将人工智能（AI）整合到医疗决策过程中，正在帮助彻底改变这一领域，并导致更准确和一致的治疗决策，因为AI几乎无限的能力可以识别人类无法看到的复杂模式。肿瘤学领域生成了庞大的数据集，从非结构化的临床历史到影像和基因组测序数据，在患者旅程的各个阶段都有涉及。AI可以智能地分析大规模数据批次，其速度远超传统方法，这对于训练先进的癌症测试和监测工具的基础机器学习算法至关重要。AI还具有强大的内在模式识别能力，能够高效地建模数据集的复杂性。这一点非常重要，因为它能够实现对癌症基因组和肿瘤微环境中细微分子特征的多层次深入理解。发现仅在某些癌症病例或癌症进展模式中出现的基因之间的模式，可以导致更加个性化、针对患者的治疗方法。
最终目标是什么？支持医生及其患者在癌症旅程每一步进行临床决策的人工智能癌症测试——从筛查和检测，到确定正确的治疗方案，再到监测患者的干预反应和预测复发。
数据质量和数量：AI 成功的关键
归根结底，AI算法的质量取决于训练它的数据质量。低质量、不完整或标记不当的数据会限制AI找到最佳模式的能力（垃圾进，垃圾出）。这在癌症护理中尤其如此，因为预测建模依赖于无与伦比的精确度——例如，数千个基因中的一个基因修饰可能预示着肿瘤的发展并指导早期检测。确保这种高水平的质量既耗时又昂贵，但会导致更好的数据，从而提高测试准确性。然而，开发有用的数据宝库面临着重大挑战。首先，收集大规模的基因组和分子数据是一项复杂的任务，可能涉及数百万个数据点。这始于拥有最高质量的测定法，这些测定法能够以无与伦比的精确度和分辨率测量癌症的特征。收集的分子数据还应尽可能多样化，包括地理和患者代表性，以扩展训练模型的预测能力。此外，建立长期多学科合作和伙伴关系有助于收集和处理原始数据以供分析。最后，在处理医疗信息时，制定严格的数据处理伦理标准至关重要，遵守严格的患者隐私法规有时会在数据收集方面带来挑战。
大量准确、详细的数据不仅会使能够快速找到模式的测试能力增强，赋予医生解决患者未满足需求的最佳机会，还将改善和推进临床研究的各个方面，特别是寻找更好药物和癌症生物标志物的迫切需求。
AI 在癌症护理和治疗中已经展现出希望
更有效的AI训练方法已经在实施中。我和我的同事正在从包括影像结果、活检组织数据、多种基因组测序和蛋白质生物标志物在内的综合数据中训练算法——所有这些加起来构成了大量的训练数据。我们能够在千万亿级而非十亿级的数据规模上生成数据，这使我们能够构建一些首批真正准确的临床预测分析工具，例如用于未知原发性晚期癌症的肿瘤识别或涉及细微基因变异的预测化疗治疗路径。
在Caris Life Sciences，我们已经证明，算法的广泛验证和测试是必要的，与真实世界证据的比较在其中发挥关键作用。例如，我们的癌症检测算法通过与实验室组织学数据的验证受益，而AI对治疗方案的预测可以与真实世界的临床生存结果进行交叉比较。
鉴于癌症研究的快速发展，经验表明，持续学习和算法优化是成功AI策略的重要组成部分。随着新治疗方法的开发和我们对驱动癌症的生物学途径的理解不断深化，用最新信息更新模型提供了更深入的见解并提高了检测灵敏度。
这一持续学习过程突显了AI开发者与临床和研究社区之间广泛合作的重要性。我们发现，开发新的工具以更快、更敏感地分析数据，并结合肿瘤学家的反馈，是至关重要的。总而言之，评估AI算法成功的真正标准是它如何准确地为肿瘤学家提供他们所需的可靠、预测性见解，以及AI策略对不断变化的治疗范式的适应性。
AI 已经在提高生存率和改善癌症管理方面取得实际效果
数据规模和质量的提升已经产生了可衡量的影响，扩大了医生的决策工具包，这对患者护理和生存结果产生了实际的积极影响。首个经过临床验证的AI工具，用于指导难以治疗的转移性癌症的化疗治疗选择，与没有预测算法的标准治疗决策相比，可以潜在地延长患者的生存期达17.5个月。另一种AI工具可以以超过94%的准确率预测数十种转移性癌症的原发肿瘤，这对于制定有效的治疗计划至关重要。AI算法还可以基于每个患者的独特肿瘤遗传学预测肿瘤对免疫疗法的反应。在所有这些情况下，AI工具包赋能临床决策，改善了患者的治疗结果，超过了当前的标准护理。
期待癌症领域的AI革命
AI已经在改变我们何时能检测到癌症以及如何治疗癌症。不久的将来，癌症管理将让医生与集成的AI实时合作，治疗和监测患者，并领先于癌症试图通过突变来逃避药物的尝试。除了不断改进的早期癌症检测预测模型和提供更有效的个性化治疗范式外，医生、研究人员和生物技术公司今天正在努力利用数据和AI分析，推动新的治疗发现和分子生物标志物的开发。
在不远的将来，这些曾经不可能的AI进步将超越癌症护理，惠及所有疾病状态，结束不确定性时代，使医学更加准确、个性化和有效。
(全文结束)
