【AI世界】

    ◎实习记者 荆晓青

    一次CT平扫即可助力医生识别多种癌症，在线平台几秒完成个性化医疗资源对接……近年来，人工智能（AI）技术正全面变革肿瘤诊疗方方面面。

    “AI可贯穿肿瘤诊疗全流程。”中国科学院深圳先进技术研究院生物医学与健康工程研究所医学人工智能研究中心执行主任李志成向科技日报记者介绍，“从影像初诊、病灶识别、病人入院，到病理诊断、手术方案可视化等，甚至出院恢复跟踪，AI的介入是医生和患者看得见、摸得着的。”

    帮助肿瘤早期筛查

    北京美中爱瑞肿瘤医院院长徐仲煌介绍，很多肿瘤患者确诊时已是中晚期，错过了最佳治疗时机。早期筛查能帮助医生在无症状或癌前病变阶段发现病情，并通过早期干预有效降低发病率和死亡率，AI在肿瘤早筛领域潜力巨大。

    肿瘤早筛通常依赖一系列非侵入性或微创检查手段，包括影像学检查、血液标志物检测及分子诊断等。这方面，AI介入已取得突破性进展。李志成认为，在基于影像的深度学习技术加持下，AI在某些肿瘤筛查中的表现甚至超越了人类专家。

    近两年，《自然》杂志等国际期刊多次发表AI助力肿瘤筛查的相关研究。哈佛大学医学院团队研发的CHIEF模型不仅能诊断19种癌症，还可以定位肿瘤微环境、引导治疗策略及预测生存率。阿里巴巴达摩院研发的胰腺癌早期检测模型PANDA，判断存在病变的准确率高达92.9%。这些成果表明，AI不仅能辅助诊断，还能在精准治疗中发挥关键作用。

    相关实践已显示出AI在肿瘤筛查中的作用。今年2月，阿里巴巴“医疗AI多癌早筛公益项目”在浙江丽水市中心医院等机构部署，将达摩院医疗AI技术创新应用于卫生健康领域。“项目在4个月内筛查超5万人次，筛查病种包括胰腺癌、食管癌、胃癌、结直肠癌，其中发现的145例癌症病变已被临床证实。”达摩院医疗AI团队负责人吕乐解释，通过结合大量历史数据和复杂算法，AI能从影像中提取肉眼难以察觉的微小病灶信息。在繁琐的影像分析任务中，AI还能快速处理大量数据，减轻医生压力。

    徐仲煌说，癌症必须依靠多学科协作才能制定最优治疗方案，而AI可助力解决这一过程中专业人员短缺、经济成本高等问题。

    吕乐以PANDA为例说，模型相当于汇集了数十位不同专业医生的知识库，通过整合影像学资料、基因组学信息、病理学数据等多模态数据，实现跨科室的数据融合。在此基础上，模型能提取关键病灶信息及潜在病理特征，进而开展跨科室的全方位分析。

    提高癌症认知水平

    推动医学领域的科学认知，是AI助力肿瘤诊疗的更高维度。

    李志成团队已从事脑胶质瘤研究数十年。谈及脑胶质瘤诊疗现状，李志成说：“我们对这种疾病的科学认知仍然有限，医生们尚未完全理解脑胶质瘤的发生发展和复发机制，也还没有找到切实有效的精准治疗途径。”

    对此，徐仲煌深有同感。“对癌症认知的不足限制了诊疗手段。面对疑难杂症，临床上很多时候只能摸着石头过河。”

    现有AI诊疗模型也有局限性。李志成说，许多模型通过大规模标注数据集训练，寻找图像特征与临床结果之间的相关性。虽然这种方法在准确率上取得了显著成效，但这种“黑箱式”操作缺乏解释性依据，导致医生难以完全信赖AI的诊断结果，因此回归医学源头的认知格外重要。

    这方面，AI可以发挥的空间很大。“AI能整合影像、病理、基因等多模态数据，提供多尺度综合分析，帮助我们构建更完整的肿瘤‘画像’。肿瘤是一个由复杂癌细胞组成的生态系统，对其画像勾勒得越准确，就越能发现以往忽视的肿瘤行为和潜在治疗靶点，为前端治疗提供新思路。”李志成说，随着基因组、蛋白质组等分子层面数据不断丰富，AI有望突破现有认知瓶颈，助力提升对复杂癌症的科学认知。

    徐仲煌补充说：“面对陌生肿瘤，如果AI能推动人类对其认知前进，哪怕是一小步，也有可能从根本上为肿瘤诊疗提供新的方法论指导，真正改变我们应对癌症的方式。”

    发挥数据“养料”作用

    要想使AI进一步赋能肿瘤诊疗全流程，获取优质、全面、庞大的数据支持十分关键。

    AI模型的训练不仅依赖医生标注，还需要完整的临床周期数据。吕乐举例说：“PANDA模型训练过程中，医生不仅要提供病理图片、病理报告、CT影像等多模态数据，还需要手动确认病灶位置，并在增强CT上准确勾勒出来。接着，工程师通过三维图像配准技术，将病灶的三维勾画映射到平扫CT上，最终让AI学会识别早期胰腺肿瘤在平扫CT影像中的表现。”

    这个过程中，只有医生和AI团队密切合作，才能为模型提供高质量的训练数据。吕乐进一步解释，前沿的医疗AI算法团队往往依赖广泛的合作医院提供多样性数据，这对于提高模型的泛化能力至关重要。不同医院的数据为AI模型提供了丰富的病理背景，帮助其更准确地应对各种临床情境。

    然而，由于需要数据量大、涉及部门多、数据分散等问题，数据获取成为目前肿瘤AI研究的主要瓶颈。“获取单一的影像或病理数据并不难，但同时获取同一病人的影像、病理、基因等全模态数据非常难。”李志成说，这不仅需要多个科室密切配合，还需要耗费大量时间。当前肿瘤研究往往分散在不同学科，影像分析由影像科和工程技术人员负责，而基因数据则由分子病理学科或生物信息学人员处理。打破学科间壁垒、整合数据，仍是一个巨大挑战。

    “数据是AI能否在医疗中充分发挥作用的基础‘养料’。”在徐仲煌看来，数据的扩展性、标准化和安全性是医院在布局医疗AI时的关键考量因素。医院在规划AI布局时必须从当下着手，确保数据录入、存档和管理的标准化，提前设计合理的数据管理框架，同时为未来的数据处理预留接口。AI的优势在于其能不断吸收新数据，进行自我优化。这要求医院的数据存储系统具备扩展性，以应对日益增长的多模态数据需求。

    在数据安全方面，徐仲煌认为，医院需建立严格的数据加密和隐私保护机制，确保技术应用在符合法律法规、社会伦理的前提下，为临床诊疗工作提供可靠支持。