Точная оценка ответа на лечение требует пространственной, молекулярной и лонгитюдной информации. Визуализация отображает объём опухолевого поражения, анатомическое распределение и морфологическую эволюцию, тогда как циркулирующая опухолевая ДНК (ctDNA) предоставляет системный молекулярный сигнал, формируемый выделением опухолью генетического материала, клональным составом, характеристиками анализа и давлением терапии. Поскольку эти методы измеряют неидентичные параметры, клинически обоснованное расхождение между ними может отражать запаздывание одного метода относительно другого, сайт-специфическое прогрессирование, клональную эволюцию или техническую неопределённость.

Авторы предлагают многомерную, мультимаркерную таксономию расхождений, охватывающую направленное, временное, пространственное, молекулярное и техническое измерения. Важно различать изолированное и персистирующее расхождение, подчёркивая точное временное выравнивание, аналитическую достоверность и ортогональное подтверждение.

Текущие данные поддерживают прогностическую комплементарность методов и демонстрируют измеримые расхождения при различных типах опухолей, однако клиническая применимость зависит от контекста. Рандомизированные исследования, такие как PADA-1, показывают, что адаптация терапии на основе молекулярных данных может быть полезна, когда определённый биомаркер связан с валидированным вмешательством. В то же время другие исследования иллюстрируют, что простая детекция молекулярного сигнала сама по себе не гарантирует пользы от раннего изменения лечения.

Авторы позиционируют мультимодальный искусственный интеллект как инструмент поддержки принятия решений с учётом неопределённости, а не как автоматизированный селектор терапии. Будущие системы должны сохранять специфичную для каждого метода информацию, обрабатывать нерегулярные лонгитюдные данные, квантифицировать неопределённость, выявлять информационные пробелы и рекомендовать переоценку, соответствующую доказательной базе.

Проспективная валидация должна приоритизировать клиническую полезность, потенциальный вред, переносимость, управление и чистую выгоду, а не только дискриминационную способность моделей.