编译：慧语来源：肿瘤资讯
在过去的几年中，纵观整个科技界和投资界，“人工智能（artificial intelligent，AI）”无疑是最火热的一个领域。那么这个听起来高大上的新名词，距离我们医学肿瘤领域还遥远吗？小编带您一起回顾肿瘤领域AI相关的产品和应用。
Watson for Oncology
在肿瘤领域谈论AI，就不得不提到IBM公司与纪念斯隆凯特琳癌症中心合作开发的Watson for Oncology（WFO）。WFO整合了杂志文章、国家指南、医院最佳实践、临床试验和教科书中的多种数据，可以通过自然语言处理模式和机器学习模式从医疗记录中提取和访问结构化的、非结构化的数据，以提供癌症治疗选择。目前Watson已阅读并学习了超过300种医学专业期刊、200多本肿瘤学专著以及1500万篇肿瘤相关学术论文研究数据，这是人类医生一辈子都无法读完的海量数据。此外WFO还可以在17秒内，阅读3469本医学专著、248000篇论文、69种治疗方案、61540次实验数据、106000份临床报告，并根据医生输入的病人指标信息，最终提出优选的个性化治疗方案。Watson制定的肿瘤治疗方案的水平已经可以和顶级专家们媲美，一致性高达90%以上。
IBM Watson for Oncology由最初的仅局限于乳腺癌和肺癌，目前已扩大到十几种其他常见的实体和血液肿瘤，如乳腺癌、肺癌、直肠癌、结肠癌、胃癌、宫颈癌、卵巢癌、前列腺癌、膀胱癌等14个癌种，覆盖 80% 的肿瘤患者。
与此同时，WFO在国内医疗行业应用中的一些现状和困难：
第一， Watson 以西方临床案例、经验为主导，缺乏本地化方案，现阶段医生仅可基于 Watson 给出的方案综合自己的经验及判断给到患者最稳妥合理的治疗方案与调理方式。东西方在肿瘤治疗上的差异，还需与国内本地疗法相辅相成。正如我们肿瘤资讯今年采访山东省肿瘤医院的王永胜教授所言：“人工智能在中国临床实践中会涉及资源可及性的问题，希望在这一方面能够整合入中国的实际情况。
总体来说，人工智能对临床医师，特别是基层医师是非常好的帮手，当然它也需要不断优化，我们期待完全适合中国国情的人工智能。”基于此，CSCO乳腺癌专业委员会和百洋智能科技联合启动了一项计划纳入2000例乳腺癌患者的多中心、随机、双盲IV期临床决策评价研究——《Watson肿瘤方案用于中国乳腺癌患者治疗决策研究》，希望通过这项前瞻性的研究来评价Watson在我国同患者中智能决策和专家决策之间的比较；有／无人工智能辅助的情况下，临床决策结果的异同等本土化的效果。
第二，Watson 本身被定位为辅助医生的角色，仅能就客观病理指标进行推荐方案，但肿瘤治疗的情况很复杂，并不是最好的治疗方案就是患者能接受的方案，很多情况还需要医生根据病人实际状况调整，并且去说服与安抚患者，这是 Watson 做不到的。这个观点与陆劲松教授在我们采访中的论点不谋而合：“我们在思考某一个具体的问题的时候，即使再有经验的专家，也有可能把握不了这么广大的，浩如烟海的文献。如果有人工智能的话，对这么多茫茫烟海的临床数据和临床研究，能够和患者具体特征相结合，从而给出一个比较好的建议。当然，这个建议最终不一定被采纳，但至少对我们临床专家是一个非常好提示，或者说是一个启发，也可以提示一下我们非常有经验的专家，有没有什么疏漏的地方？在这一点上，目前人工智能在乳腺癌诊疗中，应该有很好的参考和帮助作用”，同时陆教授也一再强调：“最后具体的决策，应该还是由临床一线的专家结合患者具体的情况和自己渊博的知识和临床实践，在人工智能的建议下面，最后进行决策”。
第三，沃森支持的癌种还在快速增加，在 2017 年年底支持14 个癌种，其它癌种还尚未有成熟的推进方案系统提出。2017年以来WFO在中国签约合作的医疗机构覆盖十多个省份的几十家医院。
肿瘤领域其它AI产品
虽然IBM Waston独占鳌头，但其它公司也在摩拳擦掌试图开辟新的天地。
① 智能机器人：
提到人工智能的时候，我们想到的往往是机器人，其实早在Waston上市前，2000年，Intuitive Surgical达芬奇手术机器人正式获批上市。达芬奇外科手术系统增加视野角度，减少手部颤动，设计采用微创方式由外科医生通过控制台控制，完成复杂的外科手术，通常用于前列腺切除手术。相对于传统手术方式，不但伤口更小、减轻疼痛，更可以有效降低感染及并发症的发生，缩短病患住院和康复时间。
② DNA测序：
巨头Illumina BaseSpace Sequence Hub与IBM Watson for Genomics合作开发了实体瘤的人工智能测序面板。具体工作流程是将检测标本放入Illumina的TruSight Tumor 170测序面板中，对设定的170个基因进行全面筛查，发现是否存在突变。测序结果将立即发送到Watson for Genomics，在短短几分钟内就会结合基因突变数据，对Watson数据库中的大量专业信息进行梳理，然后提供每个基因组改变的相关信息，并生成一份可供研究人员使用的报告——这一过程通常会花费一周以上的时间才能够完成。由此，科研人员将能够快速获取信息，帮助标准化基因分析，促进癌症研究。
③液体活检技术（liquid biopsy）：
该领域最出名的公司当属Grail公司，它是由上面刚提到的Illumina创办的，专注于研发通过血液检测癌症的服务。众所周知，对癌症患者的诊断，目前主要还是靠穿刺。穿刺不仅费用较高，对患者的损伤和发生并发症的风险也非常大，因此通过血液、尿液这种非损伤性途径取得的标本，然后通过高通量测序等技术对疾病进行诊断和评估具有非常广阔的市场和前景。
液体活检目前主要聚焦于对血液中肿瘤循环细胞（Circulating Tumor Cell，CTC）和循环肿瘤DNA（Circulating Tumor DNA，ctDNA）的检测。Grail公司主要专注于后者，因为目前越来越多的研究已经证实ctDNA中携带有它们所来源的肿瘤的遗传特征编码，对于这些数据和信息进行深入挖掘一定是大有潜力的。虽然目前关于Grail公司涉及人工智能方面的报道尚不是很多，但我们看看为Grail投了11亿美金的股东吧：除了一些大的医药公司，如强生、默沙东、施贵宝等，还包括微软联合创始人比尔盖茨、亚马逊创始人Jeff Bezos、谷歌风投、Arch Venture Partners、硅谷私募股权公司Sutter Hill Ventures，甚至还有我们耳熟能详的腾讯公司。相信在不久的将来，面对浩瀚的DNA海量数据，这些IT巨头们的人工智能、数据挖掘、机器学习、深度学习技术……（好了，小编编不下去了）必然有一番施展的舞台。
与Grail公司从事类似项目的还有前一段我们肿瘤资讯报道过的霍普金斯Kimmel癌症中心的一项名为CancerSEEK的项目等。CancerSEEK的结果于上个月在Science发表。
④ 影像诊断：
这个领域目前比较著名的是Google公司的DeepMind Health，众人皆知的AlphaGo也隶属于DeepMind旗下。比较成功的案例主要包括乳腺X光片筛查和乳腺病理图片识别。
目前乳腺癌的早期诊断主要通过乳腺X光检查，但这个方法还不是很完美，每年有很多漏检的病例。Google利用最新的机器学习算法分析了英国OPTIMAM乳腺X光片数据库中7500例不易识别的X光片，开发了一套能够协助影像医生通过AI的方式提升乳腺癌的筛查准确率。
而另外同时开发的一种新的深度学习算法（Deep Learning），来识别活检病理图片是否发生淋巴结转移。谷歌团队实现了高达89%的准确率，而与之对照的人类医生只有73%。
左：两个淋巴结病理图片；中：谷歌AI深度学习早期结果；右：谷歌AI深度学习后结果
如果说Google开发AI “顺理成章”，传统的电脑硬件厂商NVIDIA（英伟达），没错，就是那个生产电脑显卡的公司，居然也涉入了肿瘤影像诊断领域。NVIDIA不仅在显卡市场上处于绝对的垄断地位，在深度学习、AI人工智能等领域也起步很早。他们主要通过优化算法，提高基于GPU的深度学习效率。一组由哈佛医学院病理和生物信息副教授Andrew Beck带领的小组，使用NVIDIA（英伟达）Tesla显卡显著提高了学习的效率，并且使得乳腺癌误诊率下降约85%。
目前我们国内在医学影像领域也有众多创业公司，相对于国外的产品而言我们可能会在本土化方面做的更好。但学习数据的质量和学习算法的开发方面尚有需要提高的空间。
注：图片转载自其他网站，不代表肿瘤资讯观点
国内IT界第一梯队的腾讯公司发布的一款AI医学影像产品——腾讯觅影，对早期食管癌的筛查准确率高达90%，可以有效辅助医生发现癌变征兆，将病魔遏制在摇篮里。在腾讯内部，与医院建立联合实验室后，由腾讯互联网+合作事业部牵头，腾讯觅影聚合了包括AI Lab、优图实验室、架构平台部等多个AI技术团队能力，把图像识别、深度学习等技术充分发挥。
后记
综上，医学人工智能目前的几个重要研究方向包括：智能筛检、智能影像、智能病理、辅助手术、辅助临床决策等。对于癌症的治疗仍然受到医生手术质量的高低以及治疗药物疗效等瓶颈的制约。因此，目前提出“医生会被AI取代”的论调还为时尚早。
对于人工智能的应用来说，无论技术多么强大，最核心的仍然是数据。这也是为什么患者数据变得越来越重要。可以想象，一套完善成熟方案的提出，没有足够的患者数据进行训练，简直就是不可能完成的任务。而医疗健康领域的数据又很特别，有时候虽然获得了病人的病例信息（需经过脱敏处理，保障病人隐私），却又有无从下手的感觉。因此，将非结构化的医疗数据结构化，是需要攻克的第一个难关。
虽然目前AI在医疗健康行业取得一定的成绩，人工智能的应用应当走得更加缓慢和谨慎。这不仅是因为医药行业的创新成本更高，更大的原因是，在这个领域，一个算法的错误可能导致的就是生死之差。
人类与人工智能，各有各的优势，我们期待人工智能能够更好地协助医生为患者带来更为快捷、准确的诊断，精准化的治疗方案，管理他们的健康。我们相信美好的一天终将到来！
参考文献
1. 百度百科：达芬奇机器人；DeepMind
2. Detection and localization of surgically resectable cancers with a multi-analyte blood test. Science. 2018 Jan 18. pii: eaar3247. doi: 10.1126/science.aar3247.
3. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. doi: 10.1038/nature21056.
4. Deep Learning Algorithms for Detection of Lymph Node Metastases From Breast Cancer. JAMA. 2017;318(22):2184-2186. doi:10.1001/jama.2017.14580
5. Dermatologist-level classification of skin cancer with deep neural networks. Nature, 2017; 542:115–118.
责任编辑：肿瘤资讯-宋小编版权声明版权属肿瘤资讯所有。欢迎个人转发分享，其他任何媒体、网站如需转载或引用本网版权所有内容，须获得授权，且在醒目位置处注明“转自：良医汇-肿瘤医生APP”。
