人工智能持续推动癌症研究向新的方向发展

《Oncology Times》：AI Continues Driving Cancer Research in New Directions

AI在前列腺癌治疗中精准预测肿瘤体积和疗效，减少50%以上的治疗失败率。AI在乳腺癌筛查中识别148例间期乳腺癌，降低30%发病率，显著提升隐匿性肿瘤检出率。

　　

两项来自加州大学洛杉矶分校（UCLA）的新研究凸显了人工智能（AI）在癌症研究领域日益重要的影响。其中一项研究的结果表明，一种新的AI工具能够准确测量肿瘤体积，并帮助预测哪些患者可以从局部前列腺癌的靶向治疗中受益。

第二项研究评估了AI在乳腺X线摄影（mammography）中对间期乳腺癌（interval breast cancers）分类的效果，研究人员认为这可能有助于将发病率降低多达30%。

AI与前列腺癌

为了探讨AI是否可以准确估计前列腺肿瘤体积并预测接受部分腺体冷冻消融（partial gland cryoablation）治疗患者的预后，研究人员使用6个月和18个月后的MRI引导活检数据对软件进行了训练（BJU Int 2024; doi.org/10.1002/bco2.456）。该研究共纳入了204名年龄在40至85岁之间的前列腺癌患者，他们的肿瘤分级为2-4级，这些患者于2017年至2022年间在UCLA医学中心参加了冷冻消融临床试验。研究对象的PSA水平超过20 mg/mL，前列腺体积小于70 cc，预期寿命超过10年。

6个月的随访中包括对阳性病灶部位的MRI引导活检，并对同侧组织进行了系统性采样。在18个月的随访中，方案中增加了对未接受冷冻消融侧组织的系统性采样。6个月时未达到主要预期的患者被排除在18个月的随访之外。

名为Unfold AI的AI软件生成了前列腺肿瘤边缘的3D图像，以估计肿瘤体积并判断主要预后，即6个月随访期间未发现2级或更高级别的前列腺肿瘤。77%的患者达到了预期的主要预后。

研究结果表明，AI估算的肿瘤体积比肿瘤分级更能准确预测部分腺体冷冻消融的治疗效果，而肿瘤分级与预期的主要预后并无相关性。此外，如果以AI确定的肿瘤体积大于1.5-2 cc作为排除标准，冷冻消融失败的概率可降低一半以上。

研究人员指出，MRI技术可用于前列腺癌的部分腺体消融。然而，它常常低估肿瘤体积，可能会遗漏目标区域外的小肿瘤，从而增加复发风险。较新的成像技术如前列腺特异性膜抗原（prostate-specific membrane antigen）、正电子发射断层扫描（positron emission tomography）、计算机断层扫描（computed tomography）和微超声（micro-ultrasound）在某些方面优于MRI，但每种技术也有其局限性，例如组织分辨率较低、病变显示效果较差。

相比之下，AI能够整合多种数据来源（如影像学检查、PSA值和靶向活检结果），更准确地预测肿瘤体积和边缘情况，提供3D肿瘤风险评估，并精确判断前列腺内的病变位置。Unfold AI软件利用PSA值、T2加权轴向MRI图像、活检标本的肿瘤分级、肿瘤长度和3D位置等信息，生成肿瘤边界和正常组织边界。

在UCLA的研究中，AI软件结合了MRI检查结果、标记的感兴趣区域以及活检标本中的癌变信息来确定治疗边界。通过优化正常组织边界，使得部分腺体冷冻消融失败的概率低于1%。

研究作者写道：“利用AI预测肿瘤边缘的方法整合了多种数据要素，不仅有助于准确判断肿瘤体积，还能更清晰地了解肿瘤形状。希望这种多模态数据的整合能够提高[部分腺体消融]治疗的成功率。”

AI与间期乳腺癌

与此同时，由UCLA Health Jonsson综合癌症中心的研究人员开展的一项回顾性研究通过乳腺X线摄影对间期乳腺癌进行了分类，并评估了AI的检测性能（J Natl Cancer Inst 2025; doi.org/10.1093/jnci/djaf103）。这种新的AI算法能够对在阴性乳腺X线检查结果后一年内被诊断出的间期乳腺癌进行分类，将其分为“遗漏（读取错误、症状轻微）”、“可处理（症状轻微但不可处理”、“真正属于间期乳腺癌”或“技术性遗漏”。

AI还为阴性结果的数字乳腺X线摄影结果分配了1到10的分数，其中得分8分及以上的情况被视为高风险。随后通过统计分析研究了不同类型的间期乳腺癌、AI评分、AI标记结果以及患者和肿瘤特征之间的关系。

在研究的184,935份乳腺X线摄影检查中（65%为数字乳腺X线摄影，35%为乳腺X线断层合成），AI识别出了148例间期乳腺癌，将其分为四种类型：症状轻微但可处理（26%）、真正属于间期乳腺癌（24%）、症状轻微但不可处理（22%）、因读取错误而遗漏（17%）或因技术性错误而遗漏（5%）。

在131份无错误的数字乳腺X线摄影和乳腺X线断层合成图像中，AI正确识别出90%的遗漏病例；在可处理的轻微症状病例中，AI的识别率为89%，在不可处理的轻微症状病例中为72%。研究人员发现，AI算法对可见类型的间期乳腺癌的定位准确率高于不可见类型。AI在35%至68%的筛查中成功检测出了可见的间期乳腺癌，而对真正属于间期乳腺癌或隐匿性乳腺癌的检测率仅为0%至50%。

总体而言，AI识别出了76%随后被确认为间期乳腺癌的乳腺X线摄影结果；发现了90%被遗漏的可见癌症病例；识别出了89%的轻微但可处理的病例和72%的难以发现的不可处理病例；还检测出了69%在乳腺X线摄影中无法看到的癌症。基于这些发现，研究人员认为将AI应用于年度乳腺X线检查中可能显著降低间期乳腺癌的发病率，因为AI能够发现每10例之前未被发现的癌症中的3例。

这项UCLA的研究是美国首批探讨AI检测间期乳腺癌的研究之一，尽管欧洲也进行了类似的研究。主要区别在于，美国的年度筛查使用的是3D乳腺X线摄影，而欧洲的筛查每2-3年进行一次，使用的是2D乳腺X线摄影。

尽管还需要更大规模、涉及更多患者群体的多中心研究，但这项新研究强调了放射科医生对间期乳腺癌的评估和分类的重要性，研究作者指出。

“具体来说，AI有助于在筛查时发现乳腺X线摄影可见的间期乳腺癌类型（如因读取错误或症状轻微而遗漏的病例），从而有望提高[部分腺体消融]治疗的成功率。”

Chuck Holt是本文的撰稿人之一。