随着人工智能（AI）的出现，预测医学正在成为医疗保健的重要组成部分，尤其是在癌症治疗中。预测医学利用算法和数据帮助医生了解癌症可能如何继续生长或对特定药物作出反应，从而更容易为个别患者提供精准治疗。
尽管AI在这方面很重要，马里兰大学医学院（UMSOM）的研究人员表示，不应完全依赖AI。相反，AI应与其他方法（如传统的数学建模）结合使用，以获得最佳结果。
在4月14日发表于《自然生物技术》的一篇评论文章中，基因组科学研究所（IGS）主任、UMSOM医学教授Elana Fertig博士和IGS科学家Daniel Bergman博士认为，迄今为止，在精准医学中，数学建模被低估和未充分利用。
所有健康计算模型需要三个关键组件才能工作：数据集、方程和软件。然后，在生成数据后，可以利用这些数据来改进早期诊断、发现新疗法并帮助理解疾病。
在4月15日发表于《细胞报告医学》的第二篇评论文章中，Fertig博士及其IGS同事Dmitrijs Lvovs博士、Anup Mahurkar博士和Owen White博士讨论了如何合乎伦理地共享健康数据以及创建可重复科学的方法。
总的来说，这两篇评论文章提出了生成、分析和合乎伦理地共享数据的基础方法，以造福患者和科学。
解释《自然生物技术》评论文章的观点时，Fertig博士说：“AI和数学模型在得出结果的方式上存在巨大差异。AI模型首先必须用现有数据进行训练，以便做出结果预测，而数学模型则利用数据和生物学知识来回答特定问题。”
这意味着当数据稀缺时——例如在较新的癌症治疗方法如免疫疗法中——AI可能会过度泛化，导致其他科学家无法重现的有偏见或不准确的结果。另一方面，数学建模利用从科学实验中学到的已知生物机制来解释其得出的结果。
“例如，通过数学模型，我们可以创建虚拟癌细胞和健康细胞，并编写一个程序来模拟这些细胞在不同类型的治疗下在肿瘤内部的相互作用和演变，”IGS和UMSOM药理学、生理学及药物开发系助理教授Bergman博士说。“目前，AI无法提供这种程度的特异性。”
作者指出，除了在‘计算免疫疗法’中使用这两种模型外，还需要广泛的人群样本，并公开数据集，以获得最准确的结果。
“数据的广度和准确性是关键。数据集中的伪影甚至计算机代码中的简单拼写错误都可能影响任何一种模型的准确性，”Fertig博士补充道。“因此，为了使任何分析流程正确运行，它必须是可重复的，而这只能通过开放科学来保证——让其他研究人员的工作能够确认模型将正确的治疗带给正确的患者。”
然而，可重复性仍然是科学中的一个关键挑战。2016年《自然》杂志的一项调查超过1500名科学家的调查显示，超过70%的研究人员表示他们曾试图但未能重现其他科学家的实验，超过一半的人未能重现自己的实验。
“可重复的研究使研究人员能够验证结果的准确性，减少偏差，促进科学诚信，并建立信任，”IGS研究助理、《细胞报告医学》评论文章的第一作者Dmitrijs Lvovs博士解释道。“由于数据科学是由计算驱动的，所有结果都应该是透明的，并且如果分析代码可以通过开放科学获取，则应该能够从相同的数据集中自动重现。”
虽然这听起来很简单——并且已有最佳实践——但作者认为，挑战在于如何在保护患者隐私和防止未经授权的数据泄露的情况下共享数据。当基因组数据与个人健康信息（PHI）结合时，可能导致患者的重新识别，从而违反隐私。
作者认为，创建合乎伦理的开放科学数据共享意味着：1. 从患者那里获得详细的知情同意；2. 在收集和处理数据时确保数据质量，减轻错误；3. 从不同来源收集的数据进行协调和标准化；4. 使用和创建资源和平台，如多组学、临床、公共卫生和药物发现存储库；5. 使用经过验证的管道，如开源分析工具和软件平台。
“合乎伦理和负责任的数据共享民主化了研究，支持了AI的发展，并为公共卫生政策提供了信息，”Lvovs博士说。“通过合乎伦理和负责任的数据共享，生物医学研究界可以最大限度地利用共享数据的好处，加速发现，并改善人类健康。”
(全文结束)
