人工智能应用于临床肿瘤学

 在过去十年里，人们对人工智能(AI)在医学上的应用重新产生了兴趣。这是由深度学习算法的出现、计算硬件的进步以及正在生成和用于临床决策的指数级数据增长所驱动的。个性化护理的优势已得到证实，并且认识到肿瘤及其反应率在人与人之间存在巨大差异。在肿瘤学领域，就像其他医学领域一样，首要目标是提高生命的数量和质量，从实际的角度来看，这需要选择优化癌症控制和最小化毒性的管理策略。 

随着日常护理中产生的多维数据越来越多，人工智能可以支持临床医生在护理过程中对患者形成个性化的观点，并最终指导临床决策。这些决策依赖于不同并且复杂的数据流结合，包括临床表现、患者病史、肿瘤病理、基因组学以及医学成像，并将这些数据与不断增长的科学文献发现相结合。此外，这些数据流在患者的轨迹过程中处于恒定的流动状态。随着人工智能的出现，特别是深度学习，现在有了一个计算基础来整合和综合这些数据，以预测患者的护理路径走向，并最终改善管理决策。 

虽然有很多理由充满希望，但人工智能在临床肿瘤学中的成功整合仍然面临许多挑战。在分析这些挑战时，不仅要笼统地看待人工智能的前景、成功和失败，还要从临床个案的角度来看待。并不是每一个癌症问题都是人工智能的钉子;其价值并不普遍，但与临床案例密不可分。目前证据表明，绝大多数已发表的高性能AI算法的临床转化仍处于起步阶段。此外，人工智能在临床肿瘤学中的迫在眉睫的价值在于，沿着癌症治疗路径，在临床“接触点”聚集窄任务特异性、临床验证和有意义的应用，而不是用于端到端决策的通用人工智能。随着全球癌症发病率的增加和癌症治疗的财务成本越来越被认识到，许多社会正在转向基于价值的护理系统。随着这些系统的发展，采用数据驱动工具(可能由人工智能驱动)的动力将越来越大，这可以降低患者的发病率、死亡率和医疗成本。 

在这里，文献《Artificial intelligence for clinical oncology》描述了AI在临床肿瘤学中的关键概念，并从患者在癌症护理路径上通过临床接触点的角度回顾了AI在肿瘤学中的应用。提出了AI在临床转化中面临的挑战，并提出了解决方案，最后提出了将AI编织到个体化癌症患者护理中的前进路径。通过在当前AI应用于临床肿瘤学的背景下阐明这些问题，旨在提供概念来帮助推动有意义的研究，最终转化为现实世界的临床应用。 

着重看一下临床肿瘤学数据流。肿瘤学的弧线研究、不断增加的数据生成以及计算技术的进步，共同导致了从低维到高维患者数据表示的转移。早期的数据和计算限制常常需要将非结构化的患者数据(例如医学图像和活检)简化为一组人类可消化的疾病程度的离散度量。这种简化的一个显著例子是癌症分期系统，最突出的是美国癌症联合委员会(AJCC) TNM分类。1977年，AJCC第一版TNM分期成为肿瘤学风险分层和决策管理的护理标准，通常只有3个输入：肿瘤大小、淋巴结受累率和是否有转移(TNM)。在随后的几十年里，随着其他离散数据点的合并，可以使用简单的线性模型生成预测列线图，这些模型在某些情况下已经找到了实际用途。最近，提取和分析现有数据的改进方法，加上新的数据流，以及对肿瘤间和肿瘤内异质性的日益了解，都导致了越来越复杂和具体分层模型的发展。过去二十年引入的新型数据流的主要例子是电子健康记录(EHR)、癌症基因组图谱、癌症成像档案和项目GENIE倡议。高级风险分层和预测模型的关键例子是前列腺癌的Decipher评分和乳腺癌的OncotypeDx评分，它们利用离散的基因组数据和浅层机器学习算法形成临床验证的预测模型。有用的肿瘤学数据流，大致按照可用性的历史顺序，包括临床表现、肿瘤分期、组织病理学、定性成像、肿瘤基因组学、患者基因组学、定量成像、液体活检、电子病历挖掘、可穿戴设备和数字行为(图1)。此外，随着患者在癌症治疗路径上的移动，患者内部数据流的数量也在增长。随着通路的每一步，新的数据从通路中生成，并有可能在以后重新组合回通路中(图2)。 

图1 特定于窄任务的AI应用程序解决了患者路径上特定的癌症护理接触点，并利用特定的数据类型和AI方法 

图2 一个癌症患者路径的例子与不断增加的数据流融合

 随着临床肿瘤学中生物知识库和数据流的增长，可以部署机器学习算法来学习适用于越来越精确的患者群体模式并生成预测模型，以指导下一个“看不见的”患者的治疗。随着我们吸收更多的数据，最佳癌症护理，即为患者带来最佳生存和生活质量的护理，不可避免地成为精确护理（假设我们有必要的工具来充分利用数据）。在临床肿瘤学数据复杂性和精准护理的交叉点上，人工智能的前景是如此诱人，尽管尚未实现。

 接下来关注一下临床转化方面的AI挑战。虽然肿瘤人工智能的发展已经取得了巨大的进步，这从近年来出版物和发表数据集的激增就可以证明，但人工智能性能的证据与临床影响的证据之间仍然存在很大的差距。虽然已经发表了数千篇关于深度学习算法性能的研究，但最近的一项系统综述发现，只有9项前瞻性试验和2项已发表的深度学习在医学成像中的随机临床试验。在肿瘤学和整个医疗保健领域发展临床人工智能应用的决定性障碍，可能是数据在质量和数量上的限制。数据管理、聚合、透明度、偏差和可靠性方面的问题已经得到了很好的描述。此外，人工智能模型的可解释性、可信度、可重复性和可泛化性的缺乏已经得到了足够的重视以及合理的关注。虽然成功的人工智能开发必须克服所有这些挑战，但是关于临床转化方面的概念，这些模型已经在开发和验证的初步阶段取得了成功:临床有效性、实用性和可用性(图3)。将这些概念纳入模型设计和评估很容易被忽视，但对于将临床人工智能从研究和开发阶段转移到现实世界的癌症治疗至关重要。

图3 通过强调和演示三个基本概念:临床有效性、实用性和可用性，弥合初始模型开发和常规临床癌症护理之间的AI转化差距 

不断增加的数据流和计算算法的进步，已经将人工智能定位为通过严格评估、窄任务应用程序在癌症治疗路径上的特定接触点交互来改善临床肿瘤学。虽然有许多有前途的AI应用程序正在应用于临床肿瘤学，但弥合临床转化的差距仍然面临巨大挑战。最成功的模型利用大规模的、健壮的注释数据集，用于特定癌症护理接触点的狭窄任务。人工智能应用于癌症治疗的进一步发展应关注临床有效性、实用性和可用性。成功地整合这些概念需要将患者提供者、临床决策中心的重点引入模型开发和评估。 

参考文献

[1] Kann BH, Hosny A, Aerts HJWL. Artificial intelligence for clinical oncology. Cancer Cell. 2021 Jul 12;39(7):916-927. doi: 10.1016/j.ccell.2021.04.002. 

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. ​EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. ​EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC

12. 免疫信号通路关联的调控子数据库：ImmReg