說到人工智能（AI），相信大家一定很熟悉吧。

隨著科技的發展，人工智能已經運用到了我們生活的方方面面。

作為一種新興的顛覆性技術，AI 在手機、人臉識別、圍棋等領域都有造詣。

但是，大家知道 AI 在醫療領域也有涉獵嗎？

一直以來，”AI+ 醫療 ” 都是科學家們研究的重點。

它不僅可以減輕醫療的負擔，同時也可以減少誤診漏診的發生。

那么接下來讓我們去看看，AI 在醫療領域的運用如何。

人工智能和癌癥

1

原發不明癌癥：找不到原發點的癌癥

原發不明癌癥（CUP，Cancer of unknown primary）即腫瘤起源的原發性位點并不能確定。

在現代精準醫療診療體系中，有一類患者在就醫時其腫瘤組織已經發生轉移，且通過現有的檢測方法無法找到其腫瘤組織的原發灶，從而無法對其進行標準化治療，這部分患者生存期短，生存率低，我們稱其為 ” 原發不明癌癥 ” 患者。

2

用人工智能尋找腫瘤起源

2021 年 5 月 5 日，哈佛醫學院 Faisal Mahmood 團隊在《Nature》發表的研究報告中顯示，科學家們開發出了一種人工智能（AI）系統，能利用常規獲得的組織學切片來準確尋找轉移性腫瘤的起源，同時還能產生一種 ” 鑒別診斷 ” 策略，用于對原發性不明癌癥患者進行診斷。 [ 1 ]

用 TOAD 算法

尋找癌癥

人工智能（AI）尤其是深度學習（DL）能夠大批量地處理高維數據，在哈佛醫學院的研究中，AI 就能夠利用患者組織學切片來尋找轉移性腫瘤的起源，同時還能針對原發不明原因的癌癥患者產生一種鑒別診斷策略。

這種基于深度學習的算法被稱之為 TOAD 算法，能同時識別腫瘤到底是原發性的還是轉移性的，還能預測其起源的位點。

研究人員利用約 2.2 萬個腫瘤病理學切片來訓練該模型，隨后在 6500 個已知的原發病例中檢測 TOAD 算法，并分析越來越復雜的轉移性癌癥病例，以此來建立針對原發不明癌癥的 AI 模型。

對于已知原發性起源的腫瘤而言，該模型能準確地在 83% 的時間里正確識別癌癥，并在 96% 的時間里將診斷列入前三名的預測結果中。

然后，研究團隊在 317 個原發灶不明癌癥中測試了該 AI 模型，結果發現該 AI 模型的診斷與病理學家的一致率為 63%，前三名診斷一致率為 82％。

AI+ 醫療

未來的路還很長

AI 醫療在未來的

3 大發展優勢

癌癥診斷：

減少診斷 ” 假陽性 ”

在診斷方面，傳統方式是通過計算機輔助檢測系統（CAD）進行診斷，這需要專家對數據進行預處理和篩選，以及手工定義診斷規則和相關圖像特征，由于過分依賴專家預先設定的標準參數進行診斷，所以容易出現假陽性的情況。

而 AI 深度學習算法則可以依靠海量數據自主學習專家的診斷方法，獨立自主地處理圖像并對疾病進行診斷。

自動提取圖像特征：

發現肉眼難以觀察到的改變

因為專家在常規閱片時，難以識別如此之多的定量資料，而 AI 能夠同時處理大規模定量資料并建立相關性，并且每一次分析具有可重復性。

例如，肺部的良、惡性結節相似度高，難以肉眼準確區分。

AI 能夠自動提取影像學生物標志物特征，檢測出人眼難以發現的微小結節，同時降低假陽性，進而對肺部結節進行鑒別，并將腫瘤風險評估、鑒別診斷、預后預測及治療療效相聯系。

腫瘤監測及治療療效預測：

輔助專家實時監測腫瘤

在腫瘤治療療效的監測中，腫瘤體積的變化是重要的評價指標。當腫瘤體積明顯縮小時，肉眼可以識別，但如果只是腫瘤質地改變、瘤內異質性改變時，肉眼難以識別。

AI 則可以通過處理治療不同時間節點的 MRI/CT 圖像，學習并提取相應腫瘤質地及異質性改變特征，準確識別腫瘤改變的區域，并給出腫瘤內部變化的熱點圖，進而輔助臨床專家對治療療效進行判定。 [ 2 ]

AI 醫療未來 3 大難點

數據可及性：

缺少數據支撐

可靠的 AI 模型需大量高質量訓練數據支撐，但很多醫院或研究機構出于研究保密或患者隱私保護，很難實現數據共享，數據的 ” 孤島現象 ” 是困擾 AI 臨床應用的關鍵問題。

模型泛化性：

數據無法通用

泛化性指模型對未訓練數據的預測能力，即 A 醫院數據獲得的模型在 B 醫院預測的準確性。

模型的泛化性主要受限于數據本身的一致性和數據標簽注釋的主觀性。

不同的拍照設備、光照條件和個體間差異將影響圖像數據的一致性，不同的檢驗儀器、檢驗試劑也對臨床數據影響較大。

結果可解釋性：

無法顯示參數運算過程

AI 尤其是 DL 因為其內部決策過程被成千上萬的訓練參數所掩蓋，所以實踐中 AI 算法的權重和特征通常是不可解釋的，因此，臨床醫師很難充分把握模型的工作過程和具體影響因素。 [ 3 ]

當然，以上研究結果只是使用全切片圖像來進行人工智能輔助的癌癥起源預測的第一步，目前 AI 在腫瘤領域的應用尚處于初步探索階段。

相信將來會有越來越多的 AI 醫療數據來建立算法，同時隨著 AI 在不同疾病上的應用經驗積累，我們期待 AI 在診斷水平上會有更大的提升，未來或有望讓診斷過程標準化并改善當前的癌癥診斷策略。

參考文獻：

[ 1 ] https://www.nature.com/articles/s41586-021-03512-4

[ 2 ] 袁紫旭 , 徐挺洋 , 姚建華 , 等 . 人工智能在惡性腫瘤診治中的應用 [ J ] . 中華實驗外科雜志 , 2019, 36 ( 2 ) :203-207.

[ 3 ] Zhu W, Xie L, Han J, et al. The Application of Deep Learning in Cancer Prognosis Prediction [ J ] . Cancers ( Basel ) , 2020, 12 ( 3 ) : 603. DOI:10.3390/cancers12030603

來源：ZAKER