▎药明康德编译整顿（起原：the-scientist.com）

“我还能活多久？”这是每个癌症患者脑海中浮现的问题。然而，治疗他们的大夫却无法给出一个明确的谜底。

今朝，大夫们能做的是将患有雷同癌症的患者分为几大类，然后假设他们会对疗法有沟通的回响，而且具有雷同的预后。然而，将患者分类的手段还十分粗拙，好多时候是基于大夫的双眼。

病理学家们平日基于对组织切片的评估来展望患者的预后情形。他们会凭据肿瘤的巨细和特征来判断肿瘤的级别，然而病理学家们有时会显现不合，并且肿瘤的级别并不是总能正确地展望患者的生存期。

图片起原：123RF

“当病理学家剖析病理学图像时，只有60%的时候他们会杀青一致。”斯坦福大学（Stanford University）基因组学和个别化医药中心主任Michael Snyder博士说。在2013年，他的研究团队起头索求人工智能（AI）可否让对癌症预后的展望更为正确。

Snyder博士的研究生将组织学图像和病理学家作出的诊断输入到机械进修算法中，练习它将肺癌和正常组织区分隔来，将两种分歧的肺癌区分隔来。然后，他将与这些图像相关的患者生存数据输入到系统中，练习AI找出生存数据与图像之间的关系。最后，他让机械进修算法剖析从来没有见过的病理图像，然后向人工智能（AI）提出了“我还能活多久？”这个对癌症患者来说至关主要的问题。

他们的研究发现，AI可以经由剖析图像，判断出特定患者的生存时间会比肺癌患者的平均值长照样短。病理学家们仍然难以作出这个看似简洁的判断。这项研究揭橥在Nature Communications杂志上。

受到这一究竟的鼓舞，Snyder博士的团队将肿瘤的转录组（transcriptome）信息也输入到机械进修系统中，将转录组信息与图像信息连系，AI可以更正确地展望患者的生存期，达到了跨越80%的正确率。

和Snyder博士一般，好多另外研究团队也熟悉到了AI在剖析与癌症相关的医学图像和组学数据方面的潜力。固然这些对象还未能进入诊所，然则基于AI的剖析手段不只可以更快地作出更正确的诊断，并且可以找出最适合特定患者的抗癌疗法，甚至展望他们的生存时间。

▲机械进修对肿瘤研究和治疗的影响（图片起原：参考资料[1]）

输入：图像，输出：诊断

尽早诊断癌症和起头治疗是提高患者生存的要害。以宫颈癌为例，早期诊断可以将患者的5年生存率提高到90%以上。大夫能够经由分歧手段将癌前病变消灭，然而一旦癌症发生转移，5年生存期率会下降到56%以下。

在蓬勃国度，妇女平日按期接管巴氏涂片（Pap smears）筛查来发现非常宫颈细胞的存在。而在成长中国度，这类筛查仍然非常罕有。另一种更为简略的检测使用醋酸冲刷宫颈外观，然后视察宫颈中的白..域，这或者是癌症的前兆。然而，“这种检测非常禁绝确。”美国国度癌症研究所（National Cancer Institute， NCI）的风行病学家Mark Schiffman博士说。这导致有的健康妇女会接管不需要的治疗，并且另外携带癌前病变的妇女却没有接管治疗。

▲Mark Schiffman博士（图片起原：NCI官网）

Schiffman博士和另外研究团队一向在寻找一种让醋酸筛查更为正确的方式。他的研究团队储蓄了成千上万张宫颈照片，然而，对图片的剖析却不克发生一种正确靠得住的诊断方式。

在他濒临抛却的时候，比尔及梅琳达盖茨基金会（Bill & Melinda Gates Foundation）旗下的非营利机构向他伸出了施舍之手。这家机构想使用机械进修来处理Schiffman博士收集的图像，看看较量机可否做出大夫无法作出的诊断。

于是Schiffman博士和他们合作，使用一种称为卷积神经收集（convolutional neural network）的机械进修手段来剖析宫颈照片。这一算法的目的是发现图像中匡助作出准确诊断的特征。

研究团队输入机械进修系统的数据库包罗从9000名妇女中获得的宫颈图像，以及这些妇女接管更精准筛查检测的究竟，和长达18年与癌前病变和癌症诊断相关的随访信息。他们用数据库中70%的信息来练习机械进修模型，然后使用剩下30%数据中的图像来检测AI的示意。

▲主动评估宫颈照片的AI算法构架（图片起原：参考资料[4]）

Schiffman博士不敢相信实验的究竟！机械进修可以以91%的正确率将健康组织、癌前病变和癌症区分隔来，而大夫诊断的正确率只有69%。

基于这项研究，Schiffman博士进展可以斥地出一种经济轻便的筛查方式，使用智妙手机的拍照机，与基于机械进修的图像剖析连系，早期筛查宫颈癌。

斯坦福大学的研究团队也在行使智妙手机的拍照机来诊断皮肤病变。他们构建了由13万张皮肤病变图像组成的数据库，然后练习卷积神经收集来区分良性肿块和3种分歧的恶性皮肤病变。机械进修系统达到了91%的正确率，它的示意跨越了大多数搜检同样图片的皮肤科大夫。

输入：图像和组学数据，输出：生存展望

Snyder博士团队的研究已经表明，使用组学数据和图像数据相连系，可以进一步提高对肺癌患者生存期的判断。在他们进行的研究中，AI对转录组和卵白质组学数据的剖析发现了15个基因的表达水平可以以80%的正确性展望肿瘤的级别。这些基因在DNA复制，细胞周期调控，p53旌旗通路等和癌症生物学相关的生理过程中起到主要感化。

▲AI整合组学数据和图片信息，展望癌症患者生存期（图片起原：参考资料[3]）

受到Snyder博士团队研究的开导，纽约大学医学院的研究团队索求了肺癌图像和肺癌基因特征之间的关系。在经由1634张健康或肺癌组织切片的练习后，机械进修系统可以以97%的正确率将腺癌和鳞状细胞癌区别开。然后，研究团队将肺腺癌中10种最常见的基因突变数据输入到算法系统中。经由练习，较量机系统可以以73%-86%的正确率，经由剖析病理学图像来展望6种基因突变的存在。

这项研究表明，AI不只可以匡助进行癌症的诊断，并且可以匡助大夫们发现癌症的特定遗传特征，从而指导对患者的治疗选择。

输入：组学数据，输出：癌症进化

即使没有图像，组学数据自己也可以为癌症治疗供应洞见。例如，英国癌症研究所（Institute of Cancer Research, ICR）的研究人员在行使机械进修剖析基因组学数据，懂得癌症的进化过程。一个肿瘤平日包罗从原始癌细胞中发生的多个细胞谱系。想要有效治疗癌症，很主要的一点是懂得肿瘤的异质性和肿瘤进化的体式。若是疗法只对肿瘤的一部门有效，那么癌症会复发。

经由对肿瘤的分歧部位采样，研究人员可以揣摩出癌症的进化路径。而分歧患者的肿瘤，平日具有不同很大的进化树，尽量他们患上同样一种癌症。ICR的研究人员认为，若是他们可以发现癌症进化的配合路径，肿瘤学家就能够使用这些信息将患者分组，他们或者会有雷同的疾病进展，或许对药物的回响沟通。

研究人员使用了一种称为迁徙进修（transfer learning）的机械进修系统来寻找分歧患者肿瘤的配合进化树。这种算法同时对所有患者基因组的进化树进行剖析，分享从分歧进化树中获得的信息，然后找出一种与整个患者群体相符的解决方案。

▲AI找寻分歧患者肿瘤的配合进化途径（图片起原：参考资料[5]）

作为第一步检测，研究人员设计了一小我工构建的“假”进化树，然后把相关的基因组信息输入到机械进修系统中，不出所料，AI输出了与研究人员构建的进化树一般的癌症进化信息。

然后，研究人员用一个常见的癌症进化树来磨练AI的示意。在结直肠癌中，良性腺瘤以特定的顺序储蓄癌症驱动基因的突变，例如：先是APC基因显现突变，然后是KRAS，然后是PIK3CA。研究人员将9个良性腺瘤和10个恶性肿瘤的基因组信息输入给AI，它也可以描画出从良性腺瘤向恶性肿瘤改变的准确进化树。

最后，研究人员让AI剖析进化路径尚不明确的肿瘤样本。实验究竟表明，AI凭据99名非小细胞肺癌患者的基因组信息，将他们分为10个小组，个中有的小组患者生存期小于150天，而另外小组的患者生存期显著耽误。这意味着这些分组具有展望预后究竟的价格。这一算法同时还将50名乳腺癌患者分为分歧小组，每个小组的患者生存期纷歧。“我们没有估计会显现分组，”这项研究的负责人，ICR进化和癌症中心的Andrea Sottoriva博士说：“这些究竟表明，癌症的进化途径是能够展望的。”ICR比来启动了一项药物研发项目，专门针对癌症进化斥地抗癌疗法。

药物斥地依靠的是能够展望的纪律，AI是一种匡助发现具有临床意义的纪律的有力对象。今朝，AI在癌症研究中的应用还方才起头，能够预见，未来的AI不只会整合组学数据和图像信息，还将整合另外类型的数据，包罗治疗究竟、疾病进展状况，和另外科学家们可以获取的信息。

“癌症是一种复杂的疾病，”Snyder博士说：“我们需要综合所有的信息来打败它！”

参考资料：

[1] AI Uses Images and Omics to Decode Cancer. Retrieved May 22, 2019, from https://www.the-scientist.com/features/ai-uses-images-and-omics-to-decode-cancer-65732

[2] Yu et al, (2017). Association of Omics Features with Histopathology Patterns in Lung Adenocarcinoma. Cell System, https://doi.org/10.1016/j.cels.2017.10.014

[3] Yu et al, (2016). Predicting non-small cell lung cancer prognosis by fully automated microscopic pathology image features. Nature Communications, https://doi.org/10.1038/ncomms12474

[4] Hu et al, (2019). An Observational Study of Deep Learning and Automated Evaluation of Cervical Images for Cancer Screening. JNCI: Journal of the National Cancer Institute, https://doi.org/10.1093/jnci/djy225

[5] Caravagna et al, (2018). Detecting repeated cancer evolution from multiregion tumor sequencing data. Nature Methods, https://doi.org/10.1038/s41592-018-0108-x

本文来自药明康德微信团队，迎接转发到同伙圈，回绝转载到其他..；若有开设白名单需求，请在文章底部留言；若有其他合作需求，请关联wuxi_media@wuxiapptec.com