综述:通过人工智能和数学建模推进肿瘤治疗:一项综合综述

《Health Science Reports》:Advancing Tumor Treatment Through Artificial Intelligence and Mathematical Modeling: A Comprehensive Review

【字体: 大 中 小 】 时间:2026年07月28日 来源:Health Science Reports 2.9

编辑推荐:

  背景与目标:实体肿瘤源于失控的细胞分裂以及与邻近细胞的相互作用,这些作用影响其生长和治疗抵抗性。抗癌药物旨在破坏这些过程,但常损伤健康细胞,使治疗难以安全有效地管理。随着全球癌症负担持续上升,急需更精准和个性化的检测与治疗方法。本研究的目标是分析人工智能(AI

  
背景与目标:实体肿瘤源于失控的细胞分裂以及与邻近细胞的相互作用,这些作用影响其生长和治疗抵抗性。抗癌药物旨在破坏这些过程,但常损伤健康细胞,使治疗难以安全有效地管理。随着全球癌症负担持续上升,急需更精准和个性化的检测与治疗方法。本研究的目标是分析人工智能(AI)、混合框架和数学建模(MM)在肿瘤诊断和治疗中的最新突破,审视数据驱动方法面临的挑战,并突出新兴趋势及未来建议。
方法:近年来,计算方法如AI和MM已成为解决这些挑战的有力工具。AI技术,包括机器学习和深度学习,越来越多地被用于改善早期诊断、指导手术规划和预测治疗结果。同时,数学模型通过模拟肿瘤对不同干预措施的反应,为肿瘤生长模式提供有价值的见解,并帮助优化治疗策略。
结果:AI和MM通过精确且优化的混合技术增强了癌症检测、预测和治疗。然而,数据不足、可解释性差和泛化能力不足等挑战依然存在,需要更可解释且稳健的模型用于临床。
结论:本综述探讨了AI和MM在神经外科肿瘤学领域的当前应用,强调了其巨大潜力与关键局限性。最后讨论了未来方向,旨在开发更安全、更透明和个性化的癌症护理解决方案,以最终改善患者预后。
1 引言
癌症是一种复杂且危及生命的疾病,以异常细胞生长为特征,可发生于任何器官。它于17世纪首次被认识为不受控制的增殖,并可能通过转移侵袭远处部位。癌细胞分为良性或恶性。良性细胞不会扩散到其他器官,而恶性细胞会转移并造成更大伤害。该疾病的高死亡率和复发率使治疗耗时且昂贵。癌症是一种多因素遗传疾病,由累积的基因组和表观基因组异常导致正常细胞调控失调。其进展由恶性细胞与周围微环境(包括免疫和基质成分)之间的相互作用驱动。代谢失衡、细胞应激和染色体不稳定性进一步促进肿瘤发展,而升高的葡萄糖利用支持快速细胞增殖。尽管诊断和治疗取得进展,许多癌症类型仍难以在早期阶段检测。治疗方法包括手术、化疗、放疗、激素治疗及其他靶向干预,筛查策略在早期诊断中起关键作用。此外,分子因素如WNT16B与抗癌治疗反应性降低相关。全球常见癌症包括乳腺癌、宫颈癌、甲状腺癌、唇癌和口腔癌,而罕见恶性肿瘤如骨肉瘤、尤文肉瘤、男性乳腺癌、胃肠道间质瘤、软骨肉瘤、间皮瘤、嫌色细胞肾癌和室管膜瘤合计约占癌症病例的20%。几种微生物,包括沙眼衣原体、幽门螺杆菌、肠道沙门氏菌和产肠毒素脆弱拟杆菌,也与癌症发展有关。根据全球癌症统计数据,2022年报告了约1998万例新癌症病例,预计到2050年将上升至3528万例,全球约有1970万例癌症相关死亡。本研究聚焦于现代数据驱动方法,如机器学习(ML)、深度学习(DL)和混合数学建模(MM)框架,以推进癌症研究。还讨论了人工智能(AI)在改善癌症和神经外科方面面临的局限性和挑战。此外,本文涉及未来趋势和方向。手稿结构如下:第1节提供引言,第2节讨论混合建模和治疗框架,第3节阐述本文采用的方法,第4节强调AI在诊断和预测肿瘤中的重要性,第9节强调讨论,随后是伦理问题,第6节提供结论性评论。

2 混合建模
混合离散-连续模型结合物理定律和计算方法来描述复杂的生物过程。在过去十年中,肿瘤建模越来越多地整合流体动力学、博弈论、ML和优化技术,以改善对肿瘤进展和治疗反应的预测。临床前和临床数据的日益可用性进一步加速了数据驱动方法的采用。这些方法增强了模型校准、验证和解释。此外,ML和计算机辅助方法常规应用于医学成像模态,包括MRI、CT、PET、荧光成像和免疫组织化学。
2.1 化疗建模
化疗使用抗增殖药物根除肿瘤细胞或抑制生长,仍是局部和转移性癌症的基石治疗。然而,肿瘤异质性、异常血管、升高的间质压力和肿瘤微环境常限制药物输送和治疗效果。在脑肿瘤中,血脑屏障进一步限制化疗药物运输,需要先进的建模方法来优化治疗策略。混合模型已被开发用于研究肿瘤细胞迁移、耐药性和治疗结果,特别是在胶质瘤和非小细胞肺癌中。这些研究表明,微环境异质性可促进药物耐受并影响化疗效果。基于纳米颗粒的递送系统的比较研究进一步改善了治疗特异性和细胞毒性。数学和最优控制模型也已应用于降低全身毒性、评估肿瘤异质性、优化药物组合和改善给药策略。其他研究探索了合成抗癌化合物、PK/PD和基于蒙特卡洛的调度方法、用于剂量选择的转化性PK-肿瘤生长抑制(TGI)框架、治疗下的肿瘤生长PKPD模型,以及基于图像的预测模型用于评估新辅助化疗反应。
2.2 靶向治疗建模
靶向治疗选择性攻击癌症特异性分子异常,同时最小化对健康组织的损伤,从而与传统治疗相比提供改善的疗效和降低的毒性。混合建模方法已广泛用于研究靶向治疗,特别是涉及肺癌中MAPK和PI3K-AKT信号通路以及脑肿瘤中酪氨酸激酶抑制剂的治疗。为克服缺氧诱导的治疗抵抗,已使用空间显式PK/PD和多尺度建模框架探索缺氧激活前药。这些研究表明,优化药物激活、稳定性和肿瘤氧合可显著增强治疗效果。
2.3 纳米治疗建模
纳米治疗利用纳米颗粒将治疗剂选择性递送至肿瘤部位,改善药物靶向性同时最小化全身毒性。通过利用肿瘤特异性受体和微环境特征,纳米颗粒可增强药物积累并减少与常规化疗相关的不良反应。数学和混合建模方法已被用于在多个空间和时间尺度上优化纳米颗粒设计、药物递送和治疗效果。为应对复杂性,已采用优化技术,包括连续建模、网格自适应直接搜索和双目标优化,以确定最大化药物积累和分布的纳米颗粒特性。此外,贝叶斯层次和统计框架已与纳米颗粒粘附模型整合,以考虑配体-受体相互作用和血管特征中的不确定性,为个性化纳米治疗策略的设计提供稳健的计算工具。
2.4 激素治疗建模
激素治疗是一种全身性治疗,旨在干扰依赖激素生长的细胞。乳腺癌(ER阳性)和前列腺癌(AR阳性)是两种常见依赖激素的癌症。已为这些治疗建立了数学模型,但它们是连续的或基于博弈论,如[37,38]所述。
2.5 免疫治疗建模
免疫治疗增强机体免疫反应以识别和消除肿瘤细胞,通过体内刺激免疫活性或体外改善免疫细胞功能后回输给患者。主要挑战是实现足够的免疫细胞浸润整个肿瘤微环境。已开发计算和混合模型来研究免疫-肿瘤相互作用、免疫细胞分布和治疗效果。数学模型也已用于检查PD-L1/PD-1介导的免疫抑制和肿瘤异质性对T细胞检查点治疗的影响。此外,细胞毒性T淋巴细胞动力学模型提供了对肿瘤根除机制和免疫策略的见解。补充的体外、体内和计算机模拟研究表明,与常规药物给药相比,巨噬细胞介导的药物递送可改善治疗效果并促进持续肿瘤缩小。
2.6 放疗建模
放疗是一种局部癌症治疗,使用电离辐射诱导DNA损伤并消除肿瘤细胞,可作为独立治疗或与化疗等治疗联合使用。尽管其临床有效性,治疗抵抗和肿瘤异质性仍是重大挑战。数学、基于智能体和混合建模方法已广泛用于优化放疗计划、射束配置和患者特异性治疗策略,而细胞自动机和连续输运模型已应用于模拟肿瘤生长、氧动力学和放疗反应。纳入异质细胞群体的模型表明,在具有不同放射敏感性谱的肿瘤中,空间上变化的辐射剂量可能优于均质治疗策略。计算优化技术也已用于改善射束强度计划、最小化对周围器官的损伤,并考虑患者特异性不确定性如呼吸运动。此外,鲁棒优化、ML和自适应贝叶斯方法已整合到放疗计划中,以支持PET引导治疗和基于纵向患者数据预测个体化反应。
2.7 联合治疗建模
肿瘤异质性和动态肿瘤微环境常促进耐药性和疾病复发,使联合治疗成为改善治疗结果的有吸引力的策略。然而,由于涉及大量治疗变量,优化治疗顺序、剂量和方案仍具挑战性。已开发数学和计算模型来评估化疗、免疫治疗、放疗和靶向治疗对肿瘤动力学的联合效应。药物-疾病和TGI模型也已用于基于纵向临床数据预测治疗疗效和总生存期。
2.8 适应性治疗建模
癌症治疗策略传统上基于诊断时的肿瘤分期和分级选择,而适应性治疗根据肿瘤反应和进展动态调整治疗,以延迟耐药性并控制特定肿瘤亚群。近期适应性治疗框架越来越多地整合多种数学方法,混合模型显示出在异质性肿瘤中优化多药治疗策略的潜力。全球癌症负担日益加重,凸显了对更有效治疗干预的需求。尽管手术、化疗、放疗、靶向治疗和免疫治疗仍是主要治疗方式,但其效果在转移性和晚期癌症中常受限。同样,免疫治疗面临与免疫检查点激活、抗原呈递不足和肿瘤异质性相关的挑战。这些局限性推动了用于癌症诊断、预后和治疗优化的计算方法的发展。自20世纪80年代以来,计算机辅助方法越来越多地用于提高诊断准确性、减少判读错误并促进早期癌症检测,这对改善患者预后至关重要。

3 方法学
本综述旨在揭示人工智能和混合建模框架在神经外科肿瘤学中的相关研究突破。通过PRISMA流程图展示了搜索、纳入、筛选和过滤的文章总数。
3.1 文献检索策略
使用主要科学数据库进行了全面文献检索,包括Google Scholar、Scopus、Web of Science、Science Hub、PubMed、ResearchGate和arXiv。检索涵盖2013年至2026年间发表的论文,并保留了经典研究以提供历史和理论背景。
3.2 纳入排除标准
检索关键词包括“artificial intelligence”、“machine learning”、“deep learning”、“tumor”、“mathematical modeling”、“hybrid modeling”、“diagnosis”、“prediction”、“prognosis”和“treatment optimization”。从1995年至2025年识别出超过400篇文章。纳入标准为同行评审期刊发表、英语语言,并聚焦于基于关键词的内容研究。在这些文章中,重点放在与关键词相关、具有全面方法描述和可靠科学证据的主题上。相反,缺乏同行评审、方法学和临床材料信息不足以及/或重复的研究被排除,最终约300篇筛选文章被纳入。
3.3 研究选择与数据收集
对获得的记录进行标题和摘要审查,根据预设资格标准通过全文评估确定可能相关的出版物。在最终选择前排除重复研究,并对每项合格记录提取关键信息,包括方法学、肿瘤部位、临床数据、结果和局限性进行分析。
3.4 数据分析与综合
最后,将选定的研究系统分类为几个核心主题:肿瘤进展的数学模型开发与基于AI的癌症诊断;深度学习和ML应用;混合数学框架;癌症预后和治疗优化策略;挑战与未来方向。提供了表格和图形摘要以理解应用于治疗各种癌症的算法的准确性指标。
3.5 可重复性
为提高可重复性,方法学陈述了检索数据库、纳入标准、筛选和资格流程,通过PRISMA流程图展示。

4 AI、ML、DL与MM
4.1 AI
AI涵盖使机器能够执行需要类人推理、学习和决策任务的计算技术。在肿瘤学中,AI已成为增强肿瘤诊断、预后和治疗规划的有力工具,特别是在脑肿瘤管理和神经外科应用中。通过分析大规模临床和影像数据集,AI算法可识别临床医生可能不易察觉的细微模式,从而提高诊断准确性、早期检测和患者预后。自动化图像分析通过高效识别感兴趣区域并支持决策过程,进一步减少临床工作量。由于生物医学数据通常异质且非结构化,有效的数据预处理对于将原始数据转换为适用于ML应用的格式至关重要。常见预处理步骤包括数据缩减、投影和缺失值处理。
4.2 基于AI的癌症诊断
基于AI的系统广泛用于医学成像模态如MRI、CT和PET,用于肿瘤检测、分类和分割。DL模型,特别是卷积神经网络(CNN),在识别复杂成像模式和改善肺癌、乳腺癌、脑癌及其他癌症的早期检测方面表现出高准确性。传统ML技术,包括支持向量机(SVM)、决策树(DT)和人工神经网络(ANN),继续支持特征提取和分类任务,常补充DL方法。通过自动化图像分析,AI减少人为错误、观察者间变异和诊断工作量,同时增强临床决策和患者预后。近期研究进一步强调了AI与机制模型在癌症检测、治疗规划和药物发现中的整合。AI辅助框架在精准肿瘤学中也显示出前景,支持癌症筛查、风险分层、诊断和治疗反应预测,已有几种工具正在进行临床评估和监管审批。此外,综合综述强调了AI驱动策略在多种恶性肿瘤中的早期检测、诊断和治疗中的日益增长作用。尽管取得进展,与数据可用性、模型可解释性、过拟合、数据不平衡和泛化能力相关的挑战仍限制着广泛的临床实施。
4.3 AI在治疗预测和预后中的应用
超出诊断范围,AI在癌症预后和治疗预测中发挥关键作用,通过提供数据驱动的疾病进展和治疗反应见解。ML模型已广泛用于通过整合临床、基因组和影像数据来预测患者生存、肿瘤复发以及对化疗、放疗和免疫治疗的反应。这些方法通过支持根据个体患者特征量身定制的治疗选择,促进个性化医疗。尽管如此,与数据质量、数据集偏差、模型可解释性和泛化性相关的挑战仍是基于AI的预测系统广泛临床采用的主要障碍。
4.4 肿瘤生长的MM
MM通过数学公式表示复杂的生物过程,提供了理解肿瘤生长、进展和治疗反应的机制框架。经典生长模型,包括指数、逻辑斯蒂和Gompertz模型,描述了肿瘤发育的不同模式,后两者纳入了环境约束如营养可用性和免疫调节。更先进的模型整合了空间异质性、血管生成、免疫相互作用和药物动力学,以更好地捕捉肿瘤行为和治疗结果。尽管有用,这些模型通常受限于参数估计、生物学变异性和可能无法完全代表肿瘤复杂性和患者特异性异质性的简化假设等方面的挑战。
4.5 混合AI-数学模型
AI与MM的整合已成为癌症研究中有前景的方法,结合了数据驱动学习与机制理解。混合框架利用ML改善参数估计、模型校准和预测准确性,而数学模型提供生物学可解释性。通过将临床和实验数据与机制公式整合,这些方法能够更准确地预测肿瘤生长、疾病进展和治疗反应。混合模型对个性化医疗特别有价值,支持适应性治疗规划、药物组合优化和治疗方案制定。
4.6 ML
ML是AI的核心分支,使计算系统能够从数据中学习模式,并已成为生物医学研究和肿瘤学的重要工具。ML技术通过分析大规模临床、基因组和影像数据集,支持疾病风险评估、预后、分类和预测。ML工作流程通常包括数据收集、预处理、模型训练、验证和部署。监督学习使用标记数据预测结果如患者生存,而无监督学习识别生物医学数据中的隐藏结构和聚类,包括放射组学应用。强化学习通过基于奖励的机制优化决策,在药物发现、分子设计和个性化治疗策略中显示出前景。常见ML算法包括神经网络(NN)、K近邻(KNN)、朴素贝叶斯、DT、SVM和随机森林(RF),每种算法在分类和预测建模中提供不同优势。自1958年诞生以来,ML已演变为现代医疗保健的关键组成部分,通过自主诊断系统增强临床决策并实现早期癌症检测。此外,ML通过预测治疗结果和从复杂生物医学数据中识别临床相关模式,促进个性化医疗。近期研究已将ML与优化技术整合以改善预测性能。例如,XGBoost、ANN和图神经网络已应用于癌预测,而遗传算法(GA)辅助的ML模型增强了特征选择和乳腺癌诊断。同样,DL与基于GA的优化结合在肺癌检测中实现了高准确性。由于模型性能高度依赖数据质量,约80%的ML工作流致力于数据收集和预处理,需要包括影像、实验室检查、治疗史和随访结果在内的全面临床数据集。众多研究已证明ANN、SVM、DT和混合ML模型在癌症预测中的有效性,而ANN因其多层特征学习能力在医学图像分析中表现出特别优势。近期工作还强调了机制学习在桥接数据驱动和数学方法用于肿瘤学应用中的日益增长作用。
4.7 ML算法在特定癌症中的应用
4.7.1 胶质瘤
ML在胶质瘤研究中日益重要,特别是在使用医学影像进行肿瘤分级和分类方面。利用MRI序列如T1W、T2W和FLAIR的研究已证明ML技术的有效性,RF和最小绝对收缩与选择算子模型在区分低级别和高级别胶质瘤中达到可比性能。Kibriya报告称,其融合特征方法在15,320张MR图像上训练,优于单个特征向量和先前方法,准确率达到99.7%。
4.7.2 口腔癌
早期检测和准确预后对于改善口腔癌管理和患者生存至关重要。ML已成为提高诊断准确性和预测癌症易感性、复发和生存结果的有价值工具。先进的成像方法显示出显著潜力;例如,一项比较研究表明,3D CNN在利用动态增强率特征区分良恶性口腔病变方面优于2D CNN。此外,整合风险因素、一般健康信息和临床病理特征的ANN模型已实现有希望的预测性能,报告的口腔癌风险评估准确率接近79%。
4.7.3 皮肤癌
早期黑色素瘤诊断仍具挑战性,使计算机辅助方法在临床实践中日益有价值。图像处理和机器视觉的进步扩展了辅助成像在皮肤癌诊断和手术规划中的应用。公开可用的数据集,如PH2数据集和ISIC档案,加速了用于皮肤病变分类和分割的ML模型的开发和评估。例如,SegNet在PH2数据集的皮肤镜图像上达到94%的准确率,而多分辨率CNN集成通过利用多个图像尺度的特征进一步改善了黑色素瘤分类。近期AI发展,包括注意力机制、图像增强技术和混合CNN-视觉Transformer架构,通过捕捉局部和全局图像特征增强了分类性能。此外,可解释AI和多模态整合已越来越多地用于提高皮肤癌诊断系统的可解释性、可靠性和临床适用性。
4.7.4 胰腺癌
区分胰腺癌与良性病变可能困难。研究表明,ML模型如k-NN、ANN、SVM、LR和RF可提取用于胰腺癌诊断的独特成像特征。
4.7.5 结肠癌
结肠镜检查仍是结肠癌的主要诊断方法,尽管其具有侵入性且资源有限。诊断因患者、医生和医疗技术之间的相互作用而进一步复杂化。多个数据集也用于结肠癌检测。
4.7.6 肺癌
肺癌是癌症死亡的主要原因,影响45%-64%年龄组中29.2%的男性和22.8%的男性,女性中分别为17.9%和13.7%。诊断方法包括CT扫描、支气管镜检查、痰细胞学、胸腔镜检查和淋巴结活检。早期肺癌检测通常将患者临床数据(年龄、性别、家族史、吸烟等)与CT结节特征(大小、类型、位置、数量、边界、肺气肿)结合,以训练ML模型如LR或LDA。另一项研究使用代谢组学生物标志物测试了六种分类器,包括SVM、RF、k-NN和AdaBoost,以改善肿瘤预测。Li等人汇编了来自不同研究人员的研究,这些研究应用了不同的ML模型和分类器进行早期癌症检测和诊断。
4.8 性能指标
性能测量是任何ML流程的组成部分。以下介绍众所周知的准确性指标。
4.8.1 混淆矩阵
混淆矩阵是一个表格,显示各种预测和分类结果。它有助于可视化结果以及识别不同类型错误的正确预测。其四个主要组成部分是假阳性(FP)、假阴性(FN)、真阳性(TP)和真阴性(TN)。
4.8.2 分类准确率
分类模型最常见的性能参数是准确率。该指标测量正确分类值的频率。数学上,计算为:准确率 = (TP + TN) / (TP + TN + FP + FN),其中TP指真实正例值与预测正例值匹配的次数,TN指实际负例值与预测负例值匹配的次数,FP指模型错误地将负例值预测为正例,FN指模型错误地将正例值预测为负例。
4.9 分类报告
1. 精确率:精确率确定模型正确分类正例值的准确性。它问“当模型预测为正例值时,正确率有多高?”数学上,精确率 = TP / (TP + FP)。
2. 召回率或灵敏度:召回率指模型预测正例结果的能力。它问“模型正确预测正例值的频率有多高?”数学上,召回率 = TP / (TP + FN)。
3. 特异度:特异度指ML模型返回的负例结果数量。数学上,特异度 = TN / (TN + FP)。
4. 支持度:支持度指每个目标值类别中真实响应的数量。
5. F1分数/F度量:F1分数是精确率和召回率的加权平均值,计算为两者的调和平均数。数学上,F1 = 2 * (精确率 * 召回率) / (精确率 + 召回率)。
4.9.1 Cohen's Kappa (κ)
Cohen's Kappa是一种统计指标,用于评估两个评分者(或模型与真实标签)之间在分类数据上的一致性,同时考虑随机一致性。数学上,κ = (po - pe) / (1 - pe),其中po是观察一致率,pe是期望一致率。
6. 平衡准确率:平衡准确率是特别用于不平衡数据集的性能指标,计算灵敏度(召回率)和特异度的平均值。数学上,平衡准确率 = (灵敏度 + 特异度) / 2,其中灵敏度 = TP / (TP + FN),特异度 = TN / (TN + FP)。
4.10 DL
DL是ML的一个专门分支,已成为图像识别、自然语言处理、疾病诊断、药物发现、精准医学和临床决策支持的有力工具。与依赖顺序过程如数据预处理、特征提取、特征选择和模型训练的传统AI方法不同,DL自动从原始数据中学习层次特征,提高了效率和预测性能。众多研究已证明DL在肿瘤学中的有效性。深度信念网络已应用于三维脑成像,同时降低了计算复杂性,而可解释且有针对性的DL方法改善了乳腺癌诊断。基于GoogleNet的CNN模型增强了CT图像中的肺癌检测,CNN框架在皮肤癌分类中实现了可靠性能。深度NN在乳腺癌分类中达到约99.73%的准确率,而基于CNN的热成像系统改善了乳腺疾病诊断。近期研究进一步探索了使用先进DL框架的多模态成像、放射基因组学和脑肿瘤分割。图7总结了DL在癌症检测医学图像分析中的应用。图8展示了典型的基于CNN的分割框架。DL在甲状腺和脑肿瘤分析中也显示出有希望的结果。基于ANN的方法已应用于甲状腺结节分类,而多模态DL框架与优化技术结合增强了使用MRI数据的脑肿瘤分类。通过神经架构搜索和涉及GA的混合优化策略自动设计CNN进一步提高了模型效率。此外,DL辅助的全切片细胞病理学图像分析支持甲状腺癌诊断,而CNN和RF模型在脑肿瘤分割中表现出可靠性能,Dice系数分别为0.876和0.862。混合分类器也改善了基于乳腺X线摄影的乳腺癌检测。现代架构如GoogLeNet、ResNet和Xception有效捕捉多尺度图像特征,同时降低参数复杂性。此外,长短期记忆网络通过专门的记忆机制增强从序列数据中的学习,迁移学习使预训练CNN能够适应具有有限标记数据集的新任务,改善医学成像应用中的泛化能力并降低训练成本。
4.10.1 公开可用的癌症研究数据集
表S4提供了公开可用的癌症数据集的快速概述。
4.11 MM
MM提供了表示生物过程和预测疾病动态的系统框架。其在医学中的应用早于ML,始于Bernoulli关于天花疫苗接种的开创性工作,并于20世纪90年代以来大幅扩展,特别是在肿瘤学中。MM已被广泛用于描述肿瘤生长和治疗反应,如指数、逻辑斯蒂和Gompertz公式等模型捕捉不同的生长行为。癌症发病率在多阶段模型中的数学表示可表示为:I = k * N * r * q,其中k是常数,N表示处于风险的细胞数,r表示突变变化次数,I是癌症发病率,q表示给定年龄下细胞变化的概率。基础理论,包括Armitage-Doll多阶段模型和线性二次(LQ)模型,推进了对癌变和放疗反应的理解,尽管其简化假设限制了全面表示肿瘤复杂性的能力。肿瘤血管生成的数学模型已纳入血管生成因子、毛细血管动力学和血管生长,以评估抗血管生成治疗,而反应-扩散框架已广泛用于研究胶质瘤生长和转移。此外,MM支持通过生物有效剂量和基于LQ的公式优化化疗、放疗和手术干预。近期研究进一步探索了肿瘤生长动力学、瘤内异质性、个体化医疗、临床试验优化和癌症免疫学,基于GA的优化在癌症诊断和治疗预测中发挥日益重要作用。讨论中提到了最小化不良反应并最大化治疗结果的最优控制策略和随机性。MM进一步推进了对耐药性、治疗反应和治疗方案的理解。研究检查了实体肿瘤动力学、毒物兴奋效应和抗体剂量、血管肿瘤中的药物递送屏障、放疗优化、DNA甲基化动力学以及基于GA的化疗优化。肿瘤进展模型、基于ODE的异种移植模型和药代动力学-药效学框架的综合综述进一步证明了MM在肿瘤学中的广泛适用性。近期发展越来越多地将ML与MM整合,以改善参数估计、预测准确性和治疗优化。结合ML和MM的混合框架显示出增强的治疗效果和成本效益。在脑肿瘤研究中,ML分类器包括SVM、KNN、CNN、RF、VGG19、AlexNet、GoogleNet、CapsNet和GBM的比较分析表明,基于CNN的方法性能优越。此外,特征选择技术仍然是癌症预测、预后和肿瘤生长建模的基础,通过识别临床相关的预测因素。

5 讨论与未来方向
本综述强调了近期利用基于AI的学习预测恶性肿瘤的研究努力。尽管癌症研究通过使用数据驱动方法如“AI、ML、DL、MM”和混合模型日复一日地取得进展,但随着AI在神经外科中的使用增加,评估新程序将变得越来越重要。评估应考虑患者和临床医生的接受度、临床疗效和伦理考虑。
5.1 挑战与建议
尽管取得显著进展,AI和MM在肿瘤学中的应用面临若干挑战。许多模型依赖大规模、多样且标注良好的数据集进行稳健训练和验证。模型可解释性,特别是在DL系统中,仍是一个主要关注点,因为临床医生需要透明且可解释的预测以进行知情决策。此外,可重复性、跨不同人群的泛化能力以及真实世界验证对于可靠的临床实施至关重要。有效ML工具的开发很大程度上依赖于高质量训练数据的可用性。缺失值通常由不完整的问卷或异质性数据收集引起,仍是一个主要挑战,可显著降低模型性能。此外,来自回顾性和观察性数据集的偏差可能导致不可靠的预测和在不同临床环境中有限的适用性。因此,基于ML的预测系统的成功实施需要医疗专业人员和计算科学家之间的密切合作,以确保适当的数据分析、模型开发和临床解释。
MM通过将生物过程简化为数学公式并通过数值模拟评估它们,补充了数据驱动方法。然而,参数估计、生物学变异性和有限的临床数据常限制这些模型准确表示复杂治疗场景的能力,如联合化疗和抗血管生成治疗。同样,ML性能高度依赖于数据的数量和质量,模型复杂度、标签可用性和数据异质性等因素影响预测准确性。医学应用由于临床数据的多样性,包括基因组学、影像、实验室检查和生理测量,而特别具有挑战性。图11总结了ML在肿瘤学应用中的主要挑战。集成学习技术,包括RF、GBM和SVM,也被广泛使用。图12和13展示了基于AI的预测方法及其在不同癌症类型中应用的分布。MRI仍是最常用的成像模态,其次是CT、皮肤镜、乳腺X线摄影、内镜和病理图像。CNN已广泛应用于脑癌、结肠癌、皮肤癌、甲状腺癌和肺癌,而混合方法在乳腺癌预测中常见。尽管如此,DL模型需要大量标注数据集以避免过拟合并实现稳健性能。公众理解和接受对于AI在医疗保健中的成功采用也很重要。研究表明,对AI的认知仍然有限,强调需要透明沟通和逐步将AI辅助系统整合到临床实践中。为增强公众信任,建议AI技术支持而非取代临床决策,公开沟通其益处和局限性,并使验证数据公开可用。总体而言,基于AI的模型,包括ANN、SVM和混合框架,提供强大的预测性能和分析高维数据用于早期肿瘤检测的能力。然而,它们仍依赖大规模、高质量数据集,并受限于过拟合、数据不平衡、有限的可解释性和对噪声的敏感性。同样,数学肿瘤模型提供有价值的机制见解,但常依赖简化假设和不确定的参数估计,限制了其捕捉生物复杂性的能力。可重复性仍是一个重大关注点,因为许多研究基于小规模或机构特定数据集,缺乏外部验证,而数据采集、预处理和模型训练中的差异进一步限制了AI和数学模型跨不同患者群体的泛化能力。
5.2 伦理问题
除了ML和MM的方法学方面,伦理和法律考虑对于其在医疗保健中的负责任应用至关重要。基于AI的系统在训练于未充分代表特定患者群体的数据集时可能遭受有限的可重复性和公平性。关键伦理问题包括数据安全性和机密性、算法偏见、信任关系、问责制、医患自主权以及自动化决策对临床实践的潜在影响。ML在儿科重症监护室预测死亡率中的应用进一步说明了这些挑战,因为训练数据中的偏见和不准确性可能影响治疗决策。当临床医生和医疗系统高度依赖算法生成的风险预测时,也会出现伦理问题。理想情况下,风险计算器应纳入患者特定信息,以支持知情同意和共享决策。否则,过度依赖此类工具可能减少以患者为中心的护理,限制治疗选择,并在高风险情况下鼓励家长式决策。此外,保险公司和医疗计划可能使用风险计算器来确定治疗资格或评估医生绩效,可能绕过患者-医生关系,并惩罚其决策超出预定义风险阈值的临床医生。尽管ML在改善临床结果方面具有很大潜力,其整合到医疗保健中需要解决四个主要伦理原则:知情同意、安全性和透明度、算法公平性和偏见缓解,以及数据隐私。基于ML的医疗系统的法律和政策影响继续引发辩论,强调需要监管框架,使政策制定者能够解决与AI在医学中日益采用相关的新兴伦理挑战。此外,ML算法模仿人类决策的某些方面,但具有有限的推理能力,造成进一步伦理问题。医疗物联网也引入了与数据传输和连接相关的安全性和干扰挑战。监管政策在AI技术的可持续发展中发挥关键作用,要求跨科学学科的算法开发者适应不断变化的法律标准。数据隐私仍是一个主要关注点,因为ML模型依赖大量患者信息,这些信息可能存储在多个位置,增加了未经授权访问和网络攻击的风险。因此,保护患者机密性需要透明的数据收集和使用政策、知情同意程序以及防止个人信息非法利用的保障措施。为增强安全性,近期研究提出了非侵入性且安全的基于DL的癌症诊断框架,在传输过程中加密医疗数据。已使用相关性、熵、对比度、结构内容和能量等安全措施评估这些方法的有效性,展示了其降低数据盗窃风险的潜力。
5.3 实践意义
本研究发现,AI、ML、DL和MM具有极大潜力增强癌症诊断、预后和治疗规划。AI驱动技术可帮助临床医生在更早阶段检测肿瘤,提高诊断准确性,减少判读时间,并实现个性化治疗选择。数学和混合模型通过模拟肿瘤发展动态、预测治疗反应和优化治疗方案带来价值。将计算技术整合到临床操作中可增强精准医学,降低医疗成本,并优化患者结局。
5.4 局限性
尽管本评估范围全面,但必须承认局限性。首先,仅审查了以英语发表的研究,可能导致语言偏见。其次,文献评估表明数据集、癌症类型、计算方法、验证策略和性能指标存在显著差异,使直接比较复杂化。第三,许多基于AI的研究使用回顾性数据集,无外部验证,限制了其广泛临床人群的适用性。最后,尽管许多计算模型在研究环境中表现良好,但由于可解释性、监管审批、数据保护和临床验证方面的挑战,其在日常临床实践中的应用有限。
5.5 未来方向
未来研究应聚焦于创建可解释、可信赖的系统,为临床医生提供透明的决策工具。为改善预测性能和个性化治疗规划,应更好地整合多模态数据源,如影像、基因组学、病理学和临床信息。联邦学习框架可帮助解决数据隐私问题,同时实现跨机构的协作模型训练。此外,数字孪生技术和患者特异性模型为实时模拟疾病发展和优化治疗方法提供了机会。大规模前瞻性临床试验以及跨不同人群的外部验证对于评估AI驱动和混合计算方法在肿瘤学中的可靠性、稳健性和临床实用性是必要的。为将这些进展转化为真实的医疗解决方案,医生、数学家、计算机科学家和生物医学研究者必须继续合作。

6 结论
本研究综述了先进的癌症检测方法,强调了ML、DL和MM在通过医学影像进行早期诊断中的作用。这些方法有助于识别疾病信号、预测癌症风险、复发和生存,并基于遗传和临床数据设计患者特异性治疗计划。与传统实验室测试相比,计算技术简化了分析,使癌症管理更高效和精确。研究发现,大多数先前工作依赖ML和DL,特别是CNN,其中预处理和分割后的图像优于其他指标。然而,头颈癌的早期检测仍需进一步研究。主要挑战包括高维和不平衡数据集、缺失数据以及有限样本。未来研究应聚焦于加强DL模型用于诊断、预后和治疗预测。在脑肿瘤手术中,混合建模可支持更有效的治疗规划并指导个性化临床决策。该领域的进展取决于合作,特别是在开发共享数据集和存储库以训练可靠AI系统方面。AI有潜力增强诊断、治疗规划和治疗优化,但公众对其在癌症研究和肿瘤学中重要性的认知仍然有限。教育公众关于AI如何帮助临床医生更早诊断癌症、预测结果和个性化治疗,对于获得信任和接受至关重要。提高认知可增强社区支持,促进患者参与AI驱动试验,并最终加速这些技术纳入标准癌症实践。尽管在利用AI和MM进行癌症诊断和治疗方面取得了巨大进展,但在可解释性、数据质量、模型泛化能力和实际应用方面仍存在重大挑战。未来进展很可能由可解释AI、多模态数据整合、混合机制-数据驱动模型和患者特异性数字孪生技术驱动。通过跨学科合作和严格临床验证解决这些困难,对于将计算发现转化为可靠且有效的癌症护理解决方案至关重要。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号