肿瘤药AI去治肺动脉高压，够不够格？这笔账我先泼盆冷水
今天想聊一件挺拧巴的事。
石家庄那家做CAR-T的森朗生物，最近在《European Respiratory Journal》上发了篇临床研究，用CD19 CAR-T去治结缔组织病相关的肺动脉高压。肺动脉高压这病，懂行的人都知道，传统免疫抑制治疗一旦无效，后面路非常窄。森朗敢把肿瘤线跑通的细胞治疗往这儿推，数据出来，期刊认了，这是真事。
但我想说的不是这个药多牛。我想说的是另一头：一堆做AI的人看到这种新闻，眼睛又开始放光。
“CAR-T拓展新适应症，AI可以帮忙做患者筛选、做方案匹配、做临床数据治理。”话没错，全对，全没用。我今天就把话撂这儿——肿瘤药AI训练出来的那套打法，直接往罕见病、往自身免疫这条线上搬，大概率要翻车。
这笔账我们慢慢算。
数字先拉出来
CAR-T是什么流程？从患者采血、分离T细胞、体外修饰扩增、回输，到后面盯着细胞因子释放综合征、神经系统毒性，整个链条上每个节点都有明确的检测指标、标准工时、不良反应分级。你去做个AI助手，从住院医嘱到不良事件上报，每个环节能抠出几分钟，算得清清楚楚。我前面文章写过批记录、写过SAE报告，就是这个逻辑——流程越厚、单据越多、人越忙，AI越容易算出省下几个钟头。
肺动脉高压不一样。
你去看森朗这例CTD-PAH的临床场景：结缔组织病本身就是一个筐，系统性硬化症、系统性红斑狼疮都往里装，肺动脉高压是它最要命的并发症之一。一个患者从风湿免疫科转心内科再转呼吸科，病历在三个科室漂着，免疫指标和心导管数据对不上账，这会儿你让一个肿瘤线训练出来的AI去“筛选入组”，它连什么叫治疗无效、什么叫传统免疫抑制失败都圈不齐边界。
肿瘤药AI的习惯是吃标准病历、吃结构化CRF表、吃明确的入排标准。罕见病和免疫病？光“治疗失败”这四个字，三家医院能写出五种口径。这地方最容易踩坑——你的AI不是不聪明，是它被喂大的那套数据字典，在这张桌子上根本不开张。
我更想泼冷水的是“迁移学习”这四个字
行业里总有人说，模型迁移一下就好了，不就从肿瘤转到免疫了吗。
我问问你，迁移的是词表还是流程？市面上大多数医疗AI，所谓迁移学习就是把肿瘤病历里的术语表还掉一批，把“CD7”“CD19”这类靶点名字换成“抗核抗体”“肺血管阻力”，然后宣称自己覆盖了新适应症。这叫换标签，不叫迁移。
真正的差距在哪？在时间颗粒度。肿瘤临床试验，按周期化疗、按周评估，进展了出组，节奏是可以预期的。肺动脉高压的随访评估动辄6分钟步行试验、右心导管，有些观察终点要拖半年以上才有意义。你的AI如果只会盯着入院到出院的短期窗口干活，到了慢病战场连“疗程”这个概念的边都摸不到。
还有个更要命的。森朗这次不是单纯做临床研究，它后面牵的是体内CAR-T这条线——2026年7月刚和Tempest达成战略合作，推进TPST-4003这个体内CAR-T候选药，计划入组约10例重症肌无力、多发性硬化症患者。体内CAR-T和去年大家扎堆做的体外CAR-T，工艺逻辑完全两码事。体外那套，细胞采出来在外面改造，每一步都有操作规程卡着。体内的呢？你要用载体直接在患者体内改造T细胞，这中间的质控点在哪、不良反应怎么归因、从“给药”到“起效”这段模糊期谁来盯——全是新账。
我问一句：那些说“AI可以辅助罕见病CAR-T临床”的人，你训练数据里用过几个体内CAR-T的真实病例？怕是连IIT（研究者发起试验）的原始记录都没摸过吧。
认真驳一个反方
肯定有人反驳我，说舒毅你太较真了。AI本来就不该死磕单一病种，先上了再说，跑起来才有数据，跑起来才能迭代。肿瘤线跑通了，免疫线不能等完美数据，先切进去占个坑，不然窗口就关了。
这个说法，表面看是务实，实际上是偷懒。
先上了再说，听起来像敏捷，但医疗场景不是互联网，错了可以回滚。你给一家做CAR-T的公司上一套患者筛选AI，它把边界画大了，进来几个不符合“传统免疫抑制治疗无效”的患者，轻则数据污染，重则研究者对整个工具链失去信任。在临床场景，“先上线再迭代”的代价不是宕机，是有人在一张真实的病床上被错误地判断了。
而且，占坑这个逻辑在罕见病尤其不成立。罕见病患者本来就少，森朗TPST-4003整个计划入组才10例。你占的不叫坑，叫盆——总共没几例患者，你AI还占着算力在旁边猜，猜错一例，研究者自己就把工具扔了。这就是我说的翻车点：小样本场景里，AI的“差不多能用”等于“基本没用”。
那AI该去哪干活
我不是说这事儿不能干。我是说，得换个姿势干。
肿瘤药AI那套经验里，真正能带过来的不是病情知识，是流程意识。你去看森朗这单PAH研究背后的文件强度——新药临床试验审批规范、CAR-T说明书撰写指导原则、生物医学新技术临床转化应用条例，光是2026年这一年，药监局、卫健委在细胞治疗这条线上发了多少文件，下面的人改模板改到半夜。这个才是眼下能立刻掐出时间的口子。
具体点说，就从这几天正式公布的新版《药物临床试验质量管理规范》切入。9月1号就要施行了，强调“试验参与者”保护。CAR-T往免疫病、往罕见病上走，知情同意书比肿瘤线厚一倍，因为要解释清楚的未知风险更多，版本迭代也更密。一家小公司的医学部就那么两三个临床药理的人，手里同时压着几个试验。你做一个AI，专门把旧版GCP、新版GCP、机构伦理意见、申办方模板全文切片比对，把每次修订的差异先扫出来，把“这条改动了受试者知情同意条款”先标出来，别让人拿肉眼对PDF。这一个动作，一周省出来的可能就是十来个钟头。
我不是让你不碰临床判断。我是让你知道，临床判断留给人，把跨版本比对、差异报告、文件追溯这类琐碎但必须精准的活，先接过去。等你在这些具体环节上把研究者的信任赚回来了，再谈什么患者分层、方案推荐。
结尾再往前推半步
所以我的观点很简单，也很不讨喜：肿瘤药AI在2026年8月这个节点，最不该干的事，就是追着森朗这种“肿瘤药往免疫病走”的热点喊迁移。 真正该做的是把“流程账”往更深的地方打——深到连肺动脉高压这类慢性病、连体内CAR-T这种新工艺都能给你算出具体钟头的时候，AI才算真正进了门。
好AI的标准从来不是“什么都能聊”，而是“在这个环节上，它做的活你换人来干，要花几个钟头，数字拉得出来。”
这个数字拉不出来，谈迁移，都是形容词。
对做医疗AI、尤其是帮小公司落地的同行，今天这场凉水就当提个醒。森朗的临床数据是硬的，但数据硬不硬，跟你的AI够不够格，是两码事。
先把流程里那十来个钟头掐出来，再跟我谈迁移。