多囊卵巢综合征（PCOS）是最常见的内分泌疾病之一，影响着12.1%的育龄女性，但其定义至今仍不够精确。1 尽管该病在全球范围内发病率很高，但目前诊断和治疗的依据仍然主要是基于广泛的综合征标准，这些标准未能充分反映其生物学上的多样性。这种临床异质性与诊断统一性之间的矛盾长期以来限制了对该疾病机制的发现、治疗方法的创新以及个性化护理的发展。随着人工智能（AI）在生物医学研究中的日益应用，它正在改变我们对像PCOS这样的复杂多因素疾病的认知和分类方式。2–4
最近的数据驱动的亚型划分研究，特别是高某团队在《自然医学》（Nature Medicine）上发表的标志性聚类分析，展示了机器学习如何能够改进疾病分类，推动精准医疗的发展。5和6 通过分析超过10,000名中国PCOS女性的数据，高某团队基于九个常规检测的临床指标（体重指数、促卵泡激素、黄体生成素、硫酸脱氢表雄酮、睾酮、性激素结合球蛋白、抗苗勒管激素、空腹胰岛素和血糖），识别出了四种可重复的亚型：高雄激素型PCOS、肥胖相关型PCOS、性激素结合球蛋白升高型PCOS以及黄体生成素/抗苗勒管激素升高型PCOS。
对该队列的纵向随访和治疗效果分析进一步表明，常规检测的激素和代谢指标可以将PCOS患者分为具有不同代谢风险、生殖结果和治疗反应性的亚组。重要的是，这些通过AI得出的亚型并不局限于特定人群，在不同队列和种族中都表现出一致性，这是实现临床应用的先决条件。这一发现与其他复杂的代谢和内分泌疾病的研究进展相呼应，在这些研究中，AI辅助的分层技术也揭示了传统诊断框架未能发现的具有临床意义的患者亚型。7–9
AI驱动的亚型划分的意义不仅在于改进疾病分类。通过将基线临床特征与长期结果联系起来，这种方法为PCOS的诊断引入了一个预后维度，这在以往的诊断中几乎不存在。它能够识别出患不良心血管代谢结局、 fertility治疗反应不佳或治疗相关并发症风险较高的女性，从而将PCOS重新定义为一种具有可预测生命轨迹的疾病，而不仅仅是一个静态的生殖健康问题。从研究的角度来看，这种分层方法为探讨疾病病因提供了有力工具，与 emerging 的遗传学和多组学研究结果一致，这些研究表明不同的PCOS表现形式可能由不同的分子机制驱动。10–12
这对临床研究设计的影响同样具有革命性。传统的PCOS试验通常在异质性人群中进行，常常导致结果不准确或相互矛盾，从而阻碍了治疗指南的制定。13–17 AI定义的亚型为基于亚型的分层或富集试验设计提供了合理依据，使得治疗效果和安全性评估更加精确。这一范式借鉴了肿瘤学和心血管医学领域的进展，在这些领域，患者分层对于将生物学发现转化为有效治疗方法起到了关键作用。对于PCOS而言，这种方法可以加速靶向干预措施的开发，同时减少不必要的治疗干预。
展望未来，将AI驱动的亚型划分纳入日常临床护理需要跨学科的协作。未来的临床决策支持系统可能动态整合纵向临床数据、遗传易感性、生活方式因素和治疗历史，以优化风险预测并指导个性化治疗。18 实现这一愿景不仅需要方法上的严谨性和外部验证，还需要建立涵盖整个生命周期的生殖健康、代谢健康和长期健康结果的综合性护理模式。
在此背景下，AI驱动的亚型划分不应被视为最终目标，而应是通往PCOS精准医疗的基础步骤。通过将这种异质性综合征划分为可操作的亚组，这种方法为疾病机制的发现、试验创新和个性化护理开辟了新的途径。如果谨慎实施，它有可能将PCOS从一个由变异性定义的疾病转变为一个基于可预测性、预防性和精准性的疾病。
