美国癌症协会预测，仅2024年美国就将新增200万例癌症病例，相当于每天约5,480例诊断。更糟糕的是，疫情导致超过75%的癌症患者推迟了治疗。因此，医疗保健提供者正在转向新技术，如人工智能（AI），寻求解决方案。截至2024年8月7日，已有950种AI/机器学习（ML）支持的医疗设备获得FDA批准，其中76%用于放射学。我还观察到，健康科技初创公司、研发公司和实验室对AI在癌症诊断和治疗中的需求日益增长。
我将重点关注AI在肿瘤学中的三个实际应用：用于初步症状评估的医疗聊天机器人、AI驱动的癌症影像分析和个人化治疗计划。我将分享工具、开发和机器学习模型训练的建议，并探讨AI在哪些方面可以真正发挥作用，哪些方面仍需进一步发展。
发现早期迹象：用于初步癌症诊断的医疗AI聊天机器人
对于考虑这一方向的公司来说，一个关键问题是：通用型聊天机器人真的能诊断癌症吗？简短的答案是“不”——至少目前还不能。有一项研究中，通用大型语言模型（LLM）ChatGPT-3.5被问及不同类型癌症及其治疗方法。结果显示，LLM有时会混合正确和错误的答案。想象一下，如果我们尝试用这个模型来实际诊断癌症。然而，结合多个经过特定健康数据集训练的模型的工具正在进入市场。例如，微软的Azure Health Bot和IBM的Watsonx Assistant。这些产品的下一代模型整合了来自可信医疗信息来源的知识，如美国国家医学图书馆、CDC和FDA。它们可能在分诊中表现出色，但仍然缺乏考虑患者完整病史和生活方式的能力——这是人类临床医生会自然考虑到的因素。因此，医生的检查仍然是必需的。综上所述，目前聊天机器人尚无法提供关于癌症等复杂疾病的医疗建议。更现实的用途是收集症状，并根据潜在风险将用户连接到医疗保健提供者，而不推荐任何治疗或药物。接下来的问题是：健康科技初创公司应依赖这些现成平台还是开发专有算法？专门针对癌症诊断创建聊天机器人似乎不可行，考虑到通用型聊天机器人需要覆盖的疾病和症状范围，构建和训练自定义模型将需要数年时间。因此，我建议使用基于预训练模型的平台。这些平台允许更快部署，同时符合健康数据保护标准和法规。例如，我们团队为一位客户使用Azure Health Bot创建了一个完全符合HIPAA标准的AI聊天机器人原型。根据报告的症状评估，它建议自我监测、寻求紧急护理或预约医生。如果选择最后一种选项，聊天机器人会从集成的远程医疗服务提供商（如Teladoc Health、Amwell、Doctor on Demand、MDLive或Doxy.me）中推荐可用的医生名单。
医疗聊天机器人的一个大挑战是准确解释人类输入，尤其是在涉及主观事物如症状感知时。最好提供预设的回答选项，如带有症状强度示例的量表，以防止误解。报告症状的上下文在分析中也起着重要作用。后续问题可以帮助AI更清楚地了解患者的状态。例如，如果患者报告疲劳，聊天机器人可以询问疲劳是否最近开始或持续存在，以及是否在一天中的某个特定时间段或全天都受到影响。这些问题有助于提高初步症状评估的准确性。
从像素到进步：AI在癌症影像中的影响
AI支持的图像分析工具帮助分析X光片、乳腺X线摄影、超声波、MRI扫描和组织切片。迄今为止，已有723种放射学AI工具获得FDA批准，每年增加100种！经过大量图像训练，AI可以帮助识别人类眼睛可能遗漏的最细微细节。
在最近的一个项目中，我们的团队为ML算法开发了一款桌面应用程序，帮助研究人员和诊断人员解读早期肺癌检测的测试结果。该算法由bioAffinity Technologies开发，用于非侵入性诊断肺癌测试CyPath® Lung。该算法连接到流式细胞仪，分析患者痰液样本中的细胞事件。bioAffinity的专有解决方案在高风险患者中检测小于20毫米的小肺结节时，显示出92%的敏感性和87%的特异性。
开发定制ML模型用于癌症影像解决方案是今天更为现实的选择，因为很难找到适合特定用途的预训练模型。两个因素影响模型训练的成功。首先是训练数据集的质量，这取决于数据集的大小以及是否包括不同年龄组、性别和种族背景的患者数据。医院内部使用医学影像分析软件可以选择自己的患者数据。当然，在将其输入模型之前，必须对其进行匿名处理，以避免任何受保护健康信息（PHI）泄露的风险。公共存储库，如癌症影像档案（TCIA），也是有效的数据源。如果数据仍然不足，可以使用一些简单的数据增强技术。例如，旋转、裁剪和调整对比度可以帮助人工扩展数据集，模拟真实医学图像的变化。第二个因素是图像注释的准确性和完整性。这些注释至关重要，因为它们教会模型在每张图像中寻找什么。正如我的同事所说：“如果你教模型汽车是一匹马，它就会不可避免地标记每辆汽车为马。”因此，需要涉及医疗专业人员尽可能精确地标记训练图像。在肿瘤学家的指导下，数据科学家使用注释工具仔细勾勒肿瘤边界，识别其独特的形状、纹理和其他特征。详细的注释帮助模型更准确地区分正常和异常组织。
癌症治疗计划的新时代
尽管大多数为治疗计划创建的AI工具仍然是研发项目，但它们未来可能会对癌症护理产生重大影响。我感兴趣的其中一个项目是个性化单细胞表达计划（PERCEPTION）。通过PERCEPTION，科学家们可以获得详细信息，研究肿瘤的结构、如何随时间变化以及如何对治疗产生抗性。潜在地，这种工具可以帮助临床医生及时适应癌细胞的演变，甚至修改治疗策略。
最近，有三项独立的临床试验表明，该工具成功预测了多发性骨髓瘤、乳腺癌和肺癌对单药治疗和联合治疗的反应。在每种情况下，PERCEPTION准确地将患者分为两组：对治疗反应良好的患者和没有反应的患者。在肺癌病例中，它甚至追踪了一些患者随着疾病进展而形成的药物抗性。
创建者表示，PERCEPTION尚未准备好在医院实施。确实，即使80-90%的ML模型准确性在医疗保健中也可能不足。即使是微小的错误决策百分比也会对患者造成严重影响。然而，这是一个充满希望的方向，随着技术的进步，AI有望在这个领域取得更大发展。
AI在癌症护理中的前景
AI已经取得了长足进展，从自动化文书工作到诊断癌症。其在癌症诊断中的日益重要作用为更广泛应用于肿瘤学领域奠定了基础。随着患者和临床医生对其越来越熟悉，AI正朝着征服癌症护理的其他领域迈进，如精准医疗和治疗个性化。
关于Gala Batsishcha
Gala Batsishcha是ScienceSoft的医疗IT顾问。她帮助初创公司推出创新的健康科技产品，导航合规要求，促进可访问性。她还与医疗保健组织合作，确保以个性化的方式提供患者护理，注重安全性。Gala相信学习的力量，总是乐于分享她的知识和经验。
(全文结束)
