新的策略在创建旨在辅助癌症诊断和治疗的临床决策的人工智能工具方面取得了重大的进展。这个创新模型利用肿瘤微环境的特征来预测个体患者对特定疗法的反应，并指导量身定制的治疗计划。此外，它帮助快速识别不太可能从某些癌症类型的标准程序中受益的患者。哈佛医学院的研究人员开发了一种类似于ChatGPT的动态人工智能模型，能够在不同癌症类型中执行多种诊断功能。
根据研究人员的说法，这一最近推出的人工智能技术，在9月4日的《自然》上详细介绍，超越了许多现有的癌症诊断人工智能方法。 (DOI 10.1038/s41586-024-07894-z)
大多数癌症诊断的人工智能系统通常设计为处理特定任务，例如识别癌症存在或估计肿瘤的基因组特征，通常仅限于几种癌症类型。相比之下，这种新模型具有多功能性，并在19种不同的癌症类型中进行了评估，类似于ChatGPT等大型语言模型的灵活性。
尽管最近开发了一些专注于病理图像的人工智能模型，但这一模型被认为是首个能够预测和验证不同国际患者人群结果的模型。
“我们的目标是创建一个灵活的、类似ChatGPT的人工智能系统，能够处理广泛的癌症评估任务，”首席研究员、哈佛医学院生物医学信息学助理教授余坤兴说。“我们发现，我们的模型在与癌症检测、预后和治疗反应相关的多项任务上极为有效。”
该人工智能模型读取肿瘤组织的数字切片，识别癌细胞，并根据可视细胞特征预测肿瘤的分子特征，准确性高于大多数现有系统。它能够估计多个癌症类型患者的生存率，并准确地突出与患者可能如何对常规治疗（如手术、化疗、放疗和免疫疗法）反应相关的肿瘤微环境周围组织特征。此外，研究人员指出，该工具在通过识别与患者生存相关的新肿瘤特征方面表现出潜力。
研究团队强调，他们的研究结果有助于增加证据，表明人工智能驱动的方法可以显著提高临床医生有效和准确地评估癌症的能力，包括识别可能对标准癌症治疗反应不佳的患者。
“如果经过进一步验证和广泛实施，我们的方法——以及类似策略——可以帮助早期识别哪些癌症患者可能从针对特定分子变异的实验治疗中获益，而这项服务在全球并不普遍可得，”余说。
训练与性能
这项最新研究基于余教授早期关于评估结肠癌和脑癌的人工智能系统的研究，证明了该方法在某些癌症类型和任务中的可行性。
新模型命名为CHIEF（临床组织病理学影像评估基础），使用了1500万个未标记的图像进行训练，这些图像被划分为感兴趣区域。训练过程还包括来自多种组织的60,000个全切片图像，如肺、乳腺、前列腺、结直肠、胃、食道、肾脏、大脑、肝脏、甲状腺、胰腺、宫颈、子宫、卵巢、睾丸、皮肤、软组织、肾上腺和膀胱。通过在图像的特定部分和整个图像上训练，模型能够将特定变化与更广泛的语境相关联，使CHIEF能够更全面地解释图像，而不仅仅是狭窄地集中在一个区域。
训练后，研究人员在超过19,400个全切片图像上测试了CHIEF的能力，这些图像来源于32个独立数据集，收集自全球24家医院和患者群体。
在整体性能上，CHIEF在检测癌细胞、确定肿瘤来源、预测患者结果以及识别与治疗反应相关的基因和DNA模式的多项任务上，比其他尖端人工智能系统高出最多36%。得益于其广泛的训练，CHIEF展示了横跨取样方式（例如活检或手术切除）和细胞样本数字化方式的一致性准确性。研究人员指出，这种适应性使CHIEF适用于多样化的临床环境，并代表了相较于通常只在特定条件下表现出色的现有模型的一项关键进展。
癌症检测
CHIEF在识别癌症方面实现了近94%的准确率，显著超过15个数据集中涉及11种癌症类型的当前人工智能方法。在来自独立队列的五个活检数据集中，CHIEF在多种癌症（包括食道癌、胃癌、结肠癌和前列腺癌）中记录了96%的准确率。当使用之前未见的来自结肠、肺、乳腺、子宫内膜和宫颈切除肿瘤的切片进行测试时，该模型保持了超过90%的准确率。
预测肿瘤的分子特征
肿瘤的遗传组成为预测其行为和确定适当治疗提供了重要的见解。肿瘤学家通常需要对肿瘤样本进行DNA测序来获取这些信息，但由于成本和物流挑战（将标本发送到专门实验室进行测序），全面的基因组分析通常并未常规进行。即使在资源丰富的地区，这一过程也可能需要数周，为人工智能弥补这一差距提供了机会。
研究人员指出，快速识别图像上指示特定基因组改变的细胞模式可能成为基因组测序的快速、成本效益高的替代方案。
CHIEF在基于显微镜切片预测基因组变异方面表现优于现有的人工智能技术。这种新的人工智能方法有效地识别与癌症生长和抑制相关的重要基因的特征，同时预测影响肿瘤如何对不同标准疗法反应的重大基因突变。例如，CHIEF能够识别与结肠肿瘤对一种称为免疫检查点抑制剂的免疫疗法反应相关的DNA模式。通过分析全组织图像，CHIEF准确识别出54个常见癌症基因的突变，整体准确性超过70%，表现超越目前在基因组癌症预测方面的领先人工智能方法。其准确性在与特定癌症类型相关的特定基因方面特别强。
研究团队进一步评估了CHIEF预测与FDA批准的靶向疗法反应相关的突变的能力，涵盖了15个解剖部位的18个基因。CHIEF在多个癌症类型中实现了高准确性，包括在血液癌症弥漫性大B细胞淋巴瘤中检测EZH2基因突变的96%；对甲状腺癌中的BRAF基因突变记录了89%；以及对头颈癌中的NTRK1基因突变记录了91%。
预测患者生存率
CHIEF
研究人员通过分析在初始诊断时收集的肿瘤组织病理图像，有效预测了患者的生存率。在不同的癌症类型和患者人口统计中，CHIEF模型成功地区分了生存时间长和生存时间短的患者。它的表现比其他预测模型高出8%。此外，在更高级别的癌症病例中，CHIEF的表现比其他人工智能模型高出10%。总的来说，CHIEF在评估高风险与低风险死亡率方面的能力，经验使用来自17个不同医疗机构的患者样本进行了评估和验证。
获得肿瘤特征的新视角
该模型揭示了与肿瘤侵袭性和整体患者生存率相关的图像中特征性的模式。为了突出这些重要区域，CHIEF在图像上创建了热图。当人类病理学家检查这些人工智能生成的兴趣区域时，他们检测到了反映癌细胞与周围组织之间关系的有趣指标。一个值得注意的观察是，在长期幸存者的肿瘤区域，免疫细胞的密度高于短期幸存者。余表示，这一发现与“更多的免疫细胞可能表明对肿瘤的积极免疫反应”的理念相一致。
在检查短期幸存者的肿瘤时，CHIEF确定了以各种细胞成分之间异常大小比率为特征的特定区域，细胞核内的不规则特征更为明显，细胞连接较弱，以及肿瘤周围结缔组织的减少。此外，肿瘤往往表现出周围死亡细胞的增加。例如，在乳腺肿瘤中，CHIEF识别出组织内的坏死（或细胞死亡）作为一个重要的兴趣区域。相反，关联较高生存率的乳腺癌展示出与健康组织相似的细胞结构。研究团队指出，与生存相关的特定视觉特征和兴趣区域因癌症类型而异。
未来方向
研究人员打算通过以下方式增强CHIEF的功能并扩展其能力：
- 对与罕见疾病和非癌性病症相关的组织图像进行附加训练
- 纳入来自癌前组织的样本，以便在它们完全转变为恶性之前进行检测
- 引入更多的分子数据，以提高其准确性，识别具有不同侵袭程度的癌症
- 训练模型评估新的癌症治疗与标准治疗的效果和潜在副作用
