首页 > 文章详情

【读文献】AI在肿瘤领域的现状、挑战与未来

05月08日

来源：王一树

《Artificial Intelligence in Oncology: Current Landscape, Challenges, and Future Directions》作者为William Lotter等，发表于2024年5月的《CANCER DISCOVERY》杂志。文章全面回顾了人工智能（AI）在肿瘤学领域的当前应用、面临的挑战以及未来的发展方向。

AI在肿瘤学的应用正超越研究开发阶段，直接整合到临床实践中。本文讨论了AI在肿瘤学中应用的两个基本转变：新的计算模型和工具的开发，以及肿瘤学数字化景观的进展。

人工智能开发和临床翻译的阶段，以人工智能在乳房X光检查中的示例。如下图，人工神经网络在数千张有标签的乳房X光图像上进行训练。网络在检测乳腺癌方面的性能得到迭代提高，然后网络可用于对以前看不到的图像进行预测。然后，这些预测可用于协助放射科医生的工作流程。

如下图，乳房X光检查中的人工智能已经从回顾性样本研究过渡到监管许可、临床整合和现实世界的临床评估。

描述了AI在肿瘤学领域的当前状态，特别关注临床整合。AI应用根据癌症类型和临床领域进行分类，覆盖检测、诊断和治疗任务，并使用多种数据模式，包括影像学、基因组学和医疗记录。

AI应用根据癌症类型和临床领域进行结构化，重点关注四种最常见的癌症（乳腺癌、前列腺癌、肺癌和结直肠癌）以及检测、诊断和治疗任务。

人工智能正在应用于肿瘤患者整个诊疗路径，该审查将应用程序分为三个主要类别：目前检查的应用往往具有最高的临床成熟度，其中一些已经具有监管许可和已公布的临床试验，我们将其称为“Scaling”；诊断应用程序往往不太成熟，但存在监管许可，验证研究正在进行中（“Piloting”）；预后和治疗应用通常离成熟度最远，许多新兴研究（“发展”）。本文强调了每个临床类别中的人工智能应用，特别关注乳腺癌、前列腺癌、肺癌和结直肠癌。

检测：描述了AI在癌症早期检测中的应用，特别是在乳腺和肺癌的影像学技术中的应用。

乳腺癌：AI在乳腺X线摄影中的癌症检测应用，以及如何通过监管审批、临床整合和真实世界研究评估这些系统。

结直肠癌：AI在结直肠癌筛查中的应用，特别是在结肠镜图像和视频中的深度学习模型。

肺癌：AI在肺癌筛查中的低剂量计算机断层扫描（CT）图像的应用，以及如何利用美国国家肺癌筛查试验（NLST）数据开发肺癌检测模型。

前列腺癌：AI在前列腺癌检测中的应用，包括在MRI图像上的前列腺分割和定量特征提取。

诊断： AI在组织病理学检查中的应用，包括癌症亚型、分级和分期的分类。

总体说来，AI在癌症诊断中的应用，尤其是在病理组织学检查中，AI被用于疾病分类、分级和分期。

治疗：AI在治疗选择、个性化治疗设计和治疗传递指导中的直接应用。

AI在癌症治疗中的应用，包括治疗选择、个性化治疗设计以及治疗传递期间的指导。本文还讨论了AI在临床试验匹配和自动化预筛选中的应用，以及在优化行政工作流程和患者参与方面的潜力。

挑战与机遇

与医学领域的许多其他领域一样，肿瘤学中的人工智能在有效开发和临床翻译方面面临重大挑战。这些挑战涉及跨机构策划和共享数据，防止从培训到部署的偏见，确保适当的监管和评估，并融入不同临床环境的临床工作流程。

AI在肿瘤学中应用的挑战，包括数据管理与共享、偏见与公平性、监管与评估以及临床工作流程的整合。

文章最后提出了未来指导AI在肿瘤学中发展和部署的原则，强调了需要客观评估AI对患者结果的影响、评估AI部署的医疗价值、制定清晰的AI临床整合流程以及持续监测AI的影响和患者安全。

肿瘤学中人工智能的重要前瞻性考虑因素。在肿瘤学中有效临床采用人工智能需要的不仅仅是技术进步，而且必须包括对人工智能对患者结果和医疗保健价值的影响进行批判性评估。还需要跨不同临床环境的稳健流程进行整合，同时进行持续监测，以确保患者的利益和安全。

未来方向和结论

本文预测了AI在肿瘤学中的发展，包括新的AI监管批准和临床试验结果，以及对AI影响的客观评估和医疗价值的严格评估。

肿瘤学中的人工智能领域正在快速发展。这一发展既包括算法进步，也包括新的临床用例。在接下来的几年里，我们可能会看到新的人工智能监管批准和临床试验结果的稳定进行，包括那些超越目前人工智能作为辅助检测/诊断辅助工具的普遍应用的结果。我们还可能会看到多个基于法学硕士的新应用程序和那些使用多模式数据的应用程序。

尽管如此，人工智能肿瘤学的未来不会仅仅由技术创新驱动。相反，我们看到了一些基本要求，这些要求将推动肿瘤学中人工智能的未来。这些要求需要由多个利益相关者共同评估，包括研究团队、临床医生、伦理学家、医院管理员和IT团队，因为他们在考虑在肿瘤学中开发和部署人工智能模型。

首先，非常需要对人工智能对患者结果的影响进行客观评估，这是在癌症特异性、临床有意义的指标中定义的。这将需要对现实世界的研究和理想的随机临床试验进行更多投资，重点是对患者群体和临床部位的人工智能可推广性进行临界评估。

其次，需要对人工智能部署的医疗保健价值进行严格评估，并与一致的支付结构相结合。医疗保健价值被定义为每花费1美元（214）实现的健康收益，是进行知情医疗保健投资的关键指标。至关重要的是，尽管人工智能将理想地改善医疗保健成果，但其最大影响最终可能是改善资源分配和获得优质护理的机会。实现这些好处可能需要结构变化和新的临床工作流程。

与之相关，第三个需求是人工智能临床集成的明确、标准化的过程，涵盖从技术标准到利益相关者参与和培训的各个方面。

最后，利益相关者必须采用客观流程来持续监测人工智能的影响并衡量患者安全。可以说，数据驱动的深度学习方法的最大优势是能够随着时间的推移不断改进。无论如何，实现这些好处需要定义明确的监管流程和共同努力，以长期持续监控人工智能设备。这种必要性甚至适用于“冻结”的人工智能设备，这些设备可能会随着时间的推移而经历数据或人口变化。

总之，这些考虑因素将强烈塑造肿瘤学中人工智能的未来，以帮助确保有效、公平和可持续地使用人工智能来改善癌症患者的护理。