癌症的分类有哪些

一般问到癌症的种类，大家的第一反应都是肺癌、乳腺癌、直肠癌等等。没错，但这是癌症分类的第一个1.0版本。近百年来，随着现代医学的发展，癌症分类有过四次革命性的升级，从最初的1.0版到2.0版再到3.0版，现在最新的4.0版已经出现在地平线上。

分类不断升级的基本目的是为了给患者更好的“个性化治疗”。

只有了解癌症的现代分类，才能更好地与医生沟通，了解新药背后的原理，为患者选择最合适的治疗方案。

癌症分类版本1.0

一千多年前，癌症的概念就出现了。慢慢的，大家开始按照发病的部位，或者说是癌组织的来源来对癌症进行分类，比如肺癌、胃癌、直肠癌等等。这种分类直观易懂。我们通常说的肿瘤排名就是基于这种分类。

这种根据“部位”的分类是“癌症分类1.0版”。虽然简单，但也是一场革命，因为这种分类不仅便于彼此交流，而且具有临床价值，因为显然肺癌和乳腺癌从生长特征到治疗方法都有很大不同。

癌症分类版本2.0

随着技术的进步，医生发现癌症可以根据临床特征，尤其是显微镜下癌细胞的特征(病理学)进行细分。

癌症分类2.0版:“部位+临床病理”。病理医生的主要工作是按照2.0版的标准对患者进行分类。

例如，下图显示了4种主要类型的肺癌在2.0版显微镜下的不同外观。

从1.0版升级到2.0版用了几千年，体现了无数医生和科学家的智慧。我们开始真正认识到癌症的多样性，证明了同一部位不同亚型的患者，采用不同的治疗方法，可以达到更优化的结果。

但是，人们慢慢发现2.0版本有问题。

第一，这种分类主要依靠病理医生的经验和主观判断。如果水平不高，很容易误判。

第二，即使被归为同一亚型的患者，如“晚期非小细胞腺癌”，对药物的反应有很大不同，医生仍然无法准确预测患者对药物的反应。

能否找到更好的分类方法，帮助医生优化治疗方案？

基因测序带来一线曙光。

癌症分类版本3.0

21世纪，随着对癌症中基因突变的逐渐发现和认识，我们已经进入了癌症分类3.0版的时代:“定位+病理+基因突变”。

在3.0系统下，基因检测已经成为不可或缺的一部分，所以有时也称为“基因分型”或“分子分型”。

比如“非小细胞肺腺癌”在2.0分类中是同一疾病，但在3.0分类中可以进一步细分为EGFR基因突变、ALK基因融合、KRAS基因突变等近十种不同疾病。

之所以这样分类，是因为科学研究表明，不同基因突变的肺癌对药物，尤其是新型靶向药物的反应大不相同。

如下图，当靶向药物“Trocquer”用于所有“非小细胞腺癌”时，疗效相差很大。有的人效果非常好，有的人没有效果。肿瘤甚至在快速生长。

为什么？

之前在2.0版本的分类下，我们根本看不懂。直到基因检测才发现，Trocquer对肺癌的疗效主要是由患者的基因突变类型决定的:EGFR突变患者往往效果良好(灰色)，而相反，如果癌细胞是KRAS突变(蓝色)，“Trocquer”则完全无效。

因为类似临床试验的结果，医生开始推荐患者进行基因检测，并根据是否存在EGFR、ALK、或KRAS突变进一步分类，以确定患者是否适合使用“Trocquer”、“Iressa”等不同的靶向药物。

随着分类的进展，人和医生之间的对话也发生了变化:

1.0次:“父亲的肺癌应该怎么治疗？”

年龄2.0:“我的父亲应该如何治疗他的3期非小细胞肺腺癌？”

纪元3.0:“我父亲的EGFR基因有第19外显子突变。3期非小细胞肺腺癌应该怎么治疗？”

显然越来越复杂了。但是不要崩溃，还没有结束，因为随着免疫疗法的兴起，4.0版本就要出来了。

癌症分类版本4.0

近两年“部位+病理+基因”的癌症分类3.0版已经不够用了，因为它无法预测最近流行的免疫疗法的效果。

癌症分类4.0版:“部位+病理+基因突变+免疫特征”是目前最热门的研究领域之一。

也许再过几年，我们就要这样问医生了:“我父亲的PD-L1阳性1+，CD8细胞阳性1+，新抗原指数2+，EGFR基因外显子19突变，3期非小细胞肺腺癌应该怎么治疗？”

99%的人应该已经晕了，这很正常。放心吧，这是科研的前沿，还不成熟，暂时不会广泛应用于临床。

但是4.0版本是不可阻挡的趋势，所以我建议你要么早点开始学习，要么多和生物医药的学生交朋友。

每个人的癌症都不一样。为了优化治疗，癌症的类型肯定会分成越来越小的类型。最终的结果是每个患者都是独特的类型，适合独特的治疗方法。所谓“一人一方”。

但是当分类太细太复杂的时候，就会带来一个很大的问题:不仅是患者，很多医生也会很困惑，因为信息太多，选择太多。我该怎么办？

这时候你就需要一个傻瓜软件了。只要你输入各种信息，计算机就能输出推荐的治疗方案，比如如下:

理想情况下，推荐的方案应该不是固定的方案，而是会有多个选择，根据成功概率、价格、副作用风险等因素进行排序，就像现在买机票订酒店一样。选择最适合患者需求的疗法。

它最大的难点是背后的数据库，不仅需要随时更新临床研究结果，还需要人工智能的学习能力，门槛不低。

已经有人开始做了，相信这是一个在不久的将来会爆发的商机。