘤，保护正常功能，提前管理耐药，并让更多患者获得长期无治疗生存。

随着机制知识积累，数据、实验和临床反馈更加紧密，我们有理由相信，越来越多患者将在不久的将来接近这样的结果。这份信心最终由前瞻性试验、长期随访和患者真实生活兑现。

未来最有力量的系统，是一个尊重患者、持续学习的共同体。它让每次成功可以复制，让每次失败缩短下一次探索，也让有效治疗以可承受的方式抵达更多人。

这就是标题所表达的信念，也是整篇文章愿意接受现实检验的判断：

我们必将战胜肾癌。

参考资料与证据类型

以下资料按证据性质分组。临床疗效与机制判断优先列出原始研究；指南、药品说明书和伦理文件用于说明当前实践边界；综述与方法论文用于概括尚难由单篇研究覆盖的问题。

Anjie Xu