人工智能持续推动癌症研究向新的方向发展

《Oncology Times》：AI Continues Driving Cancer Research in New Directions

AI在前列腺癌治疗中精准预测肿瘤体积及疗效，并降低失败率；在乳腺癌筛查中AI识别间隔癌效率达76%，显著减少漏诊。

　　

两项新的加州大学洛杉矶分校（UCLA）的研究凸显了人工智能（AI）在癌症研究领域日益增长的影响力。其中一项研究的结果表明，一种新的AI工具能够准确测量肿瘤体积，并帮助预测哪些患者可以从局部前列腺癌的聚焦治疗中受益。

第二项研究评估了AI在乳腺X线摄影（mammography）中对间隔性乳腺癌（interval breast cancers）进行分类的表现，研究人员表示这可能有助于将发病率降低多达30%。

AI与前列腺癌

为了探讨AI是否可以用来准确估计前列腺肿瘤体积并预测接受部分腺体冷冻消融（partial gland cryoablation）治疗患者的预后，研究人员使用2017年至2022年间在UCLA医学中心参加冷冻消融临床试验的204名40-85岁、前列腺肿瘤分级为2-4级的男性患者的MRI引导活检数据对软件进行了训练（BJU Int 2024; doi.org/10.1002/bco2.456）。这些患者的PSA水平高于20 mg/mL，前列腺体积小于70 cc，预期寿命超过10年。

6个月随访时，研究人员对阳性病灶部位进行了MRI引导的活检，并增加了对同侧组织的系统性采样。在6个月时未能达到主要预期的患者被排除在18个月的随访之外。

AI软件Unfold AI生成了前列腺肿瘤边缘的3D图像，以估计肿瘤体积并判断主要预后，即6个月随访期间未发现2级或更高级别的前列腺肿瘤。77%的患者达到了预期的主要预后。

研究结果表明，AI估算的肿瘤体积比肿瘤分级更能准确预测部分腺体冷冻消融的治疗效果，而肿瘤分级与预期的主要预后并无关联。此外，如果以AI确定的肿瘤体积大于1.5-2 cc作为排除标准，可以将冷冻治疗失败的比例降低一半以上。

研究人员指出，MRI技术可以实现前列腺的部分腺体消融，但常常低估肿瘤体积，遗漏目标区域外的小肿瘤，从而可能增加复发率。较新的成像技术如前列腺特异性膜抗原（prostate-specific membrane antigen）、正电子发射断层扫描（positron emission tomography）、计算机断层扫描（computed tomography）和微超声（micro-ultrasound）在某些方面优于MRI，但每种技术也有其局限性，例如组织分辨率较低、病变可见度较差。

相比之下，AI可以结合多种数据来源（如影像学检查、PSA值和靶向活检）来更准确地预测肿瘤体积和边缘情况，提供3D肿瘤风险评估，并精确判断前列腺内的肿瘤位置。Unfold AI软件利用PSA值、T2加权轴向MRI图像、活检样本的肿瘤分级、肿瘤长度和3D位置等信息来生成肿瘤边界和正常组织边界。

在UCLA的研究中，AI软件通过整合MRI结果、标记的感兴趣区域以及活检样本的癌症信息来确定治疗边界。通过最小化正常组织边界，实现了低于1%的部分腺体冷冻消融失败率。

研究作者写道：“利用AI预测肿瘤边缘的方法整合了多种数据元素，不仅有助于准确判断肿瘤体积，还能了解肿瘤的形状。结合多模态数据来规划[部分腺体消融]的边界有望提高治疗成功率。”

AI与间隔性乳腺癌

与此同时，由UCLA Health Jonsson综合癌症中心研究人员领导的一项回顾性研究通过乳腺X线摄影对间隔性乳腺癌进行了分类，并评估了AI在12个月筛查中的表现（J Natl Cancer Inst 2025; doi.org/10.1093/jnci/djaf103）。新的AI算法对在阴性乳腺X线检查结果后一年内被诊断出的间隔性乳腺癌进行了分类，将其分为“遗漏”（读取错误或症状轻微）、“可处理”（症状轻微但不可处理）、“真正间隔性”或“技术性遗漏”等类型。

AI还为阴性乳腺X线检查结果分配了1到10的分数，分数8分及以上的样本被标记为高风险。随后通过统计分析研究了不同类型间隔性乳腺癌、AI评分、AI标记结果以及患者和肿瘤特征之间的关联。

在研究的184,935份乳腺X线筛查报告中（其中65%为数字化图像，35%为数字化乳腺断层合成图像），AI识别出了148例间隔性乳腺癌，将其分为“症状轻微但可处理”（26%）、“真正间隔性”（24%）、“症状轻微但不可处理”（22%）、“因读取错误遗漏”（17%）和“因技术性错误遗漏”（5%）等类型。

在分析的131份无数字化错误的乳腺X线筛查报告中，AI正确识别了90%的间隔性乳腺癌；在可处理的轻微症状病例中，AI的识别率为89%，在不可处理的轻微症状病例中为72%。研究人员发现，AI算法对可见的间隔性乳腺癌的定位准确性高于对不可见类型的定位。AI在35%到68%的筛查中成功识别出了可见的间隔性乳腺癌，而对真正间隔性或隐蔽性乳腺癌的识别率仅为0%到50%。

总体而言，AI识别出了76%后续被证实为间隔性乳腺癌的病例，捕捉到了90%的被遗漏的可见癌症，发现了89%的轻微但可处理的病例以及72%的难以发现的不可处理病例，还检测出了69%在乳腺X线检查中不可见的癌症。基于这些发现，研究人员认为将AI整合到年度乳腺X线筛查中可能通过发现每10例先前未被发现的癌症中的3例来显著降低间隔性乳腺癌的发病率。

这项UCLA的研究是美国首批探讨AI在检测间隔性乳腺癌方面应用的案例之一，尽管欧洲也进行了类似的研究。主要区别在于，美国的年度筛查使用的是3D乳腺X线技术，而欧洲的筛查每2-3年进行一次，使用的是2D乳腺X线技术。

尽管还需要更多具有多样化患者背景的大型多中心研究，但这项新研究强调了放射科医生对间隔性乳腺癌的评估和分类的重要性，研究作者指出。

“具体来说，AI有助于在筛查时发现乳腺X线可见的间隔性乳腺癌类型（如因读取错误或症状轻微而遗漏的病例），从而有望提高[部分腺体消融]的成功率。”

Chuck Holt是本文的撰稿人之一。