人工智能改善消化道癌症诊断但数据共享障碍依然存在
人工智能正在帮助更早、更好地诊断消化道癌症，但广泛的临床应用仍然面临许多挑战，尤其是医院之间的医学影像数据共享有限，以及人工智能医学影像协议缺乏标准化，一组研究人员在对该技术最近在这些最致命的癌症中的应用进行全面调查后得出结论。
一篇描述他们发现的论文发表在 2 月 6 日的健康数据科学杂志上。
消化系统肿瘤是全球癌症死亡的主要原因，五年生存率低于 20%。七种最致命的癌症中有五种是这些消化系统肿瘤或肿瘤的产物，正如医生对肿瘤的描述：食道癌、胃癌、结直肠癌、原发性肝癌和胰腺癌。
近几十年来，消化系统肿瘤 (DSN) 的临床治疗有所改善，但 DSN 患者的预后仍然很差。这部分是由于这些癌症的侵袭性，但也可能是由于在实现早期诊断和准确治疗反应方面存在挑战。
“如果能更早地做出更好的诊断，那么这应该会改善预后，”北京航空航天大学精准医学大数据重点实验室的人工智能专家、该论文的合著者田杰说。
基于组织的肿瘤基因组学和蛋白质组学评估在诊断方面提供了巨大的希望。这些新技术可以对肿瘤组织样本中细胞产生的全基因组和全系列蛋白质进行测序。但也受到肿瘤组织的一小部分永远不能代表整个肿瘤这一事实的内在限制。
计算机断层扫描 (CT)、磁共振成像 (MRI) 和正电子发射断层扫描 (PET) 等医学成像原则上可以提供互补但更全面的肿瘤表征。这些医学成像技术经常用作术前诊断和治疗反应评估的临床常规的一部分。
但是，对有助于诊断的肿瘤临床特征的评估既是一门定性艺术，也是一门定量科学，不同的放射科医师在执行成像时存在很大差异。这种对医学图像的评估也非常耗时费力。
然而，人工智能 (AI) 算法可以自动从医学图像中挖掘特定的成像特征，这可以将复杂的过程自动化，而不是作为对临床医生的帮助，并减少他们的工作量。
更好的是，正如医学以外的许多领域所证明的那样，人工智能可以挖掘肉眼或人类根本无法检测到的成像特征和模式。
“因此，除了这些令人惊叹的新基因组和蛋白质组测序技术以及传统医学成像之外，在过去十年中，还进行了大量研究和实验，探讨人工智能是否不仅可以帮助实现早期诊断的目标，”田教授继续说道，“但要产生更适合患者、针对他们整个肿瘤的诊断——我们称之为精准医学。”
该小组希望调查使用 AI 系统协助 DSN 诊断的研究状况，以及迄今为止的实验工作如何在四种最常见的消化系统癌症中发挥作用。他们的论文概述了此类研究的进展情况，并列出了尚未克服的挑战。
他们指出，DSN 医学成像有两种主要的 AI 方法：放射组学和深度学习。第一个涉及人工智能，它使用数据表征算法从图像中提取成像特征。这涉及图像的分割，或将图像的不同部分详细“分块”为不同的部分。图像中的哪个像素是肿瘤的一部分，哪个是其他东西?借助放射组学，放射科医生通常会手动标记不同的部分，以训练 AI 理解这些部分并对其进行分类。
该论文的另一位作者、北京航空航天大学副教授张帅通说：“这种人工分割再次是劳动密集型的，因此与人工评估医学图像相比，工作量几乎没有减少。”
“而且它还再次引入了放射科医生与放射科医生之间的差异。”
然而，通过深度学习这种更复杂的 AI 形式，系统只需要对肿瘤区域进行非常粗略的分割，就可以进行自我训练并自动生成自己的分割标签。
放射组学和深度学习都在很大程度上依赖于来自许多医院的大型、注释良好的数据集，以建立一个强大的肿瘤内部模型，然后可以将其推广到任何患者。
这是第一个重大挑战出现的地方。此类医学图像的采集和参数化实践在不同医院之间存在很大差异，影响了任何 AI 模型的稳健性和普遍性。此外，DSNs的医学图像数量众多，注释良好的图像数据有限。
然而，研究人员得出结论，有多种方法可以缓解这个问题，包括图像重采样;图像的旋转、翻转和移动;仔细模糊图像以减少图像噪声。此外，人工智能医学成像协议的标准化应该能够提高可重复性和可比性。
此外，高质量的数据集通常不公开，这会阻碍不同人工智能模型的验证和比较。
“更慷慨的数据共享对于强大且临床适用的人工智能模型至关重要，”张博士说。
目前，大多数已发表的关于使用 AI 进行 DSN 评估的研究仍然停留在劳动密集型和耗时的放射组学实践领域，而不是深度学习领域。目前深度学习的绊脚石很可能是由于肿瘤的复杂性。
两种形式的 AI 诊断辅助确实在所考虑的四种癌症中显示出相当大的好处，比单独进行医学成像的人类评估表现更好，并且能够更好地识别需要强化治疗的高危患者。但放射组学的劳动强度可能会阻碍其广泛应用。
最后一个挑战与临床医生需要能够解释 AI 的内部模型所表达的内容有关。对于深度学习模型尤其如此，AI 识别的内容及其原因仍然是某种“黑匣子”。因此，在应用于临床实践之前，研究人员建议，与研究人员在调查论文中考虑的主要是小型试验相比，在许多医院的参与者人数要多得多的试验中验证 AI 辅助 DSN 诊断。
就他们自己而言，该团队现在的目标是开发他们自己的专用于食管癌的 AI 模型，但临床医生可以直接解释该模型。
版权声明：本文由用户上传，如有侵权请联系删除！