AI如何助力重塑腫瘤診療模式

2024全球數字經濟大會上，觀眾參觀用於輔助醫生進行影像診斷的AI醫療設備。陳曉根

一次CT平掃即可助力醫生識別多種癌症，在線平臺幾秒完成個性化醫療資源對接……近年來，人工智慧（AI）技術正全面變革腫瘤診療方方面面。

　　“AI可貫穿腫瘤診療全流程。”中國科學院深圳先進技術研究院生物醫學與健康工程研究所醫學人工智慧研究中心執行主任李志成向科技日報記者介紹，“從影像初診、病灶識別、病人入院，到病理診斷、手術方案可視化等，甚至出院恢復跟蹤，AI的介入是醫生和患者看得見、摸得著的。”

　　幫助腫瘤早期篩查

　　北京美中愛瑞腫瘤醫院院長徐仲煌介紹，很多腫瘤患者確診時已是中晚期，錯過了最佳治療時機。早期篩查能幫助醫生在無症狀或癌前病變階段發現病情，並通過早期干預有效降低發病率和死亡率，AI在腫瘤早篩領域潛力巨大。

　　腫瘤早篩通常依賴一系列非侵入性或微創檢查手段，包括影像學檢查、血液標誌物檢測及分子診斷等。這方面，AI介入已取得突破性進展。李志成認為，在基於影像的深度學習技術加持下，AI在某些腫瘤篩查中的表現甚至超越了人類專家。

　　近兩年，《自然》雜誌等國際期刊多次發表AI助力腫瘤篩查的相關研究。哈佛大學醫學院團隊研發的CHIEF模型不僅能診斷19種癌症，還可以定位腫瘤微環境、引導治療策略及預測生存率。阿裏巴巴達摩院研發的胰腺癌早期檢測模型PANDA，判斷存在病變的準確率高達92.9%。這些成果表明，AI不僅能輔助診斷，還能在精準治療中發揮關鍵作用。

　　相關實踐已顯示出AI在腫瘤篩查中的作用。今年2月，阿裏巴巴“醫療AI多癌早篩公益項目”在浙江麗水市中心醫院等機構部署，將達摩院醫療AI技術創新應用於衛生健康領域。“項目在4個月內篩查超5萬人次，篩查病種包括胰腺癌、食管癌、胃癌、結直腸癌，其中發現的145例癌症病變已被臨床證實。”達摩院醫療AI團隊負責人呂樂解釋，通過結合大量歷史數據和複雜算法，AI能從影像中提取肉眼難以察覺的微小病灶信息。在繁瑣的影像分析任務中，AI還能快速處理大量數據，減輕醫生壓力。

　　徐仲煌説，癌症必須依靠多學科協作才能制定最優治療方案，而AI可助力解決這一過程中專業人員短缺、經濟成本高等問題。

　　呂樂以PANDA為例説，模型相當於匯集了數十位不同專業醫生的知識庫，通過整合影像學資料、基因組學信息、病理學數據等多模態數據，實現跨科室的數據融合。在此基礎上，模型能提取關鍵病灶信息及潛在病理特徵，進而開展跨科室的全方位分析。

　　提高癌症認知水平

　　推動醫學領域的科學認知，是AI助力腫瘤診療的更高維度。

　　李志成團隊已從事腦膠質瘤研究數十年。談及腦膠質瘤診療現狀，李志成説：“我們對這種疾病的科學認知仍然有限，醫生們尚未完全理解腦膠質瘤的發生發展和復發機制，也還沒有找到切實有效的精準治療途徑。”

　　對此，徐仲煌深有同感。“對癌症認知的不足限制了診療手段。面對疑難雜症，臨床上很多時候只能摸著石頭過河。”

　　現有AI診療模型也有局限性。李志成説，許多模型通過大規模標注數據集訓練，尋找圖像特徵與臨床結果之間的相關性。雖然這種方法在準確率上取得了顯著成效，但這種“黑箱式”操作缺乏解釋性依據，導致醫生難以完全信賴AI的診斷結果，因此回歸醫學源頭的認知格外重要。

　　這方面，AI可以發揮的空間很大。“AI能整合影像、病理、基因等多模態數據，提供多尺度綜合分析，幫助我們構建更完整的腫瘤‘畫像’。腫瘤是一個由複雜癌細胞組成的生態系統，對其畫像勾勒得越準確，就越能發現以往忽視的腫瘤行為和潛在治療靶點，為前端治療提供新思路。”李志成説，隨著基因組、蛋白質組等分子層面數據不斷豐富，AI有望突破現有認知瓶頸，助力提升對複雜癌症的科學認知。

　　徐仲煌補充説：“面對陌生腫瘤，如果AI能推動人類對其認知前進，哪怕是一小步，也有可能從根本上為腫瘤診療提供新的方法論指導，真正改變我們應對癌症的方式。”

　　發揮數據“養料”作用

　　要想使AI進一步賦能腫瘤診療全流程，獲取優質、全面、龐大的數據支持十分關鍵。

　　AI模型的訓練不僅依賴醫生標注，還需要完整的臨床週期數據。呂樂舉例説：“PANDA模型訓練過程中，醫生不僅要提供病理圖片、病理報告、CT影像等多模態數據，還需要手動確認病灶位置，並在增強CT上準確勾勒出來。接著，工程師通過三維圖像配準技術，將病灶的三維勾畫映射到平掃CT上，最終讓AI學會識別早期胰腺腫瘤在平掃CT影像中的表現。”

　　這個過程中，只有醫生和AI團隊密切合作，才能為模型提供高質量的訓練數據。呂樂進一步解釋，前沿的醫療AI算法團隊往往依賴廣泛的合作醫院提供多樣性數據，這對於提高模型的泛化能力至關重要。不同醫院的數據為AI模型提供了豐富的病理背景，幫助其更準確地應對各種臨床情境。

　　然而，由於需要數據量大、涉及部門多、數據分散等問題，數據獲取成為目前腫瘤AI研究的主要瓶頸。“獲取單一的影像或病理數據並不難，但同時獲取同一病人的影像、病理、基因等全模態數據非常難。”李志成説，這不僅需要多個科室密切配合，還需要耗費大量時間。當前腫瘤研究往往分散在不同學科，影像分析由影像科和工程技術人員負責，而基因數據則由分子病理學科或生物信息學人員處理。打破學科間壁壘、整合數據，仍是一個巨大挑戰。

　　“數據是AI能否在醫療中充分發揮作用的基礎‘養料’。”在徐仲煌看來，數據的擴展性、標準化和安全性是醫院在佈局醫療AI時的關鍵考量因素。醫院在規劃AI佈局時必須從當下著手，確保數據錄入、存檔和管理的標準化，提前設計合理的數據管理框架，同時為未來的數據處理預留接口。AI的優勢在於其能不斷吸收新數據，進行自我優化。這要求醫院的數據存儲系統具備擴展性，以應對日益增長的多模態數據需求。

　　在數據安全方面，徐仲煌認為，醫院需建立嚴格的數據加密和隱私保護機制，確保技術應用在符合法律法規、社會倫理的前提下，為臨床診療工作提供可靠支持。