随着人工智能(AI)技术的飞速发展,其在医疗领域的应用正以其强大势力成为临床诊疗新力量。特别是在肺癌的诊疗领域,AI技术的应用前景广阔,为早期筛查、诊断以及精准治疗带来了深刻的变革。2024年欧洲肿瘤内科学会(ESMO)年会上,美国MD安德森癌症医学中心的张建军、乐秀宁、吴佳三位教授聚焦于AI技术如何助力肺癌诊疗的新发展,并探讨了未来面临的挑战。本文将带您深入了解AI技术在肺癌早筛早诊、个体化治疗以及临床试验设计中的关键作用,揭示AI时代下肺癌诊疗的新趋势,以及在提高治疗效果和患者预后方面的潜在影响力。
MD 安德森癌症中心 胸部/头颈部肿瘤内科/基因组医学系
1997年,华中科技大学同济医学院 博士
2002年,中国医学科学院北京协和医学院肿瘤研究所 博士
2002-2008年,纪念斯隆凯特琳癌症中心
2008-2011年,长岛犹太医疗中心
2011年-, MD 安德森癌症中心
张教授是一名肿瘤内科医生,其研究兴趣在于研究肿瘤异质性,即肿瘤之间(肿瘤间异质性)和肿瘤内部(肿瘤内异质性)的细胞差异,以及它对患者免疫系统能力、治疗反应和临床结果的影响。他致力于改善胸部恶性肿瘤的诊断和治疗,重点研究肺癌及其相关的癌前疾病。他的主要目标是了解治疗耐药性的细胞机制,并为肺癌患者开发新的生物标记和新的治疗策略。他致力于患者护理以及临床和转化研究。在精准医疗时代,张教授的工作重点是了解被诊断患有肺癌的患者的遗传信息,以便识别可用于选择最能从不同治疗方法中受益的患者的基因。他积极参与多项临床试验,并领导与其中许多试验相关的转化工作。
MD安德森癌症中心 胸头颈医学肿瘤内科
2003年,取得北京协和医学院博士学位
2010年,取得哈佛大学医学院博士学位
2010年~2017年,分别于马萨诸塞大学医学中心、哈佛大学医学院贝斯以色列女执事医疗中心和丹娜-法伯癌症研究所作博后
美国临床肿瘤学会(ASCO)会员
美国癌症研究协会(AACR)会员
乐秀宁教授临床专长包括肺癌、头颈癌和其他胸部肿瘤的诊断和治疗。她致力于提供基于最新科学发现的个性化治疗方案,并积极参与临床试验,以探索新的治疗选择。她的研究兴趣集中在非小细胞肺癌的分子机制和治疗策略上,特别是在EGFR突变、MET突变和免疫治疗方面。她在多个高影响力期刊上发表了多篇同行评议论文,包括《临床癌症研究》、《癌症》(Basel)、《癌症细胞》、《临床肺癌》、《胸部肿瘤学杂志》、《肺病学》、《白血病与淋巴瘤》、《临床癌症研究》、《癌症》、《血液学进展》等,并获得了多项研究资助。
MD安德森癌症中心医学影像物理系/胸部/头颈部肿瘤内科学系 诊断影像学部
2007年,取得哈尔滨工业大学机械工程学士学位
2009年,取得哈尔滨工业大学机械工程硕士学位
2013年,取得美国宾夕法尼亚州匹兹堡大学土木工程与生物工程博士学位
2013年-2018年,分别完成美国宾夕法尼亚大学放射学部和斯坦福大学放射肿瘤学部博士后培训
2018-2020年,美国斯坦福大学放射肿瘤学部,讲师
海湾海岸联合体转化影像指导委员会委员
乳腺癌月光射击计划IAB委员会委员
美国癌症研究协会(AACR)委员
美国医学物理学家协会委员
北美放射学会委员
吴嘉教授的研究兴趣和领域专长主要集中在医学影像物理、放射肿瘤学、生物工程、人工智能与机器学习等,其研究成果在多个学术期刊上发表,并获得了多项荣誉和奖项,体现了其在医学影像和癌症研究领域的专业地位和影响力。
AI技术在肺癌早筛早诊中的应用前景广阔
Q1:能否请您介绍AI等新技术在肺癌早筛早诊、治疗方面的应用及重要新进展?
吴佳教授:这个议题非常大,也非常重要,我先从技术层面做一些解答,随后张教授可从临床转化角度进行相关解读。现在AI在肺癌早筛中的应用研究非常热门,目前相关研究文章也已发表,如利用AI技术分析CT扫描、预测结节患者是否会发展成为肺癌、以及进行肺癌诊断等。目前这些技术已经具有很高的特异性和敏感性,并在不同的数据集上也进行了相应的验证。但从技术层面来看,仍有进一步发展的空间——目前这些研究多集中在西方人群,以白人为主,因此从机器学习角度而言,训练的数据集就决定了模型将来的应用场景——即迁移性和普适推广性仍受到一定的质疑。同时,模型的可解释性也是大家质疑的另一个方面,特别是对于临床医师和影像科医师,对于他们而言特别想了解的是影像学中的何种特征决定患者更(或更不)容易罹患肺癌。一般而言,临床的理解是根据结节大小进行判断,但如果影像学未发现结节而患者一年后发生肺癌的情况就会令临床医师觉得非常棘手。但该种情况下,AI有时能够非常精准的预测。我们应如何从AI的角度去解释临床相应现象?这是一个非常值得思考的有趣问题。
同时,我们不仅在肺癌筛查和早期诊断有影像学数据,还会有一些血液方面的数据,但血液方面数据的特异性和敏感性还存在着较大的差异,未来从AI的角度而言,不仅要从一种数据角度去预测,而是把多种数据的不同模态进行有意义的融合,不能只是单纯地进行加和处理。
张建军教授:近年来,肺癌早筛早诊受到广泛关注,在技术、法律、政策方面,都有许多值得探讨的问题。但从临床应用角度而言,目前我们临床医师通常较为依赖患者的病史、体格检查,以及靠肉眼去观察影像学图像结果,但这些数据及内容的分析处理远超过人脑处理数据的能力。我们必须谦虚地承认,目前临床对生物学、医学以及肿瘤学的认知非常有限。AI有着非常强大的能力,能够把人眼看不到、想不到或者我们目前还无法理解的内容和数据调取出来(只要有非常大的数据量和非常好的技术)。我个人觉得AI会比人的客观性要更好,挖掘的深度也要更强一些。不仅在早筛早诊方面,在肿瘤的其他领域,AI的相关讨论也非常多。
乐秀宁教授:我非常同意张教授对于AI在早筛早诊应用方面的一个整体思路。在治疗过程中,其实AI对我们也会有很大的帮助。目前在临床上大多依靠临床医师的个人经验来做出临床决策,很多时候患者的特殊性可能未充分考虑,尽管目前也融合了基因治疗等手段和技术,但对于患者个体化诊疗还完全不够。我们现在希望能做的研究(尤其是从免疫、靶向治疗方向)是把既往患者的数据集集中到一起,用机器学习或AI的方法,从人群层面(population level)而非患者个体层面去理解和预测不同人群预后情况。这个方法会更加精确,能够更好地区分良性预后和恶性预后的患者。众所周知,我们目前有很多新的方法、手段、新药层出不穷,在精准分层的前提下,良性的患者不会接受过多的治疗,不良预后的患者可以早期被发现、早期接受治疗,这对于改善患者预后是非常重要的。
AI赋能临床诊疗与个体化治疗
Q2:能否请您分享AI在协助临床诊疗及提高个体化治疗效果方面有哪些关键助力?
乐秀宁教授:目前,AI和机器学习已逐步进入临床。今年的世界肺癌大会(WCLC)和ESMO是连续举办的,在肺癌大会上阿斯利康的一份口头报告进入了主席报告中,利用AI和机器学习数字病理学的方法作为新的生物标志物。这个报告本身的样本数量并不大,但个人认为其能够进入主席报告的原因之一在于其非常先驱化地应用了数字病理学。下面请吴教授进一步给我们分享,结合哪些手段可以进一步为我们提高生物标志物和临床预后预测的准确性。
吴佳教授:令人感到激动的是,AI在数字病理学、不同数据模态上的应用,以及相关研究及报告已逐渐进入ESMO、ASCO等偏临床相关的大会中,而在5-10年前,这些研究主要集中在影像、AI相关的大会中。此外,在偏技术的相关会议中(如CVPR等),AI在医学和肿瘤学上的应用也越来越受到关注,这都是非常好的趋势。数字病理学方面的应用探索历史可以追溯到10多年前,到现在入选主席报告,再到未来的临床应用可能还需要另一个10年的时间,但我认为这都是技术需要真正去经历的必然过程。
在另外一些模态上的应用,我们今年在肺癌大会上也公布了一项研究,利用影像组学结合临床特征去预测和选择哪些患者需要联合免疫去增强治疗、哪些患者不会从免疫治疗中获益。在汇报的前几天我们突然得到了III期临床研究阴性结果的通知,这就使得该试验非常重要,为什么II期临床研究为阳性结果(>60%以上的生存获益),但在III期我们没有看到这种现象?原因可能在于生物标志物或者是我们需要分层患者。不同于我们早期设想的那样,早期患者中可能有很大一部分患者并不会从免疫治疗中获益。另外一个很重要的点,临床很多应用场景(如肺癌早筛),在SBRT研究中没有患者组织样本,此时,影像可能就是非常重要的手段去观测或测量肿瘤。除了影像学,我们还可以利用血液标志物,这也是非常热门的一个话题。
此外,我们常常从技术层面去分析影像、基因或血液等,而忽略了肿瘤内科医师、影像科医师以及放射科医师的临床经验总结和对患者情况分析相关的notes。但随着chatGPT自然语言处理技术的应用,这些数据未来会逐渐得到相应的重视,我们可以非常轻松的从中提取更多的患者特征,加之与影像学进行融合,这些数据的叠加有可能实现非常好的临床预测效果。目前,技术也在逐步发生转型,3-5年前主要集中于预测患者结局(OS、PFS等),现在逐步转移到研究个性化治疗,更加需要关注患者在不同药物治疗下的反应。我们不仅需要患者的预后信息,还需要预测患者最有可能从何种药物、何种治疗方式中获益;不仅需要预测患者药物应用的疗效,还需要预测其副作用、不良反应和毒性等。从技术层面来看,这并不是单一地优化问题,而是相当于mini-max(即最小化毒性,最大化疗效),这些都是我们未来在技术上需要不断突破的方向。
AI时代肺癌诊疗的新发展与重要挑战
Q3:未来,您期待AI能够在哪些领域有重要发展及应用?此外,您认为AI在肺癌诊疗应用中有哪些注意事项?
乐秀宁教授:因为我做很多临床试验,我最希望可以利用AI技术设计临床试验,并在临床试验当中可以有所应用。
实际上,临床试验的失败率是很高的,如果可以从既往成功或失败的临床案例中利用AI方法去学习总结导致成功/失败的最重要的因素,在设计试验的阶段即可提前获知试验可能的成功率。此外,在一个具体的临床试验中,如果能够利用AI作为危险因子分层的手段,对患者是非常有益的,而且这样的临床试验可能并不需要非常多的患者。因此,我非常希望在这两方面能够获得AI直接的帮助。
张建军教授:从肿瘤研究方面而言,无论你喜欢与否,AI时代都已经来临。如何利用AI从临床试验设计、到匹配和选择患者、到如何读取临床资料、到如何解读影像学图像、到更好地挖掘病理学信息、一直到如何整合这些海量的信息,这些应用均逐渐进入到我们的视野。但从辩证角度来说,如果我们把人类的判断交给机器,必须百分百确认其是正确的,否则有可能会因为过分依赖机器而缺乏正确判断,从而造成对患者的伤害。因此,AI彻底应用于临床的这条路依旧还很漫长。
吴佳教授:我们生活在一个技术快速发展的时代,如果可以获取所有国家所有患者的信息和资料,利用这些资源我们其实可以做很多的事情。虽然现在已经有很多新的手段,但是我们在临床领域应用这些手段还是非常保守的,当然这种保守是正确的,但我们也需要合理和负责任地把一些AI技术应用起来。我希望未来可以实现,在患者就诊时,有一个digital twin(数字孪生)可以预测改换不同药物治疗的预后场景,有助于优化患者的治疗。
肿瘤治疗极为复杂,我个人觉得预测患者未来十年生存情况可能太过遥远,不如着眼于当下患者对某种治疗3个月-1年内的反应,随着新信息的不断叠加,不断迭代更新模型,不停地去动态预测,这也是技术未来需要逐步寻求突破的瓶颈。另外,AI仅仅是机器学习和计算机科学领域的一个分支技术,因此,其和新药测试一样,需要严格设计的临床试验去验证。对AI充分的理解联合验证,我想我们可以逐步地将其应用于临床最需要的场景里。
排版编辑:Nydia