Nature子刊：新的人工智能工具预测结肠癌生存率和治疗反应

新的AI工具准确预测结直肠癌诊断后的总生存期和无病生存期。该模型使用病理图像上的视觉标记来收集肿瘤基因组谱的见解，并预测肿瘤行为、疾病进展和治疗反应。新的模型可以帮助增强临床决策。由于人工智能工具仅依赖图像，对于缺乏对肿瘤组织进行复杂基因组分析的技术或专业知识的医院来说，它可能特别有价值。

　　

哈佛医学院(Harvard Medical School)和台湾国立成功大学(National Cheng Kung University)的研究人员设计的一种新的人工智能模型，可以为医生提供结肠直肠癌患者的预后和治疗方案提供急需的清晰度。结肠直肠癌是全球第二大致命癌症。

仅仅通过观察肿瘤样本的图像(癌细胞的显微描绘)，新工具就能准确预测结直肠肿瘤的侵袭性，患者在疾病复发或不复发的情况下生存的可能性，以及对他们来说最佳的治疗方法。拥有一种回答这些问题的工具可以帮助临床医生和患者应对这种狡猾的疾病，即使在接受相同治疗的疾病背景相似的人之间，这种疾病的表现也往往不同，最终可能挽救每年因结肠直肠癌而死亡的100万人中的一些人。

该团队的工作报告发表在4月13日的《自然通讯》上。

研究人员表示，该工具旨在增强而不是取代人类的专业知识。“我们的模型完成了人类病理学家仅凭图像观看无法完成的任务，”该研究的资深合著者、英国皇家医学院布拉瓦特尼克研究所生物医学信息学助理教授余坤星说。Yu领导了一个由病理学家、肿瘤学家、生物医学信息学家和计算机科学家组成的国际团队。

Yu补充说:“我们预期的不是取代人类病理学专业知识，而是增强人类病理学家的能力。”“我们完全期待这种方法将增强目前癌症管理的临床实践。”

研究人员警告说，任何个体患者的预后取决于多种因素，没有任何模型可以完美地预测任何特定患者的生存。然而，他们补充说，新的模型可能有助于指导临床医生更密切地跟踪，考虑更积极的治疗，或者如果他们的患者根据该工具的评估有更差的预测预后，则推荐临床试验测试实验性疗法。

研究人员指出，该工具在美国和世界各地资源有限的地区特别有用，在这些地区，先进的病理学和肿瘤基因测序可能不容易获得。

这款新工具超越了当前许多人工智能工具，后者主要执行复制或优化人类专业知识的任务。通过比较，新工具可以检测和解释显微镜图像上人眼无法识别的视觉模式。

该工具被称为MOMA(多组学多队列评估)，可供研究人员和临床医生免费使用。

广泛的培训和测试

该模型是根据来自不同国家患者队列的近2000名结直肠癌患者的信息进行训练的，这些患者包括超过45万名参与者——卫生专业人员随访研究、护士健康研究、癌症基因组图谱计划和NIH的PLCO(前列腺、肺、结直肠癌和卵巢癌)癌症筛查试验。

在训练阶段，研究人员向模型输入了患者的年龄、性别、癌症阶段和结果等信息。他们还提供了肿瘤基因组、表观遗传、蛋白质和代谢特征的信息。

然后，研究人员展示了肿瘤样本的病理模型图像，并要求它寻找与肿瘤类型、基因突变、表观遗传改变、疾病进展和患者生存相关的视觉标记。

然后，研究人员测试了模型在“现实世界”中的表现，给它提供了一组它以前从未见过的来自不同患者的肿瘤样本的图像。他们将其表现与患者的实际结果和其他可用的临床信息进行了比较。

该模型准确地预测了患者在诊断后的总体生存期，以及其中有多少年是无癌的。

该工具还根据患者的肿瘤是否含有特定的基因突变，从而使癌症更容易或更不容易进展或扩散，准确预测了单个患者对不同疗法的反应。

在这两个领域，该工具的表现都优于人类病理学家以及当前的人工智能模型。

研究人员表示，随着科学的发展和新数据的出现，该模型将定期升级。Yu说:“对于任何人工智能模型，我们都要持续监测其行为和性能，这是至关重要的，因为我们可能会看到疾病负担的分布变化或导致癌症发展的新环境毒素。”“重要的是，随着新数据的出现，用更多的新数据来增强模型，这样它的性能就不会落后。”

新模型利用了肿瘤成像技术的最新进展，这些技术提供了前所未有的细节水平，尽管如此，人类评估人员仍然无法分辨。基于这些细节，该模型成功地识别了肿瘤侵袭性的指标，以及肿瘤对特定治疗的反应可能性。

仅基于一张图像，该模型还确定了与特定基因突变存在与否相关的特征——这通常需要对肿瘤进行基因组测序。测序可能既耗时又昂贵，特别是对于没有常规服务的医院。

研究人员说，正是在这种情况下，该模型可以为资源有限的环境或没有肿瘤组织可用于基因测序的情况下的治疗选择提供及时的决策支持。

研究人员表示，在将该模型部署到诊所和医院之前，应该在一项前瞻性随机试验中进行测试，以评估该工具在初始诊断后一段时间内在实际患者中的表现。Yu说，这样的研究将提供模型功能的黄金标准演示，通过直接比较仅使用图像的工具的现实生活性能，与使用模型无法访问的知识和测试结果的人类临床医生的性能。

研究人员说，该模型的另一个优点是推理透明。如果使用该模型的临床医生询问为什么它做出了一个给定的预测，该工具将能够解释它的推理和它使用的变量。

Yu说，这一特征对于提高临床医生对他们使用的人工智能模型的信心非常重要。

该模型准确地定位了与生存率差异相关的图像特征。例如，它确定了三个预示着更糟糕结果的图像特征:

• 肿瘤内细胞密度增大。

• 肿瘤细胞周围存在结缔组织，称为基质。

• 肿瘤细胞与平滑肌细胞的相互作用。

该模型还确定了肿瘤间质内的模式，表明哪些患者更有可能活得更久而不复发。

该工具还准确预测了哪些患者将受益于一类被称为免疫检查点抑制剂的癌症治疗。虽然这些疗法对许多结肠癌患者有效，但有些疗法没有明显的疗效，而且有严重的副作用。因此，该模型可以帮助临床医生量身定制治疗方案，并为那些无法受益的患者提供帮助。该模型还成功检测了与结直肠癌相关的表观遗传变化。这些变化——当甲基分子附着在DNA上并改变DNA的行为方式时发生——已知会使抑制肿瘤的基因沉默，导致癌症快速生长。该模型识别这些变化的能力标志着它可以告知治疗选择和预后的另一种方式。

文章标题

Histopathology images predict multi-omics aberrations and prognoses in colorectal cancer patients