斯坦福大学医学院开发了一种能够准确预测癌症患者预后和治疗反应的人工智能模型。这是首个利用多种类型的影像和基于语言的数据来评估癌症患者健康的模型，已经在包括肺癌、胃食管癌和黑色素瘤在内的多种癌症中展现出潜力。
近年来，研究人员开发了一系列实验性AI模型，这些模型通过分析影像数据来检测医生和放射科医师可能容易忽略的微小癌症迹象。早期测试表明，这些模型非常有效。例如，麻省理工学院（MIT）和麻省总医院癌症中心开发的Sybil模型可以以86%到94%的准确率预测患者一年内是否会发展为肺癌；而哈佛医学院的胰腺癌预测模型可以以88%的准确率预测患者三年内的预后。另一个MIT的模型甚至能识别高风险乳腺癌的早期迹象，从而避免过度治疗。
尽管这些模型令人印象深刻，但它们都有一个共同的缺陷：只能同时分析一种类型的数据。每个模型只能查看MRI扫描、CT扫描、X光图像或显微镜切片中的一种，并在该数据集中识别关注区域。即使是微软的多诊断AI模型也只能分别分析九种影像数据。
斯坦福大学医学院的模型MUSK（多模态统一掩码建模变压器的缩写）能够同时分析多种类型的数据。研究人员在《自然》杂志上撰文指出，MUSK接受了来自超过11,500名患者的5000万张病理图像和10亿个“文本标记”的训练。这些图像涵盖了X光、显微镜和CT及MRI扫描等多种形式的癌症，而文本标记则代表了与各种癌症诊断相关的基于语言的医疗数据，如检查记录和专科医生之间的通信。
MUSK同时分析多种数据的能力模仿了医生评估患者影像结果和健康记录的方式。这也使得MUSK能够在预测预后方面辅助医生，而不是进行诊断，后者是大多数医疗AI模型的主要关注点。
根据斯坦福大学医学院发布的消息，在MUSK接受训练的16种主要癌症类型中，该模型能够以75%的准确率预测患者的疾病特异性生存期，比医生平均64%的准确率提高了11%。此外，MUSK还能够以77%的准确率正确识别哪些非小细胞肺癌患者会从免疫疗法中受益（医生的准确率为61%），并以83%的准确率预测哪些黑色素瘤患者在初次治疗后的五年内最有可能复发。
放射肿瘤学家李瑞江作为研究的高级作者表示：“最大的未满足临床需求是医生可以用来指导患者治疗的模型。这位患者是否需要这种药物？还是我们应该专注于另一种治疗方法？如果我们能够使用人工智能评估数百或数千个不同类型的数据，包括组织影像、患者人口统计学、病史、既往治疗和实验室测试等从临床笔记中收集的信息，我们可以更准确地确定谁可能会从中受益。”
(全文结束)
