综述：人工智能对肿瘤治疗效率和死亡率的影响

　　

在最近发表在《癌症》杂志上的一篇综述中，研究综述出版物调查了人工智能精准医学技术在肿瘤研究和治疗中的益处和局限性。

背景

该研究侧重于人工智能(AI)算法的诊断和预后效用，并讨论了过去几十年来基于AI的聊天机器人(生成式AI)在促进抗癌结果方面的影响。

最后，他们谈到了人工智能广泛部署的当前挑战，并建议在未来几年加强这些算法的性能的监管实施。

精准医学及其在临床抗癌中的应用

精准医疗通常被称为“个性化医疗”，是一种考虑患者特定基因构成、环境暴露和健康行为(生活方式和相关行为)的治疗方法。

与传统医学方法相比，精准医学主要采用“一刀切”的理念，它带来了许多好处，特别是在肿瘤学等领域，其中患者特定的细节(如肿瘤信息)可以大大改善临床结果，而不是普通化疗。

肿瘤学的创新具有特别的科学意义，有报告显示，仅在过去32年里，癌症死亡率就下降了33%以上。

不幸的是，日益严重的环境污染和不理想的生活方式选择同时阻碍了该领域的进展，因为引发该疾病的致癌物的变异性越来越大。

精准医疗方法，特别是那些采用人工智能(AI)算法的方法，有可能克服传统广义医学的这一限制，因为它允许研究人员和临床医生在机器学习(ML)和深度学习(DL)技术显示的患者放射扫描中更好地识别以前未知的模式。

“人工智能算法分为两类:预测性人工智能和生成式人工智能。预测性人工智能工具从训练数据中学习模式，以预测新场景中的结果。例如，用于从乳房x光扫描中诊断乳腺癌的基于图像的分类工具是一种预测性工具。生成式人工智能创造了训练数据中没有明确显示的新输出。与患者进行对话的人工智能聊天机器人是一种生成式人工智能。”

不幸的是，尽管开发和测试了几种用于癌症护理管理的人工智能算法，但这些技术在主流医学中的实施仍然很少。

将人工智能模型纳入研究的主要障碍包括其相对较高的前期实施成本，人类对算法结果的不可解释性，以及部署后人类对算法的监测和验证有限。

此外，癌症治疗的各个方面(和不同阶段)的研究工作并不统一，与治疗和化疗后护理相比，癌症诊断的文献要多得多(>80%)。

尽管存在挑战，但人工智能在肿瘤学领域的应用取得了迅速进展，为临床医生和患者提供了新的诊断、预后和基于聊天的信息访问。

本综述讨论了这一进展，并强调了当前人工智能实现的利弊。它进一步讨论了广泛采用人工智能的传统和未来挑战。

报告建议，政策调整可能会进一步减轻全球癌症负担。癌症是世界上最致命、最使人衰弱的慢性病之一。

本综述旨在为精准医学(特别是人工智能实施)在癌症治疗中的三个常见用例提供背景。

人工智能聊天机器人和其他大型语言模型(LLM)技术在优化临床工作流程中的应用。

它讨论了40多个研究机构(初步研究)的结果，以阐明在未来几年可能进一步促进降低癌症死亡率的政策和执行方面的改进。

癌症诊断

癌症诊断，特别是早期癌症和在先前治疗后复发的癌症，因为大多数处于这些阶段的患者在人类观察者看来是临床健康的。

人工智能算法，尤其是机器学习算法，在数以百万计的癌症诊断图像(放射学扫描、病理图像，甚至患者提供的智能手机照片)上进行了训练，在识别、分类和诊断这些癌症方面非常有效，尤其是在图像数据特征太微妙而无法被人眼感知的情况下。

即使在诊断是人类预览的情况下，人工智能技术，包括计算机辅助检测(CAD)算法(DL框架的变体)，也可以突出显示感兴趣的区域(癌症诊断图像中的可疑像素)，以帮助临床医生进行诊断评估。

令人惊讶的是，在某些情况下，人工智能算法显示出比人类同行更好的诊断准确性和效率。

“用于图像分类的常用人工智能算法是卷积神经网络(CNN)，这是一种深度学习架构，可以提取每组的识别特征，并使用结果模式进行新的分类任务。该算法为每个输出类分配一个概率，并将图像分类到分配概率最高的组中。人工智能工具的准确性是通过将算法分类与临床医生分类进行比较来衡量的，这被称为“基础真相”。

人工智能在诊断中的主要应用是黑色素瘤和乳腺癌筛查，其中早期发现是有利的死亡率和发病率结果的最重要变量。不幸的是，人工智能受到严重的训练相关偏见的影响，严重阻碍了它在该领域的实施。

训练数据的少报，以及不一致的表示和数据异质性(图像采集和处理)，使得大多数人工智能模型无法推广，阻碍了它们纳入全球肿瘤学协议。

“算法开发过程中的修改可以帮助缓解这些担忧。训练数据可以扩展为包括所有人口统计数据(例如肤色、年龄和体型)的代表性图像。具有图像数据的训练集应包括从不同角度，照明和设备拍摄的样本;人工智能技术应该通过用新图像重新训练模型来适应图像采集技术的变化。”

预测

预测患者预后是医生开展的早期临床干预最重要的步骤之一，因为它使临床干预能够量身定制，以改善或避免最不利的临床结果。

不幸的是，人类进行的预测在历史上容易出现重大错误，报告估计63%的预测是对结果的高估，而17%的预测是对患者生存的低估。

“在肿瘤学中，不准确预测的后果包括增加患者及其护理人员的情感负担，不适当的资源分配，降低对医患关系的信任，以及延迟关键的治疗或临终干预。基于人工智能的风险预测模型产生了对预后的个性化估计，增强了临床医生对风险的评估，并有助于肿瘤学的个性化护理决策。”

基于电子健康记录(EHR)的机器学习模型在这一领域显示出巨大的前景。它们已经被证明可以提前几个月甚至几年预测癌症的结果，从而使临床医生能够获得他们需要的信息，为肿瘤的最终结果做好最好的准备。

此外，这些模型可以评估最有效和最具成本效益的临床干预路线，从而节省大量的(临床)人力资源和(患者)财政投资，减少疾病的整体疾病和社会经济负担。

不幸的是，这些模型中的大多数本质上是确定性的，因此容易受到模型结果变化的影响，因为包含了新的，但计算上未考虑的数据生成方法。

“性能漂移”，即模型性能随着时间的推移逐渐下降，可能会使随后的模型预测不准确和不可靠，除非经常更新其建模算法并定期进行人工结果验证。

在这一领域，训练数据的质量、频繁的人体模型验证和不同癌症类型的数据共享可能会在未来克服这些挑战。

聊天机器人和结论

现代会话聊天机器人，尤其是ChatGPT、Google Gemini、Microsoft Copilot等平台，正在彻底改变专业人士和外行人从万维网获取和处理信息的方式。

这些生成式人工智能应用程序旨在利用法学硕士的力量，根据用户的需求输出新颖的内容。

不幸的是，对聊天机器人在肿瘤学中的应用的研究表明，该技术仍处于初级阶段，几乎没有支持，更不用说在临床实践中获得政策批准的实施了。

“在医学领域采用聊天机器人依赖于实现可理解的语言和准确传达复杂的医学主题，目前的算法无法始终如一地做到这一点，因为可读性得分因用户对提示的措辞而异。尽管医学知识每天都在扩展，但算法并没有不断更新以适应这种变化。因此，随着时间的推移，没有接受过更新信息训练的聊天机器人可能会变得不可靠、更不准确。”

总之，这些单独的、特定领域的优缺点描绘了一幅有趣的画面——尽管人工智能在肿瘤学研究中的重要性和相关性怎么强调都不过分，但这些模型的计算和原始数据需求直到最近才开始得到满足。

随着改进的建模框架的发展，更大、更高分辨率的数据集的可用性，以及对其准确性和可靠性的科学验证的增加，人工智能模型在肿瘤学家对抗这种可怕疾病的武库中提供了一个强大的工具，有一天可能会减轻人类医疗从业者的大部分癌症护理负担。