人工智能和机器学习在癌症诊断和治疗方面显示出前景

　　

人工智能(AI)、深度学习(DL)和机器学习(ML)已经改变了许多行业和科学领域。现在，这些工具正被应用于癌症生物标志物发现的挑战中，对大量成像和分子数据的分析超出了传统统计分析和工具的能力。在癌症生物标志物专刊中，研究人员提出了各种方法，并探讨了使用AI、DL和ML来提高癌症和其他疾病的生物标志物的准确性和预测能力的一些独特挑战。

Richland太平洋西北国家实验室客座编辑Karin Rodland博士解释说:“生物标志物领域拥有过多的成像和分子数据，同时，也有太多的数据，没有人能够完全理解。”以及美国俄勒冈州波特兰的俄勒冈健康与科学大学。“人工智能为这个问题提供了一个解决方案，它有可能发现更准确地反映癌症和其他疾病生物学特征的新型相互作用。”

本期中介绍的AI、DL和ML有希望的应用包括识别早期癌症、推断特定癌症的部位、帮助为每个患者分配适当的治疗方案、描述肿瘤微环境和预测免疫治疗的反应。

关于使用人工智能方法识别卵巢癌和胰腺癌生物标记物的文献的全面概述阐明了潜在的原则，并从整体上审视了该领域面临的空白和挑战。卵巢癌和胰腺癌很少见，但由于缺乏早期症状和发现，它们是致命的。首席研究员Juergen A. Klenk博士，生物医学数据科学实验室，德勤咨询有限公司，阿灵顿，弗吉尼亚州，美国，及其同事描述了使用人工智能和ML分析图像的早期疾病检测，以及可以建立模型来预测患者可能的结果的研究。文中讨论了一些挑战，比如收集足够大的数据集的困难。

“当算法所训练的数据不具代表性或不完整时，它们就会产生偏见，并产生偏见反应，”克林克博士说。研究人员建议，要想对生物标志物的发现产生真正的影响，需要建立更大、更多样化的机构罕见癌症图像数据库、标准化的报告方法和更容易理解的界面，以增加用户的信任。

首席研究员李德彪博士，来自美国洛杉矶Cedars-Sinai医学中心生物医学成像研究所，他和他的同事开发了一种模型，用于识别胰腺导管腺癌(PDAC)风险个体。PDAC与许多计算机断层扫描(CT)可见的先决条件异常有关，但这些异常很难通过视觉评估来理解。在他们的研究中，研究人员使用了确诊PDAC患者的CT扫描，以及确诊前6个月至3年做过CT扫描的同一患者的CT扫描，以确定一组可能预测PDAC的CT特征。该模型使用已识别的CT特征对患者和健康对照组进行分类的准确率为86%。

“人工智能对胰腺癌研究进展的挑战是，由于发病率低，数据稀缺。这个概念验证模型的目的是鼓励研究人员建立一个更大的数据集，用于模型的广泛训练和验证，”李博士说。

放射组学是一个新兴的领域，利用各种技术从医学成像中提取特征。放射学特征可以量化肿瘤强度、形状和异质性，并已应用于肿瘤检测、诊断、治疗反应和预后。上海医学院和复旦大学的宋少力博士和上海交通大学的王立生博士及其同事对早期宫颈鳞状细胞癌患者的术前正电子发射断层扫描(PET)和CT图像的放射学数据进行了分析。他们使用算法来开发一种能够预测无病生存的预后特征。

他们观察到:“这个模型可以提供关于潜在复发和转移的更准确的信息，并可能有助于决策。”

特刊上的其他论文关注于开发新的计算工具，以促进人工智能在生物标志物识别中的应用;使用全细胞成像和免疫荧光识别胰腺肿瘤的免疫特征以提供预后信息;使用microrna和应用机器学习来识别与胃肠道间质瘤相关的miRNA谱;并且使用层次聚类结合多组数据集来识别结肠癌患者的抗肿瘤免疫特征。

Rodland博士补充说，本期特刊中的文章只是在生物标志物研究中使用AI、DL和ML的各种方法中的一小部分。“我们仍然迫切需要更有效的策略来提高癌症的早期检测。先进的人工智能系统已被证明可以提高乳腺癌、肺癌、前列腺癌和宫颈癌成像和非成像数据解读的灵敏度和特异性。”

著名专家对特刊发表了评论

Anirban Maitra，医学博士，安德森癌症中心

随着癌症研究和临床护理领域的扩展，越来越多的数据集和跨不同平台的数据整合，人工智能和ML越来越多地应用于肿瘤学领域也就不足为奇了。对于我们这些熟悉连续成像扫描或生物标记物检测中“遗漏癌症”的不幸现象的人来说，特别是在高危人群中，基于AI/ ml的工具可以起到关键作用。这个问题是非常及时的，并提供了一个样本的兴奋渗透领域。

Kenneth W. Kinzler博士，Johns Hopkins Kimmel癌症中心

机器学习的进步正以越来越多的方式影响着我们的日常生活。生物医学研究也是如此，尤其是在癌症研究领域，ML方法有望提高我们早期发现癌症和加强患者管理的能力。这个特别的问题证明了ML在早期检测和电子医疗记录等不同领域改善癌症研究的能力。

克里斯·阿莫斯，贝勒医学院博士

本期特刊汇集了大量在机器学习和人工智能领域应用新技术的新方法，以及在高通量生物标记物分析方面的进展，以确定识别癌症高风险个体的模式。它为计算科学家、研究人员和临床医生了解这些最先进的发展提供了巨大的资源。

Samir M. Hanash博士，安德森癌症中心

目前对生物标志物的兴趣跨越了对个性化癌症治疗和疾病进展和复发监测到癌症风险评估和早期检测的需求。从基因组学到蛋白质组学和代谢组学等，生物标志物的发现有着广泛的平台，这些平台可以产生大量受益于人工智能数据分析方法的数据。本期特刊是及时的，因为它讨论了人工智能在癌症研究中的应用，以及人工智能在通过生物标志物发现提高癌症检测和诊断方面的贡献。