根據(jù)《今日藥物發(fā)現(xiàn)》上發(fā)表的一篇評(píng)論，人工智能及其各種應(yīng)用正在重新定義科學(xué)家進(jìn)行癌癥研究的方式。

印度孟買Shobhaben Pratapbhai Patel藥房和技術(shù)管理學(xué)院的作者Vaishali Y. Londhe和Bhavya Bhasin在論文中說，腫瘤及其所需的治療方法本質(zhì)上是復(fù)雜的，但人工智能正在改變腫瘤學(xué)家的研究方式。癌癥管理。

他們寫道：“癌癥的獨(dú)特性使得其進(jìn)展和早期診斷的繪圖變得困難。” “深度學(xué)習(xí)已成功應(yīng)用于以前難以理解的領(lǐng)域，并為癌癥治療設(shè)定了新的標(biāo)準(zhǔn)。”

隆德（Londhe）和巴辛（Bhasin）認(rèn)為AI在腫瘤學(xué)領(lǐng)域發(fā)揮著最大作用的五個(gè)領(lǐng)域是：

1.診斷轉(zhuǎn)移

Londhe和Bhasin說，診斷皮膚癌通常涉及臨床篩查和皮膚鏡分析，然后進(jìn)行活檢和組織病理學(xué)分析，但是AI的最新進(jìn)展為減少耗時(shí)的方法鋪平了道路。Esteva等人進(jìn)行的2017年研究。并在《自然》雜志上發(fā)表，使用129，450張皮膚癌的臨床圖像來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）以識(shí)別和分類癌癥，而AI最終能夠檢測(cè)到惡性腫瘤以及皮膚科醫(yī)生。

俄勒岡州立大學(xué)的另一組研究人員使用深度學(xué)習(xí)從基因表達(dá)數(shù)據(jù)中提取信息，從而幫助他們對(duì)不同類型的乳腺癌細(xì)胞進(jìn)行分類，從而揭示了用于乳腺癌檢測(cè)的新生物標(biāo)記。

2.分割腫瘤

分析腫瘤體積是診斷后立即在癌癥治療中采取的步驟，但是放射科醫(yī)生使用的傳統(tǒng)方法（即實(shí)體腫瘤的反應(yīng)評(píng)估標(biāo)準(zhǔn)或RECIST）進(jìn)展緩慢，且可降低近50%。

科學(xué)家已經(jīng)使用CNN來更精確地分割腦腫瘤，肝腫瘤和視神經(jīng)膠質(zhì)瘤。在肝癌研究中，一個(gè)團(tuán)隊(duì)使用CNN對(duì)后續(xù)CT中的肝腫瘤進(jìn)行分割，將基線CT掃描輸入，對(duì)CT掃描進(jìn)行描繪并在CNN中進(jìn)行后續(xù)掃描以實(shí)現(xiàn)自動(dòng)分割。

Londhe和Bhasin寫道：“與半自動(dòng)方法相比，CNN的主要優(yōu)勢(shì)在于，由于能夠自動(dòng)識(shí)別特征，因此無需手工定制特征。”

3.應(yīng)用精確組織學(xué)

這組作者說，組織形態(tài)學(xué)已經(jīng)被精確的組織學(xué)（一種深度學(xué)習(xí)）“革命”了。多年來，病理學(xué)和診斷一直依賴于對(duì)H&E染色載玻片的準(zhǔn)確解釋（這種解釋可能緩慢且不可靠），而深度神經(jīng)網(wǎng)絡(luò)（DNN）則采用了可以加快這一過程的算法。DNN已被用于分析皮膚病變，其準(zhǔn)確性與皮膚科醫(yī)生相似，將圖像解構(gòu)為像素并將其聚集以形成可再現(xiàn)的特征，從而產(chǎn)生某種診斷模式。

Londhe和Bhasin說：“由于高通量全幻燈片掃描技術(shù)的發(fā)展，DNN很快將能夠基于H&E幻燈片進(jìn)行更準(zhǔn)確的分析。” “這還將導(dǎo)致開發(fā)新的生物數(shù)據(jù)庫，這將進(jìn)一步幫助精準(zhǔn)腫瘤學(xué)。”

4.追蹤腫瘤的發(fā)展

深度學(xué)習(xí)也已應(yīng)用于跟蹤腫瘤的發(fā)展。德國弗勞恩霍夫醫(yī)學(xué)影像計(jì)算研究所的研究人員開發(fā)了一種深度學(xué)習(xí)模型，該模型可以自我更新，并且在讀取更多CT和MRI時(shí)會(huì)變得更加準(zhǔn)確，該軟件還可以輕松進(jìn)行圖像比較，以跟蹤患者在診所就診之間的腫瘤發(fā)展情況。

Londhe和Bhasin寫道，這種方法對(duì)檢測(cè)骨骼，肋骨和脊柱的癌癥最有幫助，因?yàn)橛捎跁r(shí)間限制，這些腫瘤經(jīng)常被忽略。

5.評(píng)估癌癥的階段

分析患者的癌癥分期對(duì)于預(yù)后至關(guān)重要，但作者說，常規(guī)評(píng)估過程“與各種局限性有關(guān)”。作為替代方案，研究人員開發(fā)了一種預(yù)測(cè)模型，該模型使用深度學(xué)習(xí)來預(yù)測(cè)接受胃切除術(shù)的患者的存活率。

Londhe和Bhasin寫道：“與基于常規(guī)Cox回歸的預(yù)測(cè)相比，基于深度學(xué)習(xí)的預(yù)后檢測(cè)具有更高的預(yù)測(cè)能力。” “它表明深度學(xué)習(xí)可以提供更加個(gè)性化和精確的基于風(fēng)險(xiǎn)的分層。”