https://mp.weixin.qq.com/s/ZUMeSobNyPn_yI5QLusGQA
原创Iris 早筛网 2022-02-13 20:13

癌症与全球显著的疾病死亡率息息相关。
在过去的几十年中，癌症的筛查、诊断、病程管理和生存率取得了巨大进步，但在提供个性化和以数据为导向的治疗、护理方面仍然存在挑战。
人工智能 (AI) 是用于预测和自动化的计算机科学的一个分支，已成为改善医疗保健和促进医疗保健精准度的潜在解决方案。
人工智能在肿瘤学中的应用包括但不限于优化癌症研究、改进临床实践（例如预测多个参数和结果的关联——包括治疗反应预测和预后评估）以及更好地理解肿瘤分子生物学。
在本文中，我们将阐述人工智能在肿瘤学中的现状，包括基础知识、当前应用、局限性和未来前景。
高死亡率笼罩下的阴影
纵观全世界的疾病发病率和死亡率，癌症原因在其中占比极高，不容忽视。
2020年，全世界大约有1930万例癌症新发病例，预计这一数字将在未来几十年内不断增加。据相关机构预测显示，2040年全球将有3020万癌症新发病例。
尽管在过去二十年中癌症诊断和管理取得了显著改善，癌症死亡率也显著降低，但癌症相关死亡人数依旧只增不减。因此我们必须促进医疗保健领域的创新，尤其是癌症治疗领域的创新。
实现癌症的早期诊断仍然是一项重大的全球挑战。
有效的筛查举措受到公众支持、财政支持等的限制，并不能涵盖所有的高危人群。在没有循证适应症的情况下扩大筛查计划可能会导致巨大的经济负担，并让宝贵而有限的医疗卫生资源产生浪费。
尽管癌症治疗选择在过去几十年中有所扩大，但只有一部分特权患者受益于新型抗癌药物，而当前治疗的成本效益比并不理想。因此，迫切需要使癌症治疗更加实惠和个性化。
开发新的抗癌疗法是一个时间和资源密集型的过程。即使一种药物通过了临床前测试并进行了临床试验，但其成功率也很低，患者入组也具有挑战性。
从肿瘤提供者和医疗保健系统获取的数据复杂多样。原始医疗数据的相关性通常有限，因此获得有意义的临床见解和分析依赖于充分的数据提取、处理、分析、解释和整合。
我们必须承认人脑处理信息的能力有限，因此迫切需要实施替代策略来处理现代大数据。
越来越多的研究强调人工智能是一种新兴工具，通过分析可用数据来帮助个性化癌症治疗和护理策略。
除了数据可用性的提高之外，存储和计算能力的增强也促进了数据处理技术的发展，例如机器学习 (ML) 和人工智能 (AI)，这些技术正成为癌症治疗和护理过程中解决复杂问题的越来越重要的工具。

图片来源网络
用于癌症成像的人工智能
人工智能可以描述为计算机科学的一个分支，它处理计算机中智能行为的模拟。人工智能依赖于计算机遵循人类建立或通过计算机方法学习的算法来支持决策或执行某些任务。
人工智能特别适用于处理图像的医学领域，特别是放射学和病理学。
在放射学中，人工智能有很多应用，尤其是深度学习算法，用于分析在常规癌症护理过程中获得的成像数据，包括疾病分类、检测、分割、表征和监测。

• 分类：图像分类在癌症筛查研究中是必要的。AI可以帮助放射科医生获得更好的结果、节省时间并支持小病灶的分类，它还可以帮助创建更好的组织工作流程。
• 检测：人工智能可以帮助识别人类可能遗漏的癌性病变。例如，它可用于在MRI读数上发现肺结节或脑转移瘤。
• 分割：通过精确识别病变并访问其体积和大小，有助于根据器官或病变对单个像素进行分类。
• 表征：深度学习方法可以应用于医学图像，以提取人类无法检测到的大量特征，并潜在地揭示疾病特征和模式。放射组学是研究这些特征的主要领域。
• 监测：人工智能可用于监测特定病变（例如稳定性与进展）。使用AI可以显著改变癌症的监测方式，因为它能够检测人类无法读取的成像中的大量判别特征。

生成对抗网络 (GAN) 是一种AI模型，可以根据任何类型的数据生成新图像。一个可能的应用是从MRI成像生成合成计算机断层扫描 (CT) 成像。这项技术有可能支持放射治疗计划，它已被证明可用于自动化前列腺癌调强放射治疗 (IMRT) 的剂量分布。
此外，生成网络，包括其他类型的架构（例如，自动编码器(AE)和变分自动编码器(VAE)），能够改善多模态成像的采集，例如MRI和CT扫描、减少辐射剂量和静脉注射对比。由于肿瘤患者必须对肿瘤分期进行常规扫描，因此AE和VAE有可能在提高患者安全性的同时降低医疗成本。
此外，深度学习模型可用于预测癌症的未来发展。
目前，一些人工智能应用已经在临床实践中实施，有必要进一步开发、改进人工智能并将其应用于现实世界的数据。这样的目标只能通过训练有素的解读队伍来实现，这强调了在人工智能和肿瘤学方面对下一代医生、科学家进行教育的紧迫性。
用于预测临床相关参数的人工智能
探索电子健康记录 (EHR) 捕获的大量数据使研究人员能够使用个人和历史数据作为汇总数据来识别临床相关参数的模式。
EHR以标准结构组织数据，可以使用基于AI的自然语言处理算法进行处理。这些可以是支持医疗决策制定的具有成本效益且直接的工具。
医学成像也可以是预后信息的来源。放射组学可用于评估和预测肿瘤学中的临床相关参数。由于常规成像用于癌症诊断和患者随访，放射组学理论上可以很容易地整合到癌症治疗和护理中。
其他类型的信息，例如基因组数据，也可用于预后评估目的。风险分层、治疗并发症、生存和治疗反应是可以使用AI算法访问的一些预后参数（如下图），但仍有很长的路要走，利益相关者的教育也是成功的关键因素。

人工智能在癌症患者病程中的潜在应用
基于AI的模型可用于癌症诊断之前和之后的临床前（橙色框）和临床场景（绿色和蓝色框）。在现实生活中的肿瘤治疗及护理中，人工智能具有优化风险分层、筛查建议、诊断、预后、决策和治疗相关结果预测的潜力。
通过有效的药物再利用、加速新疗法的发现以及与RCT进行有效的患者匹配，将临床研究与常规肿瘤学实践联系起来，是AI的另一个潜在贡献。
风险分层
EHR数据的一个众所周知的应用是疾病风险分层。计算风险分层受到可回顾性审查和使用传统统计方法分析的数据量的限制。
事实证明，基于人工智能的算法能够评估非结构化数据并准确估计患者患上包括癌症在内的各种疾病的概率。AI模型可以改进风险分层定义并影响对癌症筛查建议的决策 。
这些人工智能模型可以在人口规模上使用。当前筛查指南中未包括但仍处于癌症发展高风险之中的个体可能会被识别并从早期评估中受益。对于没有既定筛查方法且在初始阶段基本没有症状的肿瘤，个性化风险预测可以促进早期诊断并可能导致更高的治愈率。
并发症治疗
AI 有可能预测与放射和化疗相关的治疗相关毒性。这有可能指导与不同治疗方式相关的风险和益处的讨论，并支持个性化的RT剂量递送。
ML模型已经能够预测因癌症治疗相关症状而导致的急诊就诊率和住院率。在临床实践中使用这些预测有助于为高危患者提供预防性支持方法。这不仅可以改善患者治疗和护理，还可以减轻医疗保健系统因可预防的就诊情况而产生的负担。
生存率和疾病复发预测
现有的研究已经为许多癌症类型开发了生存预测算法，包括乳腺癌、前列腺癌和肺癌。与传统的分析方法相比，基于AI的算法在预测生存率方面表现出更好的准确性。
预测癌症存活率可以帮助制定治疗策略。可以加强对高危患者的治疗计划，同时可以避免对低危患者有边际收益的干预。
此外，可以使用人工智能模型预测治愈性治疗后疾病复发的风险。与传统的统计模型相比，使用人工智能进行复发预测的准确性更高，这将进一步支持临床随访计划的优化。
治疗反应预测
AI 可以使用从放射图像中获得的肿瘤特征来帮助预测治疗反应。AI可以预测个体患者对免疫疗法等高成本治疗的反应，并可能有助于住院患者的护理决策，并促进医疗资源的有效利用。
AI可以预测新辅助治疗后的完全病理反应。
用于癌症诊断的人工智能
癌症诊断也可以使用人工智能进行优化。
人工智能驱动的结肠镜检查已被证明是一种具有成本效益的干预措施，可有效识别良性息肉，因此不需要切除。这不仅可以节省医疗资源，还可以防止采用更具侵入性的治疗方法带来的不良事件。
对癌性和癌前病变的准确诊断可以最大限度地减少过度治疗。在这一点上，支持阴道镜图像评估的AI算法在预测宫颈癌筛查中的癌前病变方面表现出很高的准确性。在诊断时基于AI的精确癌症分层有助于最大限度地减少侵入性干预和不必要的外科手术。
无需高成本基因检测即可识别分子特征是人工智能的另一个应用。通过分析常见的苏木精和伊红 (H&E) 染色的组织切片，基于AI的算法已显示出预测微卫星不稳定性的功效。
用于癌症研究的人工智能
最近的研究指出，人工智能在癌症治疗中的益处超出了当前既定治疗策略的优化。
AI也适用于临床前环境，例如基础/转化研究和癌症药物开发。人工智能可以帮助整合和处理来自多个数据库的信息，并实现药物再利用。AI 在短时间内以可承受的成本识别潜在的新药。药物测试可以模拟和预测癌症疗法的有效性，从而在体内实验中获得更好的结果，进而加速临床研究。
使用人工智能也可以提高临床试验的效率。使用AI模型预测研究结果，可以显著降低药物开发成本。
人工智能已被用于识别临床试验的患者，方法是结合纳入和排除标准来搜索EHR并识别符合条件的患者，从而促进参与者的招募。这些系统显示出很高的准确性，而只需要人工审查所用时间的五分之一。
人工智能与个性化医疗
肿瘤患者治疗、护理方面的许多创新源于患者个体生物学和临床特征（即基因组学、放射组学、代谢组学和其他“组学”）的大量信息以及生物标志物、靶向治疗、成像技术的发展和无线监控设备。
人工智能已成为帮助医生提供更精确和准确治疗和护理的工具。其巨大的数据分析能力产生的建议可用于提供个性化医疗指导。人工智能可以对许多癌症阶段产生重大影响，包括癌症预防、药物发现和基于基因组的干预。
在分子生物学领域，人工智能正在通过生物学和计算机科学家的合作促进对肿瘤生物学理解的独特见解。
癌症是一种基因组疾病，因此肿瘤学特别受益于人工智能创新也就不足为奇了。例如，癌症中的DNA甲基化评估已被证明可用于分类和预后。机器确定的DNA甲基化方法可导致70%以上的人类标记肿瘤重新分类，这可能导致预后和治疗决策显著不同。
辅助决策系统（例如 Watson for Oncology）已显示出与多学科团队做出的决策具有可接受的一致性。这可以帮助以快速且资源较少的方式做出患者级别的决策。此外，预测癌症手术等待时间的新算法允许个性化的预康复方法可能会带来更好的手术结果。
人工智能系统提供准确的数据和图像分析，但结果只有在经过验证、可解释和临床相关的情况下才有用。将基于AI的系统成功纳入临床实践需要对目标用户进行培训，并对所有利益相关者进行有关方法的基础教育，包括其局限性和伦理困境。
AI模型还有望在复杂病例中发挥价值，例如在那些表现为未知原发性癌症的患者中。基于H&E染色的全切片成像的深度学习模型能够以 83%的准确率对转移性肿瘤的起源部位进行分类。像这样的技术特别有价值，因为大多数患者无法获得对其肿瘤的广泛表征。
人工智能在精准肿瘤学中的作用是显而易见的：它可以通过将日益复杂的知识纳入临床决策来增强人类的判别能力，也有助于解释日益多样化和复杂的数据及其在个性化管理中的应用。
从实验室到诊所的人工智能
——挑战与范围
尽管许多公司已经实施了基于AI的算法来进行数据评估，但将其转化为临床实践仍然是一个挑战。
这其中的障碍包括数据收集和培训方面的限制、前瞻性临床验证的缺乏、用户教育和道德/监管指南方面的困难。这与数据范围准确性和所收集信息的相关性有关。有意义的数据需要具有相关性、高质量和可处理性。
数据分析的第一步是对定义的数据集进行预处理。当组合多个数据集时，需要进行归一化、噪声过滤和特征选择。在分析合并的不同数据集时，规范化成为消除偏差的重要步骤。定义特征的选择是分类、回归和模式识别算法成功的关键阶段。
精准肿瘤学的另一个主要挑战是整合从各种类型的组学和多种信息来源产生的数据，以预测生物标志物或临床结果。
此外，医学界对人工智能及其方法和应用存在相对的无知。有必要对包括患者、提供者和企业管理人员在内的所有利益相关者进行教育，以便将进步转化为更高质量的治疗和护理。
尽管可以使用人工智能来降低成本，但需要大量的基础设施投资才能实现其应用。数据存储和计算能力不是免费的，人力资源（包括信息技术和生物信息学人员）对于及时和一致地应用这些工具十分重要。
云服务正变得越来越普遍，并可能减少对单一机构高性能计算集群和专业专业人员的初始投资需求。尽管如此，存储成本和计算时间仍然会产生大量费用，并且必须确定基于人工智能的临床服务的报销。需要建立质量控制流程以确保技术的安全应用。
未来展望
一旦解决了挑战并通过前瞻性研究验证了AI算法，基于AI的模型的未来方向将是在每个场景中成为医疗保健的一部分。
在不久的将来，肿瘤人工智能应用将通过数据智能、更好的肿瘤理解、更精确的治疗选择和改进的决策过程来实现。
此外，集成到智能手机应用程序中的风险评估工具将为公众提供即时的癌症风险评估。接受高风险评估的患者可能会被激励去寻求治疗和护理并遵守医疗建议。
在初级保健环境中，算法将帮助医生决定何时将患者转诊到上级医疗中心。医疗中心可以受益于将算法纳入EHR系统，作为更好地分配资源的替代方案（基于对癌症发展或癌症相关并发症风险较高的患者亚组的了解）。
结论
人工智能已经对医疗保健产生了重大影响，并将继续彻底改变医学。
人工智能潜力巨大，可应用于癌症研究、筛查、诊断、治疗和监测。人工智能还具有降低医疗成本和差距的潜力。目前已经有研究利用各种医学数据（包括自由文本、实验室和成像结果、放射图像和组学数据）开发了一些工具，但有必要进一步研究以继续并确保数据分析和临床应用的有效性和实用性。
来源（有删改）：Eduardo Farina, Jacqueline J Nabhen,et al。An overview of artificial intelligence in oncology.Future Science OA. https://doi.org/10.2144/fsoa-2021-0074