在癌症治疗中，免疫检查点抑制剂（ICIs）如抗CTLA-4和抗PD-1/PD-L1药物能够在部分晚期癌症患者中产生持久治疗反应。然而，大多数患者在接受这些治疗时并未获得显著的临床益处，同时还导致不必要的经济负担。因此，开发一种能够预测ICIs疗效的模型，对于精准医疗具有重要意义，能够帮助医生识别出更有可能受益或更有可能不受益的患者。

目前，肿瘤突变负荷（TMB）和PD-L1表达是美国食品药品监督管理局（FDA）批准的预测ICIs疗效的生物标志物，但这些标志物的准确性有限，且在临床应用中存在实际限制。因此，临床迫切需要一种能够以低成本、快速获取的定量预测标志物。

评估ICIs疗效的理想候选者可能包括系统地整合广泛可用的临床变量和常用的实验室血液检测的标准化测量。既往有研究报告体重指数（BMI）、中性粒细胞与淋巴细胞比值（NLR）或白蛋白（ALB）与ICIs反应的关系。然而，临床和实验室数据的综合分析及其预测不同癌症类型ICIs结果的潜力尚未有过报道。

机器学习是人工智能的一个分支，它使算法能够从数据中学习，识别关键模式并做出预测。这些模型已经在各种生物医学领域取得了成功。

本研究探讨了机器学习是否可以使用常规血液检查和标准临床变量预测ICIs结果。在三个真实世界队列和10个全球3期临床试验队列上进行训练、测试和外部测试这个机器学习模型预测ICIs的疗效结果（Nat Med. 2025 Mar;31(3):869-880. doi: 10.1038/s41591-024-03398-5）。