编辑推荐：
为解决 ML 在精准肿瘤学中应用的相关问题，苏黎世联邦理工学院研究人员开展关于其机遇和挑战的研究。结果显示 ML 虽潜力大但面临诸多阻碍。推荐阅读，助您深入了解该领域现状与发展方向。
在当今的医疗领域，癌症治疗一直是备受关注的焦点。随着科技的不断进步，精准肿瘤学（precision oncology）逐渐崭露头角，它致力于根据患者个体的肿瘤特征，制定更为精准有效的治疗方案，有望提升癌症患者的生存率和生活质量。而机器学习（ML，Machine Learning）凭借其强大的数据处理和学习能力，在精准肿瘤学领域展现出了巨大的潜力，吸引了众多科研人员和临床医生的目光。
在数字病理学和诊断放射学等领域，机器学习在图像分类任务上取得了显著进展，能够帮助医生更准确地识别肿瘤特征。它在分析 DNA 数据方面也开始发挥作用，像肿瘤衍生的基因组图谱、微小核糖核酸（miRNAs，microRNAs）以及癌症表观遗传特征等，通过这些分析可以识别出驱动变异和分子特征，为癌症的预后评估和治疗提供有价值的信息。高通量测序技术的发展，让人们能够快速、可靠地绘制种系和体细胞 DNA 变异图谱，进行高分辨率的转录组和蛋白质组分析，再结合液体活检等新兴方法，为精准肿瘤学的发展注入了新的动力。
机器学习在癌症研究中的应用并非一帆风顺。虽然它在某些方面取得了成绩，但临床应用仍处于起步阶段。从临床实践来看，基因组测序在临床中的作用还较为有限，主要集中在大型专业中心，这是因为其临床验证不足，而且缺乏资金和基础设施支持，透明的报销机制也尚未完善。目前精准肿瘤学的成功案例较少，多数癌症患者无法从基因组检测中获益，主要原因在于诊断与靶向治疗之间缺乏有效联系，很多癌症还没有针对性的靶向疗法，即便有，肿瘤也容易产生耐药性。
此外，机器学习算法的训练和应用面临诸多难题。一方面，获取用于训练和验证算法的可靠、高质量分子数据困难重重，数据的可用性和可及性成为制约其发展的关键因素。另一方面，如何确保算法的临床实用性、制定相关的指南和法规，以及解决由此引发的伦理问题，如隐私风险、公平性、可解释性、信任和偶然发现等，都是亟待解决的问题。
为了深入了解机器学习在精准肿瘤学中的应用现状、挑战、机遇、伦理影响以及未来发展方向，来自苏黎世联邦理工学院（ETH Zurich）的 Vasileios Nittas、Kelly E. Ormond、Effy Vayena 和 Alessandro Blasimme 等研究人员进行了一项研究，并在《BMC Cancer》期刊上发表了题为 “Realizing the promise of machine learning in precision oncology: expert perspectives on opportunities and challenges” 的论文。
这项研究通过对学术和临床专家进行半结构化访谈，深入探讨了机器学习在精准肿瘤学中的应用情况。研究结果显示，机器学习在精准肿瘤学领域目前还处于起步阶段，临床应用较少。不过，专家们普遍认为它具有巨大的潜力，有望改善临床工作流程，帮助医生做出更优的治疗决策，尤其是在处理癌症的动态特性、解析复杂分子数据方面表现突出。但同时，分子数据获取困难、临床实用性难以确定、缺乏统一的指南和法规等问题，严重阻碍了机器学习在临床中的应用。在伦理方面，隐私问题成为关注焦点，不同专家看法不一，部分专家高度重视隐私保护，认为大量分子数据的使用会增加隐私风险；而另一些专家则认为，在保障患者利益的前提下，应平衡隐私保护与数据共享的关系。此外，公平性、算法可解释性以及数据偏差等问题也不容忽视。
总的来说，该研究强调了机器学习在精准肿瘤学领域的发展潜力，同时也指出了前进道路上的重重挑战。这对于推动机器学习在癌症治疗中的实际应用具有重要意义，为后续研究和临床实践指明了方向，让科研人员和临床医生更加明确需要攻克的难题，以实现更精准、更有效的癌症治疗。
研究方法
研究人员采用半结构化定性访谈的方法开展研究。他们通过便利抽样和滚雪球抽样的方式，从研究团队的联系人、合作者中确定并招募参与者，邀请了学术和临床领域在精准肿瘤学和机器学习（或人工智能）方面的专家参与。访谈由一名经过培训的人员通过 Zoom 平台进行，内容围绕参与者的背景经验、精准肿瘤学现状以及机器学习在其中的应用展开。访谈结束后，利用自动转录软件 Otter.ai 进行转录，并由研究人员进行质量检查、手动修正和去识别化处理。最后，运用迭代、引导式的主题框架分析方法，对访谈数据进行编码、比较和主题归纳。
研究结果
- 现状：专家们认为精准肿瘤学距离成为标准治疗手段还有很长的路要走。基因组测序目前临床作用有限，成功案例稀少，存在知识差距，很多癌症患者因保险覆盖不足或不符合要求，无法从靶向治疗中获益。而机器学习在精准肿瘤学中的应用更是处于起步阶段，大多停留在研究和生物标志物识别层面，尚未广泛应用于临床。
- 优势：专家们普遍认可机器学习在精准肿瘤学中的优势。它能够帮助医生更快地做出更优的治疗决策，预测治疗反应，通过分析大量肿瘤数据，更好地判断哪些患者不适合现有靶向疗法。同时，机器学习还能应对癌症的动态变化，解析复杂的分子数据，在临床工作中起到辅助支持作用，如帮助医生更快地找到适合患者的临床试验，减轻分子肿瘤委员会的负担，优化临床工作流程。
- 障碍：
- 数据获取、共享和再利用：获取用于研究的分子数据困难，数据往往难以获取、不可用或未结构化、注释不足。各数据中心之间缺乏有效连接，数据共享和再利用面临挑战。数据获取困难不仅阻碍机器学习模型的发展，还影响其临床实用性和临床整合。
- 临床实用性：目前精准肿瘤学的临床实用性尚未确立，多数癌症患者无法从基因组检测中获益。因为诊断与靶向治疗之间缺乏证据支持，靶向疗法有限且易产生耐药性。同时，在众多机器学习算法中，难以确定哪些最适合精准肿瘤学任务，癌症的异质性也降低了算法的整体性能。
- 指南和法规：欧洲和美国的专家对指南和法规的看法存在差异。欧洲专家认为，当前复杂的立法环境（如《通用数据保护条例》GDPR 及其在各成员国的不同实施情况）阻碍了数据的获取和共享，且缺乏统一的指南和标准。而美国专家未提及这一平衡问题。专家们普遍认为需要建立监管框架，保障公平、安全地获取分子数据，并制定明确的伦理和实践指南。
- 伦理挑战：
- 隐私：专家们对隐私问题看法不一。部分专家高度关注隐私，认为训练算法所需的大量分子数据会增加隐私和数据所有权风险；部分专家则认为应平衡隐私保护与数据获取、共享的关系，严格的法规可能会阻碍研究和机器学习在癌症治疗中的应用；还有部分专家认为，在患者知情同意进行匿名共享的情况下，隐私风险较小。
- 公平性：随着精准肿瘤学的发展，存在因经济因素导致部分患者被排除在治疗之外的风险，从而加剧社会经济群体之间的不平等。数据集中在少数机构，会造成地理上的获取不平等，且分子数据多来自高收入地区，容易导致算法偏差。专家们认为应开发能代表所有人的机器学习模型，通过透明度和记录算法训练过程来减轻偏差。
- 可解释性和信任：为了在患者和医生之间建立信任，机器学习算法需要具备可解释性，让医生和患者了解临床决策或预测的依据。然而，可解释性是一个难题，尤其是涉及复杂分子数据时，部分专家认为过度追求可解释性可能会牺牲算法性能。同时，将 “人类语言” 转化为 “机器语言” 也存在困难。
- 炒作现象：机器学习在精准肿瘤学领域存在炒作现象。一方面，人工智能常被描绘成解决所有医疗问题的终极方案，对癌症治愈的过度承诺以及模糊术语的使用，都加剧了这种炒作；另一方面，也存在对机器学习的负面炒作，即过度强调其风险。这导致人们对机器学习的看法两极分化，专家们认为应将其视为医学发展的一种演进，而非革命性突破。
- 未来展望：几乎所有专家都认为机器学习是精准肿瘤学的未来，虽然它主要起辅助作用，但有望实现决策同质化，加速药物研发。专家们还强调，肿瘤学家的决策权仍将保留，因为患者的个人情况和偏好只有医生能更好地把握。同时，机器学习有助于发现新的生物标志物，改善癌症治疗。此外，加强肿瘤学家、计算机科学家和生物伦理学家之间的对话与合作至关重要，提高所有利益相关者的认识和能力也必不可少。
研究结论与讨论
研究表明，机器学习在精准肿瘤学领域潜力巨大，但也面临诸多挑战。数据获取、临床实用性、指南法规以及伦理问题等，都是需要克服的关键障碍。研究人员强调，要充分发挥机器学习在精准肿瘤学中的价值，就必须采取实际行动，解决这些问题。例如，确保分子数据的可及性，通过多中心合作等方式建立大型、高质量的数据库；开展更多临床试验，验证机器学习模型的临床实用性；制定统一的指南和法规，规范其临床应用；加强伦理审查，平衡隐私保护与数据共享，确保算法公平、可解释。
这项研究的重要意义在于，为机器学习在精准肿瘤学领域的发展提供了全面、深入的见解。它让人们清晰地认识到当前的发展状况，明确了未来的研究方向和努力重点，有助于推动精准肿瘤学从理论研究走向临床实践，最终实现为癌症患者提供更精准、更有效治疗的目标。随着技术的不断进步和问题的逐步解决，机器学习有望在癌症治疗领域发挥更大的作用，为攻克癌症这一难题带来新的希望。
