人工智能遇上肿瘤学：新模式个性化治疗膀胱癌

npj Digital Medicine：Predicting response to neoadjuvantchemotherapy in muscle-invasive bladdercancer via interpretable multimodal deeplearning

　　

利用人工智能和机器学习技术的力量，威尔康奈尔医学的研究人员开发了一种更有效的模型，用于预测肌肉浸润性膀胱癌患者对化疗的反应。该模型利用全幻灯片肿瘤成像数据和基因表达分析，以一种优于使用单一数据类型的先前模型的方式。

这项研究发表在3月22日的npj数字医学杂志上，确定了可能决定治疗成功的关键基因和肿瘤特征。准确预测个体对这种恶性癌症的标准治疗反应的能力可能有助于医生个性化治疗，并有可能挽救那些反应良好的患者，使其免于接受膀胱切除术。

“这项工作代表了精准医疗的精神，”威尔康奈尔医学院（Weill Cornell medicine）人口健康科学教授、数字健康人工智能研究所（Institute of Artificial Intelligence for Digital health）创始主任王飞博士说。他是这项研究的共同负责人。

“我们希望在正确的时间为正确的病人确定正确的治疗方法，”联合领导Bishoy Morris Faltas博士补充说，他是盖勒特家族的约翰P.伦纳德医学博士血液学和肿瘤医学研究学者，也是威尔康奈尔医学院的医学和细胞与发育生物学副教授，也是纽约长老会/威尔康奈尔医学中心的肿瘤学家。

威尔康奈尔医学院（Weill Cornell medicine）人口健康科学副研究员白子龙博士（Zilong Bai）和医学博士后穆罕默德·奥斯曼博士（Mohamed Osman）共同领导了这项工作。

更好的模型，更好的预测

为了建立一个更好的预测模型，两位首席研究员进行了合作。Wang博士的实验室专注于数据挖掘和尖端机器学习分析，而Faltas博士是膀胱癌生物学专业的医师兼科学家。

他们求助于SWOG癌症研究网络的数据，该网络为成人癌症设计和开展多中心临床试验。具体地说，研究人员将从准备好的肿瘤样本图像中获得的数据与基因表达谱结合起来，提供了基因“打开”或“关闭”的快照。

“由于在以前的研究中，仅靠表达模式不足以预测患者的反应，我们决定为我们的模型引入更多信息，”法尔塔斯博士说，他也是英格兰精密医学研究所的首席研究官，也是威尔康奈尔医学院桑德拉和爱德华迈耶癌症中心的成员。

为了分析这些图像，研究人员使用了称为图神经网络的专门人工智能方法，该方法捕捉癌细胞、免疫细胞和成纤维细胞如何在肿瘤内组织和相互作用。他们还结合了自动图像分析来识别肿瘤部位的不同细胞类型。

将基于图像的输入与基因表达数据相结合，训练和测试他们的人工智能驱动的深度学习模型，比单独使用基因表达或成像的模型产生更好的临床反应预测。

“在0到1的范围内，1是完美的，0意味着没有什么是正确的，我们的多模态模型接近0.8，而只依赖一个数据来源的单模态模型可以达到大约0.6。”“这已经很令人兴奋了，但我们计划进一步改进这个模型。”

寻找生物标志物

当研究人员寻找诸如预测临床结果的基因之类的生物标志物时，他们正在寻找有意义的线索。法尔塔斯博士说：“我可以看到一些我所知道的与生物学相关的基因，而不仅仅是随机的基因。”“这让人放心，表明我们正在做一些重要的事情。”

研究人员计划将更多类型的数据输入到模型中，例如可以从血液或尿液中提取的肿瘤DNA的突变分析，或者可以更精确地识别膀胱中存在的细胞类型的空间分析。法尔塔斯博士说：“这是我们研究的关键发现之一——数据协同作用可以提高预测能力。”

该模型还提出了一些新的假设，法尔塔斯博士和王博士正计划进一步验证这些假设。例如，肿瘤细胞与正常组织细胞（如成纤维细胞）的比例会影响对化疗预测的反应。“也许大量的成纤维细胞可以保护肿瘤细胞免受化疗药物的影响，或者支持癌细胞的生长。我想进一步研究生物学，”他补充道。

与此同时。Wang和Faltas将在其他临床试验队列中验证他们的发现，并愿意扩大他们的合作，以确定他们的模型是否可以预测更广泛的患者群体的治疗反应。

“我的梦想是，病人走进我的办公室，我可以把他们的所有数据整合到人工智能框架中，给他们一个分数，预测他们对某种治疗的反应，”法尔塔斯说。“这是会发生的。但像我这样的医生必须学会如何解释这些人工智能预测，并知道我可以信任它们，并且能够以一种他们也可以信任的方式向我的病人解释这些预测。”