首页 > 文章详情

人工智能在肿瘤学中的用途和局限性

06月23日

来源：智能肿瘤学

基于高维度患者数据构建的现代人工智能（AI）工具正在重塑肿瘤学护理，帮助改善目标一致的护理、降低癌症死亡率，并提高工作流程的效率和护理范围。然而，数据相关问题和在开发及部署阶段渗入算法的人类偏见影响了AI技术在现实世界环境中的表现，限制了其在肿瘤学诊所的实用性和安全性。为此，回顾当前预测性AI在癌症诊断和预后方面的潜力和局限性，以及生成性AI，特别是现代聊天机器人，它们与患者和临床医生进行交互，讨论对领域内正在进行的挑战和监管机会。

肿瘤学的创新推动了过去32年癌症死亡率下降了33%。与此同时，精准医学技术的出现——其中一些基于人工智能（AI）——使肿瘤学临床医生能够更好地识别放射学扫描中以前未被注意到的模式，预测疾病进展，提供定制疗法，并建议临床试验的资格。临床AI技术开启了一个更有效的筛查、优化治疗方案和改善患者结果的时代，标志着癌症护理交付的重大飞跃。

人工智能描述了为问题解决而创建的数据驱动、自我运作的算法。AI的两个核心术语是机器学习（ML）和深度学习（DL）。机器学习是AI的一个子集，指的是算法能够自动学习和适应数据，而无需明确编程。深度学习是ML内的一个特殊群体，通过使用多层算法网络处理来自数据的信息，模仿人脑的方式。

随着医疗大数据到来，医学和人工智能的结合已经成为未来趋势，Raymics Cloud提供了算法平台，医生可以利用数据在平台上进行汲取学习和深度学习，从而生成模型，利用到科研和临床中，并支持联邦学习，多中心协作，不出院，让数据整合生成更好的可信大模型。

AI算法分为两类：预测性AI和生成性AI。预测性AI工具从训练数据中学习模式，以预测新场景中的结果。例如，用于从乳腺X线摄影扫描中诊断乳腺癌的基于图像的分类工具就是一种预测性工具。生成性AI创造在训练数据中未明确存在的新颖输出。与患者进行对话的AI聊天机器人是生成性AI的一种形式。

尽管已经发表了无数关于癌症护理管理的AI算法的变体，但只有少数被临床实施。实施的障碍包括有限的食品药品监督管理局（FDA）监管指南、将AI整合到临床工作流程中的高前期成本、算法的不可解释性以及对部署后算法的有限监控。在2021年FDA批准的71个与AI相关的设备中，大多数是癌症诊断（>80%），涵盖了癌症放射学（54.9%）、病理学（19.7%）和放射肿瘤学（8.5%）领域。这些设备应用于实体恶性肿瘤，最频繁的是乳腺癌（31%）和肺/前列腺癌（8.5%）。

诊断

早期癌症和治疗后复发的癌症在放射学和病理学报告中难以诊断，这在临床上看似稳定的患者中尤为严重。机器学习算法经过成千上万张图像（即，放射学扫描、病理学图像和移动电话照片）的训练，学习区分正常和癌性病变，这在微妙病理学对肉眼不可见的情况下受益。常用于图像分类的AI算法是卷积神经网络（CNN），深度学习架构，通过提取每组的识别特征并使用生成的模式进行新分类任务。算法为每个输出类分配一个概率，并将图像分类为分配最高概率的组。通过将算法分类与临床医生分类进行比较（称为“真实情况”），来衡量AI工具的准确性。

肿瘤学中的诊断AI可以提供高准确性的早期检测，提高护理效率，并可在卫生系统中扩展。从AI技术中受益的两种癌症类型是皮肤癌和乳腺癌。

预后

预测患者结果有助于定制医疗计划并优化肿瘤学中的资源分配。然而，预测预后对肿瘤学家来说是一个挑战，估计有63%的医生高估了生存期，而17%的医生低估了生存期。一个原因是医生依赖于临床先例和国家发布的人口统计数据（例如，5年中位生存期）来评估单个患者，这导致了过度概括和不准确的风险评估。在肿瘤学中，不准确的预测后果包括给患者及其护理者增加情感负担、资源分配不当、患者-医生关系中的信任度降低，以及在关键治疗或生命终结干预中延迟。

基于AI的风险预测模型生成个性化的预后估计，已经增强了临床医生对风险的评估，并帮助肿瘤学中个性化护理决策。

聊天机器人

目前，现代会话聊天机器人正在医疗保健领域掀起一股浪潮。聊天机器人是生成类似人类语言的计算机程序。现代聊天机器人的基础学习架构从预测性自然语言处理和语音识别软件发展到生成性大型语言模型（LLMs），这些模型处理大型基于文本的数据集，以翻译、预测和制作内容。对于患者来说，LLM聊天机器人提供了支持，包括患者教育、患者-临床医生沟通和心理健康服务。对于医生来说，LLMs有潜力编码临床知识、自动化医疗文档（例如，知情同意）、增强远程医疗互动，并协助临床试验招募。

艾伦·图灵在1950年的问题“机器能思考吗？”在他的挑衅性作品《计算机机械与智能》中为一个新领域——人工智能奠定了概念基础。图灵的思想实验导致了早期AI机器人系统的创建，这些系统模仿人类决策制定，包括假肢“触手臂”和工业装配线机器人。到了21世纪初，随着AI架构的改进，使其更适合高风险医疗环境，AI的应用范围扩展到增强临床医生的决策制定，结果重塑了癌症护理管理的格局。

AI提供了无尽的潜力，通过实现早期诊断、提供更精确的风险估计、指导有效的治疗方案，并为患者为中心的互动释放临床医生的时间，将癌症护理推向新的前沿。

目前仅仅触及了AI系统在肿瘤学中潜力的表面。其实还有重要的医学和流行病学中AI的应用案例包括AI在临床试验招募中的应用，以及疾病发展和进展、癌症基因组学和基因突变、数字健康和移动疾病状态监测、以及人口层面风险因素的研究。

AI算法的好坏取决于它们所接收的数据和假设。在训练数据集中对患者群体和医疗场景的偏见表示可能导致数据过拟合和AI工具在现实世界中的不准确概括。数据集偏移，即现实世界数据分布与训练集的偏离，可能导致AI性能随时间漂移，降低其输出的可靠性。确保在训练、评估和部署后监控阶段使用多样化、有代表性的数据至关重要。

除了训练数据中固有的偏见外，人类偏见还可能影响AI算法在诊所中的使用。在2019年对韩国医生的调查中，83.4%的医生认为AI在医学特别是医学诊断中的有用性，但只有5.9%的医生熟悉AI，29.3%的医生承认由于信息不足，AI在意外情况下无法提供帮助。医生的专业水平、技术素养和年龄等因素影响了这些技术的采用。医生对使用AI工具的犹豫可能源于算法生成预测的不可解释性、未分配的医疗责任和经济成本，以及对AI工具的不熟悉。当前关于解码可解释性的方法论工作涉及将统计分数归因于输入变量，以确定每个模型输入对生成预测的贡献。解码变量重要性可以帮助获得用户对输出的信心，并使这些工具更好地整合到临床工作流程中。另一方面，自动化偏见，即过分依赖AI做出临床决策，可能以牺牲自己对患者的临床直觉为代价，同样会阻碍AI在癌症护理交付中的适当使用。自动化偏见可能被忽视，这可能导致医疗决策的错误信息。

AI系统无法完美复制临床医生的决策制定，因为像患者的情绪、认知状态和临床状态这样的变量并没有坚定地捕捉在数据中，但它们在评估患者风险时仍然至关重要。扩展预后AI模型以包括持续捕捉临床外症状和功能状态的患者报告结果可以提高模型的准确性和临床相关性。一项研究报告称，与仅使用EHR数据相比，训练于患者报告结果（PRO）和EHR数据的死亡预测模型的曲线下面积增加了4%。交互式AI框架，如人在循环模型或人机协作模型，这些模型结合了来自临床医生的实时反馈和见解，可以提高预测的准确性和信心，确保在医疗环境中对风险评估。

随着越来越多的AI算法被开发和实施到诊所中，调整肿瘤学临床工作流程以适应它们取决于明确的监管监督。采取措施保护患者隐私、标准化数据收集和维持算法可靠性将确保AI的负责任使用。对于像基于LLM的聊天机器人这样的生成技术，需要额外关注硬件要求、持续监控和限制使用案例。在AI和肿瘤学融合的今天，创新和责任之间的平衡将把癌症护理交付提升到新的高度，从而使患者、医生和医疗保健系统受益。

来源｜Raymics医学影像

责任编辑：肿瘤资讯-Astrid
排版编辑：肿瘤资讯-Astrid

免责声明

本文仅供专业人士参看，文中内容仅代表智能肿瘤学立场与观点，不代表肿瘤资讯平台意见，且肿瘤资讯并不承担任何连带责任。若有任何侵权问题，请联系删除

06月24日

刘清霞

潍坊市市立医院 | 内科

人工智能不仅在肿瘤学中有应用，在整个医学领域也发挥作用