當人工智慧遇上腫瘤：一個讓人興奮的時代，正在到來！

編譯：慧語

來源：腫瘤資訊

在過去的幾年中，縱觀整個科技界和投資界，「人工智慧（artificial intelligent，AI）」無疑是最火熱的一個領域。那麼這個聽起來高大上的新名詞，距離我們醫學腫瘤領域還遙遠嗎？小編帶您一起回顧腫瘤領域AI相關的產品和應用。

Watson for Oncology

在腫瘤領域談論AI，就不得不提到IBM公司與紀念斯隆凱特琳癌症中心合作開發的Watson for Oncology（WFO）。WFO整合了雜誌文章、國家指南、醫院最佳實踐、臨床試驗和教科書中的多種數據，可以通過自然語言處理模式和機器學習模式從醫療記錄中提取和訪問結構化的、非結構化的數據，以提供癌症治療選擇。目前Watson已閱讀並學習了超過300種醫學專業期刊、200多本腫瘤學專著以及1500萬篇腫瘤相關學術論文研究數據，這是人類醫生一輩子都無法讀完的海量數據。此外WFO還可以在17秒內，閱讀3469本醫學專著、248000篇論文、69種治療方案、61540次實驗數據、106000份臨床報告，並根據醫生輸入的病人指標信息，最終提出優選的個性化治療方案。Watson制定的腫瘤治療方案的水平已經可以和頂級專家們媲美，一致性高達90%以上。

IBM Watson for Oncology由最初的僅局限於乳腺癌和肺癌，目前已擴大到十幾種其他常見的實體和血液腫瘤，如乳腺癌、肺癌、直腸癌、結腸癌、胃癌、宮頸癌、卵巢癌、前列腺癌、膀胱癌等14個癌種，覆蓋 80% 的腫瘤患者。

與此同時，WFO在國內醫療行業應用中的一些現狀和困難：

第一， Watson 以西方臨床案例、經驗為主導，缺乏本地化方案，現階段醫生僅可基於 Watson 給出的方案綜合自己的經驗及判斷給到患者最穩妥合理的治療方案與調理方式。東西方在腫瘤治療上的差異，還需與國內本地療法相輔相成。正如我們腫瘤資訊今年採訪山東省腫瘤醫院的王永勝教授所言：「人工智慧在中國臨床實踐中會涉及資源可及性的問題，希望在這一方面能夠整合入中國的實際情況。

總體來說，人工智慧對臨床醫師，特別是基層醫師是非常好的幫手，當然它也需要不斷優化，我們期待完全適合中國國情的人工智慧。」基於此，CSCO乳腺癌專業委員會和百洋智能科技聯合啟動了一項計劃納入2000例乳腺癌患者的多中心、隨機、雙盲IV期臨床決策評價研究——《Watson腫瘤方案用於中國乳腺癌患者治療決策研究》，希望通過這項前瞻性的研究來評價Watson在我國同患者中智能決策和專家決策之間的比較；有／無人工智慧輔助的情況下，臨床決策結果的異同等本土化的效果。

第二，Watson 本身被定位為輔助醫生的角色，僅能就客觀病理指標進行推薦方案，但腫瘤治療的情況很複雜，並不是最好的治療方案就是患者能接受的方案，很多情況還需要醫生根據病人實際狀況調整，並且去說服與安撫患者，這是 Watson 做不到的。這個觀點與陸勁松教授在我們採訪中的論點不謀而合：「我們在思考某一個具體的問題的時候，即使再有經驗的專家，也有可能把握不了這麼廣大的，浩如煙海的文獻。如果有人工智慧的話，對這麼多茫茫煙海的臨床數據和臨床研究，能夠和患者具體特徵相結合，從而給出一個比較好的建議。當然，這個建議最終不一定被採納，但至少對我們臨床專家是一個非常好提示，或者說是一個啟發，也可以提示一下我們非常有經驗的專家，有沒有什麼疏漏的地方？在這一點上，目前人工智慧在乳腺癌診療中，應該有很好的參考和幫助作用」，同時陸教授也一再強調：「最後具體的決策，應該還是由臨床一線的專家結合患者具體的情況和自己淵博的知識和臨床實踐，在人工智慧的建議下面，最後進行決策」。

第三，沃森支持的癌種還在快速增加，在 2017 年年底支持14 個癌種，其它癌種還尚未有成熟的推進方案系統提出。2017年以來WFO在中國簽約合作的醫療機構覆蓋十多個省份的幾十家醫院。

腫瘤領域其它AI產品

雖然IBM Waston獨佔鰲頭，但其它公司也在摩拳擦掌試圖開闢新的天地。

智能機器人：

提到人工智慧的時候，我們想到的往往是機器人，其實早在Waston上市前，2000年，Intuitive Surgical達芬奇手術機器人正式獲批上市。達芬奇外科手術系統增加視野角度，減少手部顫動，設計採用微創方式由外科醫生通過控制台控制，完成複雜的外科手術，通常用於前列腺切除手術。相對於傳統手術方式，不但傷口更小、減輕疼痛，更可以有效降低感染及併發症的發生，縮短病患住院和康復時間。

DNA測序：

巨頭Illumina BaseSpace Sequence Hub與IBM Watson for Genomics合作開發了實體瘤的人工智慧測序面板。具體工作流程是將檢測標本放入Illumina的TruSight Tumor 170測序面板中，對設定的170個基因進行全面篩查，發現是否存在突變。測序結果將立即發送到Watson for Genomics，在短短几分鐘內就會結合基因突變數據，對Watson資料庫中的大量專業信息進行梳理，然後提供每個基因組改變的相關信息，並生成一份可供研究人員使用的報告——這一過程通常會花費一周以上的時間才能夠完成。由此，科研人員將能夠快速獲取信息，幫助標準化基因分析，促進癌症研究。

液體活檢技術（liquid biopsy）：

該領域最出名的公司當屬Grail公司，它是由上面剛提到的Illumina創辦的，專註於研發通過血液檢測癌症的服務。眾所周知，對癌症患者的診斷，目前主要還是靠穿刺。穿刺不僅費用較高，對患者的損傷和發生併發症的風險也非常大，因此通過血液、尿液這種非損傷性途徑取得的標本，然後通過高通量測序等技術對疾病進行診斷和評估具有非常廣闊的市場和前景。

液體活檢目前主要聚焦於對血液中腫瘤循環細胞（Circulating Tumor Cell，CTC）和循環腫瘤DNA（Circulating Tumor DNA，ctDNA）的檢測。Grail公司主要專註於後者，因為目前越來越多的研究已經證實ctDNA中攜帶有它們所來源的腫瘤的遺傳特徵編碼，對於這些數據和信息進行深入挖掘一定是大有潛力的。雖然目前關於Grail公司涉及人工智慧方面的報道尚不是很多，但我們看看為Grail投了11億美金的股東吧：除了一些大的醫藥公司，如強生、默沙東、施貴寶等，還包括微軟聯合創始人比爾蓋茨、亞馬遜創始人Jeff Bezos、谷歌風投、Arch Venture Partners、矽谷私募股權公司Sutter Hill Ventures，甚至還有我們耳熟能詳的騰訊公司。相信在不久的將來，面對浩瀚的DNA海量數據，這些IT巨頭們的人工智慧、數據挖掘、機器學習、深度學習技術……（好了，小編編不下去了）必然有一番施展的舞台。

與Grail公司從事類似項目的還有前一段我們腫瘤資訊報道過的霍普金斯Kimmel癌症中心的一項名為CancerSEEK的項目等。CancerSEEK的結果於上個月在Science發表。

影像診斷：

這個領域目前比較著名的是Google公司的DeepMind Health，眾人皆知的AlphaGo也隸屬於DeepMind旗下。比較成功的案例主要包括乳腺X光片篩查和乳腺病理圖片識別。

目前乳腺癌的早期診斷主要通過乳腺X光檢查，但這個方法還不是很完美，每年有很多漏檢的病例。Google利用最新的機器學習演算法分析了英國OPTIMAM乳腺X光片資料庫中7500例不易識別的X光片，開發了一套能夠協助影像醫生通過AI的方式提升乳腺癌的篩查準確率。

而另外同時開發的一種新的深度學習演算法（Deep Learning），來識別活檢病理圖片是否發生淋巴結轉移。谷歌團隊實現了高達89%的準確率，而與之對照的人類醫生只有73%。

左：兩個淋巴結病理圖片；中：谷歌AI深度學習早期結果；右：谷歌AI深度學習後結果

如果說Google開發AI 「順理成章」，傳統的電腦硬體廠商NVIDIA（英偉達），沒錯，就是那個生產電腦顯卡的公司，居然也涉入了腫瘤影像診斷領域。NVIDIA不僅在顯卡市場上處於絕對的壟斷地位，在深度學習、AI人工智慧等領域也起步很早。他們主要通過優化演算法，提高基於GPU的深度學習效率。一組由哈佛醫學院病理和生物信息副教授Andrew Beck帶領的小組，使用NVIDIA（英偉達）Tesla顯卡顯著提高了學習的效率，並且使得乳腺癌誤診率下降約85%。

目前我們國內在醫學影像領域也有眾多創業公司，相對於國外的產品而言我們可能會在本土化方面做的更好。但學習數據的質量和學習演算法的開發方面尚有需要提高的空間。

註：圖片轉載自其他網站，不代表腫瘤資訊觀點

國內IT界第一梯隊的騰訊公司發布的一款AI醫學影像產品——騰訊覓影，對早期食管癌的篩查準確率高達90%，可以有效輔助醫生髮現癌變徵兆，將病魔遏制在搖籃里。在騰訊內部，與醫院建立聯合實驗室後，由騰訊互聯網+合作事業部牽頭，騰訊覓影聚合了包括AI Lab、優圖實驗室、架構平台部等多個AI技術團隊能力，把圖像識別、深度學習等技術充分發揮。

後記

綜上，醫學人工智慧目前的幾個重要研究方向包括：智能篩檢、智能影像、智能病理、輔助手術、輔助臨床決策等。對於癌症的治療仍然受到醫生手術質量的高低以及治療藥物療效等瓶頸的制約。因此，目前提出「醫生會被AI取代」的論調還為時尚早。

對於人工智慧的應用來說，無論技術多麼強大，最核心的仍然是數據。這也是為什麼患者數據變得越來越重要。可以想像，一套完善成熟方案的提出，沒有足夠的患者數據進行訓練，簡直就是不可能完成的任務。而醫療健康領域的數據又很特別，有時候雖然獲得了病人的病例信息（需經過脫敏處理，保障病人隱私），卻又有無從下手的感覺。因此，將非結構化的醫療數據結構化，是需要攻克的第一個難關。

雖然目前AI在醫療健康行業取得一定的成績，人工智慧的應用應當走得更加緩慢和謹慎。這不僅是因為醫藥行業的創新成本更高，更大的原因是，在這個領域，一個演算法的錯誤可能導致的就是生死之差。

人類與人工智慧，各有各的優勢，我們期待人工智慧能夠更好地協助醫生為患者帶來更為快捷、準確的診斷，精準化的治療方案，管理他們的健康。我們相信美好的一天終將到來！

參考文獻

1. 百度百科：達芬奇機器人；DeepMind

2. Detection and localization of surgically resectable cancers with a multi-analyte blood test. Science. 2018 Jan 18. pii: eaar3247. doi: 10.1126/science.aar3247.

3. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056.

4. Deep Learning Algorithms for Detection of Lymph Node Metastases From Breast Cancer. JAMA. 2017;318(22):2184-2186. doi:10.1001/jama.2017.14580

5. Dermatologist-level classification of skin cancer with deep neural networks. Nature, 2017; 542:115–118.

責任編輯：腫瘤資訊-宋小編

28個腫瘤相關臨床試驗招募患者

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！