“我還能活多久？”這是每個(gè)癌癥患者腦海中浮現的問(wèn)題。然而，治療他們的醫生卻無(wú)法給出一個(gè)明確的答案。

       目前，醫生們能做的是將患有類(lèi)似癌癥的患者分為幾大類(lèi)，然后假設他們會(huì )對療法有相同的反應，并且具有類(lèi)似的預后。然而，將患者分類(lèi)的手段還十分粗糙，很多時(shí)候是基于醫生的雙眼。

       病理學(xué)家們通?；趯M織切片的評估來(lái)預測患者的預后情況。他們會(huì )根據腫瘤的大小和特征來(lái)判斷腫瘤的級別，然而病理學(xué)家們有時(shí)會(huì )出現分歧，而且腫瘤的級別并不是總能準確地預測患者的生存期。

       “當病理學(xué)家分析病理學(xué)圖像時(shí)，只有60%的時(shí)候他們會(huì )達成一致。”斯坦福大學(xué)（Stanford University）基因組學(xué)和個(gè)體化醫藥中心主任Michael Snyder博士說(shuō)。在2013年，他的研究團隊開(kāi)始探索人工智能（AI）能否讓對癌癥預后的預測更為準確。

       Snyder博士的研究生將組織學(xué)圖像和病理學(xué)家作出的診斷輸入到機器學(xué)習算法中，訓練它將肺癌和正常組織區分開(kāi)來(lái)，將兩種不同的肺癌區分開(kāi)來(lái)。然后，他將與這些圖像相關(guān)的患者生存數據輸入到系統中，訓練AI找出生存數據與圖像之間的關(guān)系。最后，他讓機器學(xué)習算法分析從來(lái)沒(méi)有見(jiàn)過(guò)的病理圖像，然后向人工智能（AI）提出了“我還能活多久？”這個(gè)對癌癥患者來(lái)說(shuō)至關(guān)重要的問(wèn)題。

       他們的研究發(fā)現，AI能夠通過(guò)分析圖像，判斷出特定患者的生存時(shí)間會(huì )比肺癌患者的平均值長(cháng)還是短。病理學(xué)家們仍然難以作出這個(gè)看似簡(jiǎn)單的判斷。這項研究發(fā)表在Nature Communications雜志上。

       受到這一結果的鼓舞，Snyder博士的團隊將腫瘤的轉錄組（transcriptome）信息也輸入到機器學(xué)習系統中，將轉錄組信息與圖像信息結合，AI能夠更精確地預測患者的生存期，達到了超過(guò)80%的準確率。

       和Snyder博士一樣，很多其它研究團隊也認識到了AI在分析與癌癥相關(guān)的醫學(xué)圖像和組學(xué)數據方面的潛力。雖然這些工具還未能進(jìn)入診所，但是基于A(yíng)I的分析手段不但能夠更快地作出更準確的診斷，而且能夠找出最適合特定患者的抗癌療法，甚至預測他們的生存時(shí)間。

       輸入：圖像，輸出：診斷

       盡早診斷癌癥和開(kāi)始治療是提高患者生存的關(guān)鍵。以宮頸癌為例，早期診斷能夠將患者的5年生存率提高到90%以上。醫生可以通過(guò)不同手段將癌前病變清除，然而一旦癌癥發(fā)生轉移，5年生存期率會(huì )下降到56%以下。

       在發(fā)達國家，婦女通常定期接受巴氏涂片（Pap smears）篩查來(lái)發(fā)現異常宮頸細胞的存在。而在發(fā)展中國家，這類(lèi)篩查仍然非常罕見(jiàn)。另一種更為簡(jiǎn)易的檢測使用醋酸沖洗宮頸表面，然后觀(guān)察宮頸中的白色區域，這可能是癌癥的先兆。然而，“這種檢測非常不準確。”美國國家癌癥研究所（National Cancer Institute， NCI）的流行病學(xué)家Mark Schiffman博士說(shuō)。這導致有的健康婦女會(huì )接受不必要的治療，而且其它攜帶癌前病變的婦女卻沒(méi)有接受治療。

       Schiffman博士和其它研究團隊一直在尋找一種讓醋酸篩查更為精確的方法。他的研究團隊積累了成千上萬(wàn)張宮頸照片，然而，對圖片的分析卻不能產(chǎn)生一種精確可靠的診斷方法。

       在他瀕臨放棄的時(shí)候，比爾及梅琳達蓋茨基金會(huì )（Bill & Melinda Gates Foundation）旗下的非營(yíng)利機構向他伸出了援助之手。這家機構想使用機器學(xué)習來(lái)處理Schiffman博士收集的圖像，看看計算機能否做出醫生無(wú)法作出的診斷。

       于是Schiffman博士和他們合作，使用一種稱(chēng)為卷積神經(jīng)網(wǎng)絡(luò )（convolutional neural network）的機器學(xué)習手段來(lái)分析宮頸照片。這一算法的目的是發(fā)現圖像中幫助作出正確診斷的特征。

       研究團隊輸入機器學(xué)習系統的數據庫包括從9000名婦女中獲得的宮頸圖像，以及這些婦女接受更精準篩查檢測的結果，和長(cháng)達18年與癌前病變和癌癥診斷相關(guān)的隨訪(fǎng)信息。他們用數據庫中70%的信息來(lái)訓練機器學(xué)習模型，然后使用剩下30%數據中的圖像來(lái)檢測AI的表現。

       Schiffman博士不敢相信實(shí)驗的結果！機器學(xué)習能夠以91%的準確率將健康組織、癌前病變和癌癥區分開(kāi)來(lái)，而醫生診斷的準確率只有69%。

       基于這項研究，Schiffman博士希望能夠開(kāi)發(fā)出一種經(jīng)濟簡(jiǎn)便的篩查方法，使用智能手機的照相機，與基于機器學(xué)習的圖像分析結合，早期篩查宮頸癌。

       斯坦福大學(xué)的研究團隊也在利用智能手機的照相機來(lái)診斷皮膚病變。他們構建了由13萬(wàn)張皮膚病變圖像構成的數據庫，然后訓練卷積神經(jīng)網(wǎng)絡(luò )來(lái)區分良性腫塊和3種不同的惡性皮膚病變。機器學(xué)習系統達到了91%的準確率，它的表現超過(guò)了大多數檢查同樣圖片的皮膚科醫生。

       輸入：圖像和組學(xué)數據，輸出：生存預測

       Snyder博士團隊的研究已經(jīng)表明，使用組學(xué)數據和圖像數據相結合，能夠進(jìn)一步提高對肺癌患者生存期的判斷。在他們進(jìn)行的研究中，AI對轉錄組和蛋白質(zhì)組學(xué)數據的分析發(fā)現了15個(gè)基因的表達水平能夠以80%的準確性預測腫瘤的級別。這些基因在DNA復制，細胞周期調控，p53信號通路等和癌癥生物學(xué)相關(guān)的生理過(guò)程中起到重要作用。

       受到Snyder博士團隊研究的啟發(fā)，紐約大學(xué)醫學(xué)院的研究團隊探索了肺癌圖像和肺癌基因特征之間的關(guān)系。在經(jīng)過(guò)1634張健康或肺癌組織切片的訓練后，機器學(xué)習系統能夠以97%的準確率將腺癌和鱗狀細胞癌區別開(kāi)。然后，研究團隊將肺腺癌中10種最常見(jiàn)的基因突變數據輸入到算法系統中。經(jīng)過(guò)訓練，計算機系統能夠以73%-86%的準確率，通過(guò)分析病理學(xué)圖像來(lái)預測6種基因突變的存在。

       這項研究表明，AI不但能夠幫助進(jìn)行癌癥的診斷，而且能夠幫助醫生們發(fā)現癌癥的特定遺傳特征，從而指導對患者的治療選擇。

       輸入：組學(xué)數據，輸出：癌癥進(jìn)化

       即使沒(méi)有圖像，組學(xué)數據本身也能夠為癌癥治療提供洞見(jiàn)。例如，英國癌癥研究所（Institute of Cancer Research, ICR）的研究人員在利用機器學(xué)習分析基因組學(xué)數據，理解癌癥的進(jìn)化過(guò)程。一個(gè)腫瘤通常包括從原始癌細胞中產(chǎn)生的多個(gè)細胞譜系。想要有效治療癌癥，很重要的一點(diǎn)是理解腫瘤的異質(zhì)性和腫瘤進(jìn)化的方式。如果療法只對腫瘤的一部分有效，那么癌癥會(huì )復發(fā)。

       通過(guò)對腫瘤的不同部位采樣，研究人員能夠推斷出癌癥的進(jìn)化路徑。而不同患者的腫瘤，通常具有差別很大的進(jìn)化樹(shù)，即便他們患上同樣一種癌癥。ICR的研究人員認為，如果他們能夠發(fā)現癌癥進(jìn)化的共同路徑，腫瘤學(xué)家就可以使用這些信息將患者分組，他們可能會(huì )有類(lèi)似的疾病進(jìn)展，或者對藥物的反應相同。

       研究人員使用了一種稱(chēng)為遷移學(xué)習（transfer learning）的機器學(xué)習系統來(lái)尋找不同患者腫瘤的共同進(jìn)化樹(shù)。這種算法同時(shí)對所有患者基因組的進(jìn)化樹(shù)進(jìn)行分析，分享從不同進(jìn)化樹(shù)中獲得的信息，然后找出一種與整個(gè)患者群體相符的解決方案。

       作為第一步檢測，研究人員設計了一個(gè)人工構建的“假”進(jìn)化樹(shù)，然后把相關(guān)的基因組信息輸入到機器學(xué)習系統中，不出所料，AI輸出了與研究人員構建的進(jìn)化樹(shù)一樣的癌癥進(jìn)化信息。

       然后，研究人員用一個(gè)常見(jiàn)的癌癥進(jìn)化樹(shù)來(lái)檢驗AI的表現。在結直腸癌中，良性腺瘤以特定的順序積累癌癥驅動(dòng)基因的突變，例如：先是APC基因出現突變，然后是KRAS，然后是PIK3CA。研究人員將9個(gè)良性腺瘤和10個(gè)惡性腫瘤的基因組信息輸入給AI，它也能夠描繪出從良性腺瘤向惡性腫瘤轉變的正確進(jìn)化樹(shù)。

       最后，研究人員讓AI分析進(jìn)化路徑尚不明確的腫瘤樣本。實(shí)驗結果表明，AI根據99名非小細胞肺癌患者的基因組信息，將他們分為10個(gè)小組，其中有的小組患者生存期小于150天，而其它小組的患者生存期顯著(zhù)延長(cháng)。這意味著(zhù)這些分組具有預測預后結果的價(jià)值。這一算法同時(shí)還將50名乳腺癌患者分為不同小組，每個(gè)小組的患者生存期不一。“我們沒(méi)有預計會(huì )出現分組，”這項研究的負責人，ICR進(jìn)化和癌癥中心的Andrea Sottoriva博士說(shuō)：“這些結果表明，癌癥的進(jìn)化途徑是可以預測的。”ICR最近啟動(dòng)了一項藥物研發(fā)項目，專(zhuān)門(mén)針對癌癥進(jìn)化開(kāi)發(fā)抗癌療法。

       藥物開(kāi)發(fā)依靠的是可以預測的規律，AI是一種幫助發(fā)現具有臨床意義的規律的有力工具。目前，AI在癌癥研究中的應用還剛剛開(kāi)始，可以預見(jiàn)，將來(lái)的AI不只會(huì )整合組學(xué)數據和圖像信息，還將整合其它類(lèi)型的數據，包括治療結果、疾病進(jìn)展狀況，和其它科學(xué)家們能夠獲取的信息。

     “癌癥是一種復雜的疾病，”Snyder博士說(shuō)：“我們需要綜合所有的信息來(lái)打敗它！”

       點(diǎn)擊下圖，觀(guān)眾預登記成功送20元話(huà)費