《MedComm》：Artificial Intelligence for the Diagnosis and Management of Cancers: Potentials and Challenges
癌症仍然是全球主要死亡原因之一。尽管临床癌症护理取得了实质性进展，但癌症患者的预后仍然不佳。人工智能（AI）的快速发展将通过解决肿瘤学研究和实践中的当前障碍，最终提高医疗保健准确性和患者预后，从而革新癌症管理。越来越多的证据表明，基于AI的模型可以通过利用多层数据提高癌症诊断和治疗的准确性和效率。癌症患者可以从AI的前景中获益良多，但很少有AI模型被授权用于临床。全面理解AI的基本原理、应用和潜在影响对于促进其临床转化至关重要。在这篇综述中，研究人员概述了基础AI技术，包括机器学习和深度学习。此外，研究人员总结了关于AI在癌症诊断、分类和个性化治疗计划中变革性作用的最新研究。进一步地，研究人员讨论了阻碍AI广泛使用的当前挑战，提出了潜在解决方案，并概述了未来方向。总体而言，通过对现有临床前和临床证据的系统分析，本综述强调了AI技术的巨大潜力，并为未来AI驱动肿瘤学的研究提供了宝贵指导。
论文主体部分总结如下：
**1 引言**
癌症仍然是全球主要死亡原因，尽管治疗和理解方面有显著进展，但仍存在诸多未满足需求，影响患者预后、生活质量和医疗系统效率。具体挑战包括：早期检测困难、缺乏准确生物标志物、筛查资源不足导致晚期诊断；化疗、放疗和免疫治疗伴随严重副作用如心脏毒性和神经病变；高昂治疗费用造成患者和系统负担；肿瘤异质性使个体化治疗计划制定困难；现有监测和随访方法灵敏度和特异性有限，无法及时反映肿瘤动态变化。人工智能（AI）技术整合到癌症医学中为解决这些障碍提供了强大途径。AI（机器智能）是探索和开发模拟及扩展人类智能的理论、方法、技术和应用系统的技术学科，其架构包括人机交互、图像识别、机器学习和自然语言处理（NLP）。机器学习是AI的分支，利用统计技术构建智能系统，代表性算法包括人工神经网络（ANN）、深度学习（DL）、决策树和增强算法。AI在计算机视觉方面取得显著进展，并在癌症诊断、治疗和预后中提供变革性机会：诊断成像中高精度检测肿瘤；利用患者数据（遗传图谱、病史、肿瘤特征）推荐个体化治疗方案；优化临床试验匹配；预测治疗反应以实时调整；远程监测患者并发症或复发。然而，AI在癌症管理中也面临挑战：常见误解认为AI是“万能药”，实际应增强而非替代人类专长；许多模型处于研究阶段，需严格验证；准确性依赖高质量标注数据，但获取此类数据是瓶颈；监管框架仍在演变；基础设施和专业人员不足；开发和部署成本高昂；过度依赖AI可能使临床医生忽视自身判断。
**2 肿瘤学AI基础：超越算法**
AI技术通过提升诊断准确性、精准肿瘤学和预测分析推动现代医学变革。精准医学基于个体生物特征定制医疗，而非通用数据。AI基础涵盖机器学习、神经网络和深度学习的关键概念。
**2.1 机器学习范式：监督学习与自监督学习与强化学习**
机器学习是AI分支，通过从数据中自我改进的模型解决问题，而非预定义规则。关键概念包括数据集、特征、模型、标签、损失函数、超参数、训练数据、测试数据、过拟合和验证数据集。模型分为三类。监督学习依赖标注输入输出数据，模型学习特征与期望输出的关联，常用算法有逻辑回归、随机森林、神经网络和支持向量机（SVM）。优点是高准确性和可重复性，但依赖大量标注数据，获取成本高。自监督学习是解决标注数据挑战的新范式，属于无监督学习，通过预测性任务（代理任务）从无标注数据中学习表示，再应用于下游任务（目标任务）。它自动生成标签，减少对标注数据的依赖，提高泛化能力，在癌症分类和生存预后中表现优于传统监督学习。强化学习训练智能体在不确定环境中通过试错最大化累积奖励，要素包括智能体、环境、动作、奖励、状态和值函数。智能体通过与环境交互学习，适用于动态和不确定环境，已应用于机器人和罕见病诊断。结合这些算法可能产生更有效的早期诊断和个性化治疗方案，但仍需探索协同效应。
**2.2 深度学习架构：CNN、Transformer和GAN在肿瘤学数据中的适用性**
深度学习（DL）是机器学习的子集，使用多层节点或神经元模型复杂模式。卷积神经网络（CNN）是子类型，通过卷积层、池化层和全连接层提取特征，在医疗图像分析中表现出色，可识别肿瘤形态和结构变化。Transformer架构基于编码器-解码器和自注意力机制，能并行处理序列数据，适合基因组数据和临床记录分析，在个性化治疗计划和预后评估中具有价值。生成对抗网络（GAN）由生成器和判别器组成，通过对抗训练生成逼真数据，可用于罕见癌症类型的数据增强和图像到图像翻译，推动精准医学。但DL架构面临数据隐私、模型可解释性和临床转化挑战。
**2.3 联邦学习与边缘计算：解决隐私和实时处理约束**
联邦学习使多个医疗机构在不共享患者数据的情况下协同训练模型，仅交换模型更新，保护隐私。分为垂直和水平联邦学习。边缘计算处理云计算在物联网（IoT）应用中的延迟和带宽限制，架构包括设备层、边缘层和云层。边缘层靠近终端设备，减少传输距离和延迟，过滤冗余数据，降低带宽压力和隐私泄露风险，并实现异构设备数据标准化。
**2.4 数据基石：多模态数据融合、标注标准与数据治理**
多模态数据融合系统结合多组学数据、医学影像、实验室结果、电子健康记录（EHR）和可穿戴设备输出，提供对患者健康状况的系统理解。组合不同模态（如临床数据与基因组分析）可提高癌症检测及时性和准确性。整合数字化病理图像与多组学数据有助于准确分类肿瘤。多模态特征可揭示肿瘤微环境组成和异质性，识别失调的生物学功能和分子通路。然而，面临数据标准化、隐私保护、模型可解释性挑战，需开发更先进AI算法和融合技术。
**3 AI驱动的癌症诊断与分子分型**
AI在癌症诊断中展现出巨大潜力，可高效处理大量临床数据。当前诊断方法面临早期检测困难、肿瘤类型区分挑战、侵入性、耗时和解释变异等问题。AI有望提高准确性、加速分析、实现早期检测和改善肿瘤类型区分。
**3.1 影像诊断革命**
肿瘤影像方法提供肿瘤整体视图。AI模型通过机器学习和DL技术革新肿瘤影像。基于计算机断层扫描（CT）的AI算法在乳腺癌、结直肠癌（CRC）、食管癌、肺癌、胃癌、肝细胞癌（HCC）、卵巢癌、胰腺导管腺癌（PDAC）和胰腺癌筛查中表现显著。磁共振成像（MRI）用于乳腺癌、胶质母细胞瘤、胶质瘤、肝内胆管癌、肺癌和前列腺癌检测。正电子发射断层扫描（PET）成像在淋巴瘤、肺癌和转化性滤泡性淋巴瘤筛查中效能提升。
**3.2 数字病理学突破**
病理学是确认癌症、识别类型和分级的关键。数字病理学通过扫描玻片生成高分辨率数字图像。AI辅助分析病理切片可识别人眼可能遗漏的模式和异常。已开发用于乳腺癌和前列腺癌诊断的AI工具，如Paige Breast Suite、Ibex Galen Breast、Mindpeak Breast、PathAI: AIM-HER2、Visiopharm和Paige Prostate，提高了诊断准确性，减少了报告时间和资源消耗。AI辅助内镜系统可实时检测胃肠道病变，DermAI用于皮肤癌诊断。
**3.3 集成多组学诊断**
多模态数据融合结合医学影像、病理、基因组、转录组、蛋白质组和临床数据，全面理解疾病复杂性。基于DL的多模态网络在乳腺癌、胶质瘤、肺癌和口腔癌检测中表现良好。机器学习驱动的多模态特征模型改善了HCC和膀胱癌检测。多模态融合方法比单模态性能更优，但需解决数据异质性、特征融合策略和网络架构优化问题。
**3.4 分类与分子分型**
AI技术改善肿瘤表征、分级、分类和分子分型。机器学习分类器“海德堡脑肿瘤分类器”基于全基因组DNA甲基化谱实现准确分类。随机森林算法NEP100模型通过多组学分析改进神经内分泌前列腺癌分型。DL模型（如UNet和CNN）在口腔癌、脑肿瘤、乳腺癌、肺癌、前列腺癌、肾肿瘤和甲状腺癌自动分割中表现出高准确性。DL算法还利用单组学或多组学数据在癌症分类和分子分型中展现潜力。
**4 AI驱动的精准治疗与动态管理**
**4.1 治疗决策优化**
AI优化决策过程。可解释AI方法识别胃肠道间质瘤患者是否应接受辅助伊马替尼及最佳疗程。基于机器学习的自噬相关预后特征与乳腺癌免疫治疗敏感性降低相关，辅助决策优化。ChatGPT生成的CRC治疗建议与多学科团队高度一致（72.5%）。临床决策支持系统（CDSS）利用AI驱动数据集成提供实时建议。机器学习CDSS在肾细胞癌（RCC）晚期复发风险识别、个体化治疗推荐中表现优异。SVM算法CDSS（CureMate）在乳腺癌首选治疗策略选择中准确有效。HCC-CDSS模型、非小细胞肺癌（NSCLC）EGFR-TKI疗效区分、放疗患者匹配等方面均有应用。
**4.2 动态治疗监测**
AI用于纵向追踪肿瘤进展。多任务AI系统预测乳腺癌新辅助化疗后残余癌症负担评分。CNN模型整合MRI数据评估乳腺癌肿瘤负荷变化。机器学习平台通过追踪循环肿瘤DNA动态监测晚期黑色素瘤和肺癌新辅助免疫治疗后的肿瘤负担。可解释AI（XAI）方法评估肺部放疗期间肿瘤追踪模型的可靠性。AI预测治疗反应，包括乳腺癌、食管鳞状细胞癌（ESCC）、直肠癌、食管癌、宫颈癌、前列腺癌等患者对新辅助化疗或放化疗的病理完全反应。DL模型预测黑色素瘤、胃癌、HCC、NSCLC的免疫治疗反应。
**4.3 克服治疗抵抗**
AI分析基因突变、药物代谢和敏感性，识别抵抗风险患者。AI技术揭示治疗抵抗机制：如Transformer、SVM和随机森林识别鼻咽癌（NPC）、乳腺癌、CRC、胃癌、ESCC中与治疗抵抗相关的关键基因/蛋白质。机器学习探索乳腺癌、黑色素瘤、胃癌中治疗抵抗的细胞通路，以及肿瘤异质性与抵抗的关联。AI发现新型治疗靶点：图神经网络预测基因与化疗药物相互作用，筛选HCC潜在治疗候选物；机器学习识别免疫抑制受体作为免疫治疗靶点；转录组学整合机器学习发现肺癌顺铂抵抗靶点ABCC2；代谢建模筛选CRC抵抗因子己糖激酶。AI定制个体化方案克服抵抗，如机器学习模型为急性髓系白血病患者确定药物组合策略，Transformer模型利用多模态数据评估HER2阳性胃癌治疗反应。
**4.4 毒性管理与生存**
AI推进抗癌治疗毒性评估。机器学习预测化疗诱导的心脏毒性、手足皮肤反应等。XGBoost和CNN预测免疫检查点抑制剂诱导的甲状腺功能减退和肺炎。AI技术预测放射性口腔黏膜炎、肺炎和皮炎。AI及时识别不良事件，帮助定制治疗策略。预后模型利用多模态数据（多重成像、病理、临床特征）预测患者生存和预后。XAI基于真实世界数据解码临床指标对预后的贡献。机器学习平台（XGBoost、生存SVM、随机生存森林、CoxBoost）在乳腺癌、黑色素瘤、肺癌、HCC、PDAC中表现预后潜力。DL模型整合放射组学/放射病理组学预测乳腺癌、HCC、甲状腺状癌（PTC）和前列腺癌预后。此外，AI识别预后生物标志物，如整合癌症相关基因/非编码RNA的机器学习预后模型在多种癌症中建立，但需临床试验验证其真实世界价值。
**5 转化证据：从实验室到现实世界影响**
AI方法正在改变真实世界肿瘤学数据的整合和解释。基于图像的AI框架辅助乳腺癌、脑肿瘤、皮肤癌和结肠癌早期诊断，减轻阅片工作量且不增加假阳性。AI工具改善决策和症状管理，在预测治疗反应和预后中表现优异。ChatGPT可精简检测流程，但处理非文本数据能力有限；CNN具备人类水平的视觉任务能力，但无法编码空间信息且需大量训练数据；集成学习方法组合多个模型，但存在高计算成本、偏差、过拟合和可解释性困难。AI在临床肿瘤学中的实施面临患者偏好、数据安全和信任等问题。
**5.1 关键临床前验证研究**
临床前研究评估AI算法的有效性和可靠性。AIEgen-Deep DL模型识别癌细胞形态，区分健康细胞和癌细胞。DL语义分割模型从多模态数据中检测头颈部肿瘤。半自动机器学习方法检测脑转移病灶。机器学习算法通过光声光谱评估小鼠乳腺癌进展。转录组工具Pancreas-View预测PDAC患者化疗敏感性。机器学习评估循环生物标志物对乳腺癌动物模型转移预后的预测潜力。临床前研究面临数据质量和黑箱问题，需提高模型可解释性以增强临床信任。
**5.2 里程碑临床试验**
临床试验评估AI技术检测和决策效能。随机对照试验中，内镜引导AI检测系统（如CADe、CADopt、CNN）提高腺瘤和食管癌检出率。AI图像分析工具利用MRI数据检测胶质瘤、乳腺癌和前列腺癌。基于AI的临床决策支持工具通过皮肤镜图像分析检测黑色素瘤。然而，部分AI系统未改善癌症检测，需严格训练和验证。其他试验探索AI在癌症进展监测中的应用，如PCMM-Net预测乳腺癌淋巴血管侵犯，DL工作流分析数字病理和MRI检测转移，放射组学工具预测卵巢癌恶性风险、肺癌和前列腺癌骨转移。AI预测治疗反应和预后，如机器学习模型预测鼻咽癌放射性甲状腺功能减退，整合CT和肿瘤突变负荷预测NSCLC新辅助免疫治疗反应，CNN预测HCC总生存期，肿瘤动力学模型预测头颈癌总生存期。这些试验验证了AI辅助诊断的准确性及对患者管理的影响，但面临数据隐私、算法可解释性和临床信任等挑战。
**5.3 真实世界证据：在EHR/注册数据库中的有效性验证**
真实世界证据（RWE）研究分析观察性数据，提供常规治疗结果洞察。EHR收集患者临床数据，AI技术（如NLP和机器学习）从非结构化EHR数据中识别信息，提取不良事件、优化临床管理、预测治疗结果、分类复发状态。机器学习模型分析真实世界数据评估肺癌最佳治疗方案和术后状态。患者注册数据库成为RWE重要资源，机器学习模型预测治疗对生存的影响、识别典型治疗序列、评估合并症对治疗的影响。AI处理大规模异质性真实世界数据，但需跨数据库验证和纵向评估以确保泛化性，并需跨部门合作建立数据质量标准和伦理规范。
**5.4 卫生经济学评估：AI在减少误诊/诊断延迟中的成本效益**
AI技术可能影响卫生经济学评估。AI通过精确诊断和个性化治疗降低误诊率和治疗成本，早期检测改善生存率并减少晚期治疗经济负担。但AI开发和实施需要大量投资（硬件、软件、人员培训），可能给医疗机构带来财务压力。AI系统需严格临床试验验证，耗时且昂贵。AI广泛应用可能重组医疗资源，影响传统医疗服务经济模式，需调整医疗保险政策，综合评估其成本效益、长期经济影响和患者健康改善能力。
**6 临床实施：障碍与路径**
**6.1 技术局限性**
AI临床应用面临两大技术局限：数据稀缺和算法偏差。高质量标注数据不足，尤其对罕见癌症类型，导致模型训练效果差、泛化能力弱。算法偏差源于训练数据中的固有偏差（数据采集、样本选择、特征选取），例如训练数据主要来自特定人群时，模型在其他人群中的性能显著下降。算法设计和选择也可能引入偏差。解决数据稀缺和算法偏差是提升AI效果的关键，需构建更全面多样的数据集，开发更鲁棒的算法以减少偏差影响。
**6.2 临床整合障碍**
AI技术逐步整合到临床癌症管理面临工作流程整合和医生接受度障碍。AI系统需顺利融入现有多部门协作的工作流程，涉及技术整合、人员培训和系统兼容性，否则可能降低效率。医生对AI的可靠性和准确性持怀疑态度，担心依赖AI会削弱专业判断。部分医生认为AI是增强人类能力的工具。教育培训可强调AI的补充角色，提升医生熟悉度和信任，从而促进实际应用。
**6.3 伦理与监管困境**
AI快速发展引发伦理和监管问题。透明度和可解释性挑战：多数DL模型是“黑箱”，内部机制不透明，降低医生和患者信任。可解释AI（XAI）通过阐明决策过程增强透明度，但面临技术扩展和法规适应挑战。生成式预训练Transformer（GPT）也可用于解释黑箱模型，但解释精度受训练数据质量和模型复杂性影响。数据隐私和安全是重要伦理考量，患者医疗数据含敏感信息，AI在大数据分析中需平衡数据利用与隐私保护。数据多样性和代表性不足导致AI在特定人群表现差，加剧健康不平等。责任归属问题复杂：AI辅助诊断中误诊或漏诊的责任应归于开发商、医疗机构还是医生。需建立实时反馈系统，利用正负反馈帮助医生快速做出准确诊断。
**7 未来前沿：下一代AI肿瘤学**
**7.1 技术突破**
因果关系推断和XAI成为临床肿瘤学重点研究方向。因果关系推断旨在揭示变量间直接关系，理解癌症发生和进展，识别生物标志物和治疗靶点，评估治疗策略效果。XAI提供透明决策支持工具，通过可视化内部工作过程增强医生信任。但因果推断依赖高质量大数据，XAI需平衡模型复杂性和可解释性。
**7.2 临床转化加速器**
建立全球合作框架对AI技术意义重大。国际协作可通过共享数据、技术和最佳实践加速AI应用。建立跨国研究网络促进数据整合和共享，全球数据有助于训练AI模型提高泛化能力。国际合作促进多中心临床试验验证AI在不同人群中的适用性和有效性。全球合作框架推动AI技术标准化和规范化，制定统一标准确保安全和有效性，建立伦理规范解决数据隐私、算法偏差问题。同时，通过国际会议、在线课程和交流项目推广AI教育和培训，加强全球癌症管理基础。
**7.3 政策与公平实施**
确保AI技术在肿瘤学中的公平实施至关重要。政策制定者需优先保障AI可及性，特别是资源有限地区，投资基础设施和技术支持使所有患者受益。政府和医疗机构需加强AI监管，确保透明和公平，防止算法偏差导致的诊断差异。教育和培训是关键，医疗专业人员需学习AI工具的合作使用和局限性，公众教育提升对AI的信任。政策建议应包含对AI研发的财政支持，重点关注少数民族和低收入群体，促进多样性算法开发，提高对不同人群的适用性。
**8 结论**
AI有潜力通过提高早期检测准确性、优化个性化治疗计划和改善患者预后革新癌症护理。但临床应用仍面临挑战：数据质量和多样性是影响模型性能的关键因素，高质量标注数据不足导致泛化不足；AI系统的透明度和可解释性亟待解决，医生和患者对决策过程的理解直接影响应用；伦理和隐私问题不可忽视，平衡数据利用与患者隐私保护对未来研究至关重要。未来需重点完善算法、加强数据共享机制、建立适当伦理框架，促进AI技术与临床肿瘤学的深度融合。
