当前位置：首页 > 人工智能 > 人工智能监测癌症突变（2023年新整理）

人工智能监测癌症突变（2023年新整理）

msyvps1年前 (2023-03-30)人工智能

什么是PanTum Detect 泛肿瘤人工智能检测技术？

据世界卫生组织报道，人体共有122种癌症。癌症的形成，是从轻度病变开始，逐渐发展演变中度病变、重度病变、原位癌、早期癌，直至晚期癌症。

目前，大多数癌筛检测技术只能检测局部癌症，而且须在癌症形成以后，对其释放的特定肿瘤标志物进行检测。

由于癌前病变阶段，几乎没有肿瘤标志物，因此，无法检测癌前病变。

原位癌和早期癌阶段，只有极少量的肿瘤特异性标志物释放到血液中，难以检测出来。

等到癌症发展到中、晚期，才有足够量的肿瘤标志物释放到血液中，各种检测技术才可能发挥作用。

这种被动等待癌症形成后，再滞后检测肿瘤标志物的方法，被称为“被动检测方法学”。

今天，德国PanTum泛肿瘤人工智能检测技术在检测方法学和检测标志物两方面均取得了历史性突破。

PanTum检测方法学的突破：是人类首次借助人体免疫系统巨噬细胞高精度的“侦察”功能和主动吞噬功能，通过检测巨噬细胞主动吞噬的肿瘤标志物样本，实现了在肿瘤形成发展各个阶段高灵敏度的检测。

由于巨噬细胞是免疫系统抗原递呈细胞，具有三大特性，以致PanTum检测技术完全颠覆了“被动检测方法学”：

1.巨噬细胞在癌前病变阶段就能主动吞噬病变组织的相关标志物，超前完成样本富集，因此，PanTum检测技术可量化检测癌前病变阶段的病变水平。

2.巨噬细胞能够到达全身所有病变组织，因此，PanTum检测技术可一次检测全身所有肿瘤和病变组织。

3.巨噬细胞具有极高的灵敏度，因此，PanTum检测技术灵敏度高达97.5%。

PanTum检测标志物的突破：上世纪九十年代德国癌症研究中心Coy研究员与其导师Zur Hausen教授，在进行X染色体基因组测序工作过程中发现并验证了Apo10和TKTL1与所有肿瘤的恶性程度呈正相关，由此诞生了人体所有肿瘤共性标志物。

Apo10是DNaseX的一段抗原表位，DNaseX在细胞凋亡过程中起关键作用。肿瘤细胞中其活性受到抑制，但大量表达并在肿瘤细胞中积累，可作为肿瘤细胞或凋亡受阻细胞的标志物。Apo10检测值增高预示肿瘤或增殖性疾病的形成。

TKTL1主要调节糖酵解代谢途径，在恶性肿瘤细胞中呈现高表达，与肿瘤的侵袭、转移以及预后有密切关系。TKTL1检测值增高预示肿瘤恶性程度的增高。

德国Duale Medizin医院基于PanTum检测技术的多年应用，创立了《肿瘤病变程度AP-T分级标准》，该标准将组织病变程度的极高可能性，用Apo10与TKTL1相加之和得到的AP-T数值进行量化表达，在实际应用中，医生需要对Apo10、TKTL1、AP-T数值进行综合分析，并结合其他检测、检查技术进行综合评估。

PanTum检测技术已取得欧盟CE认证。2019年进入中国香港，2020年在广州中山大学附属肿瘤医院、北京医院等多家医疗机构开展临床应用研究，即将在中国广泛应用。

德国PanTum检测技术完全突破当今局部、滞后的癌筛检测技术，不仅能够一次检测全身所有122种癌症，同时能够对癌前病变水平进行量化检测，为全面监测肿瘤和主动预防癌症提供了关键技术保障。

人工智能竟能预测癌症起源，癌症诊疗新纪元就此开启？

说到人工智能（AI），相信大家一定很熟悉吧。

随着科技的发展，人工智能已经运用到了我们生活的方方面面。

作为一种新兴的颠覆性技术，AI在手机、人脸识别、围棋等领域都有造诣。

但是，大家知道AI在医疗领域也有涉猎吗？

一直以来，“AI+医疗”都是科学家们研究的重点。

它不仅可以减轻医疗的负担，同时也可以减少误诊漏诊的发生。

那么接下来让我们去看看，AI在医疗领域的运用如何。

人工智能和癌症

1 原发不明癌症：找不到原发点的癌症

原发不明癌症（CUP，Cancer of unknown primary）即肿瘤起源的原发性位点并不能确定。

在现代精准医疗诊疗体系中，有一类患者在就医时其肿瘤组织已经发生转移，且通过现有的检测方法无法找到其肿瘤组织的原发灶，从而无法对其进行标准化治疗，这部分患者生存期短，生存率低，我们称其为“原发不明癌症”患者。

2 用人工智能寻找肿瘤起源

2021年5月5日，哈佛医学院 Faisal Mahmood 团队在《Nature》发表的研究报告中显示，科学家们开发出了一种人工智能（AI）系统，能利用常规获得的组织学切片来准确寻找转移性肿瘤的起源，同时还能产生一种“鉴别诊断”策略，用于对原发性不明癌症患者进行诊断。[1]

用TOAD算法

寻找癌症

人工智能（AI）尤其是深度学习（DL）能够大批量地处理高维数据，在哈佛医学院的研究中，AI就能够利用患者组织学切片来寻找转移性肿瘤的起源，同时还能针对原发不明原因的癌症患者产生一种鉴别诊断策略。

这种基于深度学习的算法被称之为TOAD算法，能同时识别肿瘤到底是原发性的还是转移性的，还能预测其起源的位点。

研究人员利用约2.2万个肿瘤病理学切片来训练该模型，随后在6500个已知的原发病例中检测TOAD算法，并分析越来越复杂的转移性癌症病例，以此来建立针对原发不明癌症的AI模型。

对于已知原发性起源的肿瘤而言，该模型能准确地在83%的时间里正确识别癌症，并在96%的时间里将诊断列入前三名的预测结果中。

然后，研究团队在317个原发灶不明癌症中测试了该AI模型，结果发现该AI模型的诊断与病理学家的一致率为63%，前三名诊断一致率为82％。

AI+医疗

未来的路还很长

AI医疗在未来的

3大发展优势

癌症诊断：

减少诊断“假阳性”

在诊断方面，传统方式是通过计算机辅助检测系统（CAD）进行诊断，这需要专家对数据进行预处理和筛选，以及手工定义诊断规则和相关图像特征，由于过分依赖专家预先设定的标准参数进行诊断，所以容易出现假阳性的情况。

而AI深度学习算法则可以依靠海量数据自主学习专家的诊断方法，独立自主地处理图像并对疾病进行诊断。

自动提取图像特征：

发现肉眼难以观察到的改变

因为专家在常规阅片时，难以识别如此之多的定量资料，而AI能够同时处理大规模定量资料并建立相关性，并且每一次分析具有可重复性。

例如，肺部的良、恶性结节相似度高，难以肉眼准确区分。

AI能够自动提取影像学生物标志物特征，检测出人眼难以发现的微小结节，同时降低假阳性，进而对肺部结节进行鉴别，并将肿瘤风险评估、鉴别诊断、预后预测及治疗疗效相联系。

肿瘤监测及治疗疗效预测：

辅助专家实时监测肿瘤

在肿瘤治疗疗效的监测中，肿瘤体积的变化是重要的评价指标。当肿瘤体积明显缩小时，肉眼可以识别，但如果只是肿瘤质地改变、瘤内异质性改变时，肉眼难以识别。

AI则可以通过处理治疗不同时间节点的MRI/CT图像，学习并提取相应肿瘤质地及异质性改变特征，准确识别肿瘤改变的区域，并给出肿瘤内部变化的热点图，进而辅助临床专家对治疗疗效进行判定。[2]

AI医疗未来3大难点

数据可及性：

缺少数据支撑

可靠的AI模型需大量高质量训练数据支撑，但很多医院或研究机构出于研究保密或患者隐私保护，很难实现数据共享，数据的“孤岛现象”是困扰AI临床应用的关键问题。

模型泛化性：

数据无法通用

泛化性指模型对未训练数据的预测能力，即A医院数据获得的模型在B医院预测的准确性。

模型的泛化性主要受限于数据本身的一致性和数据标签注释的主观性。

不同的拍照设备、光照条件和个体间差异将影响图像数据的一致性，不同的检验仪器、检验试剂也对临床数据影响较大。

结果可解释性：

无法显示参数运算过程

AI尤其是DL因为其内部决策过程被成千上万的训练参数所掩盖，所以实践中AI算法的权重和特征通常是不可解释的，因此，临床医师很难充分把握模型的工作过程和具体影响因素。[3]

当然，以上研究结果只是使用全切片图像来进行人工智能辅助的癌症起源预测的第一步，目前AI在肿瘤领域的应用尚处于初步探索阶段。

相信将来会有越来越多的AI医疗数据来建立算法，同时随着AI在不同疾病上的应用经验积累，我们期待AI在诊断水平上会有更大的提升，未来或有望让诊断过程标准化并改善当前的癌症诊断策略。

参考文献：

[1]

[2]袁紫旭, 徐挺洋, 姚建华,等. 人工智能在恶性肿瘤诊治中的应用[J]. 中华实验外科杂志, 2019, 36(2):203-207.

[3]Zhu W, Xie L, Han J, et al. The Application of Deep Learning in Cancer Prognosis Prediction[J]. Cancers (Basel), 2020, 12(3): 603. DOI:10.3390/cancers12030603

综述 | 人工智能在胃肠疾病和肝病中的应用

Catherine Le Berre 等

摘要：自2010年以来，人工智能（A I）在医学上的应用取得了实质性进展。人工智能在胃肠病学中的应用包括内镜下病变分析，癌症检测，分析无线胶囊内镜检查中的炎性病变或消化道出血。人工智能还被用于评估肝纤维化，区分胰腺癌患者与胰腺炎患者。人工智能也可以根据多组学数据确定病人的预后或预测他们对治疗的反应。本文综述了人工智能帮助医生做出诊断或确定预后的方法，并讨论其局限性，了解在卫生当局批准人工智能技术之前需要进一步的随机对照研究。

关键词：深度学习；机器学习；神经网络；消化系统

人工智能没有一个单一的定义，人工智能的概念包含了执行与我们人类智能相关联的功能的程序，比如学习和探索解决问题[1,2]。人工智能、机器学习和深度学习是概念上相互交叉的学科（见图1）。机器学习是一个包括了计算机科学和统计学的广阔学科，机器学习程序重复迭代以应对提高特定任务的性能，产生了分析数据和学习描述和预测模型的算法。供训练的数据大多以表格形式组织，其中对象或个人为行，而变量，无论是数值型还是分类型都是列。机器学习大致可分为监督方法和无监督方法，无监督学习的目的是在不掌握群体的数量或特性的先验知识的前提下，根据数据的共性识别群体。有监督学习在训练数据包含每一个对象的输入—输出对的表征的使用。输入包含个体的特征描述，输出包含要预测的感兴趣的结果，要么是分类任务的类，要么是回归任务的数值。有监督的机器学习算法学习这种输入和输出对的映射关系，在新的输出出现时，自动预测它对应的输出[3]。

人工神经网络（ANN）是受大脑神经解剖学启发的监督ML模型。每个神经元都是一个计算单元，所有神经元相互连接，建立整个网络。信号从第一层（输入）传到至最后一层（输出），可能经过了多个隐含层（见图2）。训练神经网络的过程包括将数据划分为一个训练集，该训练集有助于定义网络的体系结构，并找出节点之间的各种权重，然后是一个测试集，用于评估神经网络预测所需输出的能力。在训练过程中，神经网络内部神经元之间的连接权重被不断优化。对更好性能的不断追求导致了复杂的深度神经网络的诞生[4]。

大多数研究使用1个数据集训练机器学习过程，另一个独立数据集测试其性能。一些研究使用常见的验证方法，例如留一法交叉验证[8]。为增加训练数据，一些研究采用了随即裁剪、调整大小、平移、沿任一轴翻转的数据增强方法。数据集包括了阴性和阳性图像的结果。

目前已经有53项研究使用了AI来检测恶性和癌前肠道病变（表1）。从方法学上看，其中大部分（48项）集中在内镜上，3项研究使用了提取自电子病历的临床和生物学数据（主要包括人口统计数据、心血管疾病、用药情况、消化症状和血液计数情况），1项研究基于血清肿瘤标志物，1项使用肠道微生物群数据。从部位上看，其中，27项研究致力于提高结直肠息肉或癌症的诊断准确性[12-38].19项研究聚焦于诊断上消化道癌前或恶性病变[39-57]。只有4项研究局限于小肠研究[58-61]。3项研究关注了整个消化道[62-64]。从验证方法上看，其中，24项研究采用特殊的验证方法，主要是K折交叉验证。对于以内镜为重点的研究，训练和测试数据集的大小在不同的研究中差异很大。各项研究的性能表现也是差异巨大的（个人认为主要取决于数据集），但大多数算法的精度达到80%以上。

两项已发表的随机对照实验比较了智能与非智能内镜的性能。第一项研究测试了一种实时深度学习系统（WISENSE）的性能，监测食管胃十二指肠镜检查（EGD）中的盲点。一共324名患者被随机分配到有或者没有WISENSE系统的EGD中。在WISENSE组中，准确度达到了90.4%，其盲点率明显比对照组低（5.9% vs 22.5%）[65]。第二项研究探讨了基于DL的自动息肉检测系统在结肠镜检查中的作用，一共1058名患者被随机分配到有或者没有智能辅助系统的诊断性结肠镜检查中。人工智能系统将腺瘤检出率从20.3%显著提高到29.1%，平均每个病人检出的腺瘤数目从0.31增加到0.53[66]。这些结果表明，人工智能系统可用于提高内镜对胃肠道癌前病变的诊断价值。

除了提高诊断准确性外，人工智能还可以帮助医生确定消化道肿瘤患者的预后。一个基于1219例结直肠癌患者的数据集建立的神经网络与传统的COX回归模型相比，提供了更精确的生存时间和影响因素的确定[67]，并可用于确定患者远处转移的风险[68]。采用人工神经网络模型对452例胃癌患者进行评估，并以大约90%的准确率确定生存时间[69]。在一项对117例II A期结肠癌根治术后患者的研究中，一种基于神经网络的评分系统，根据肿瘤的分子特征，将肿瘤术后患者分为高、中、低危三组，三组患者十年总体生存率和无病生存率差异显著[70]。深度学习预测局部晚期直肠癌患者对新辅助化疗有完全反应的准确率达80%，这项技术可能被用来识别最有可能从保守治疗或根治性切除中受益的患者[71]。另外，一个基于DL的模型可以根据临床、病理数据及治疗方案，预测1190例胃癌患者5年的生存期。该系统的AUC值为0.92，并确定了肿瘤的分子特征与最佳辅助治疗之间的关系[72]。

AI已经被用于识别炎症性肠病（IBDs）（N=6）[73-78]，溃疡（N=6）[79-84]，脂泻病（N=5）[85-89]，淋巴管扩张（N=1）[90]，和钩虫病（N=1）[91]，两项研究评估了炎性病变患者的内镜检查结果[92,93]。两项研究使用电子病历来确定患者患腹腔疾病的风险，1项研究使用遗传因素来确定患者患IBD的风险。三分之二（21项中的14项）的研究使用K折交叉验证，以避免数据的过度拟合，这21项中有12项研究的患者的患者准确率约为90%。

许多研究已经验证了AI预测IBD患者治疗反应的能力。Waljee等人利用年龄和实验室数据研发了一种机器学习方法，这种方法的成本较低，且比6-硫鸟嘌呤核苷酸（6-TGN）代谢物测定更准确地预测患者对噻嘌呤的临床反应（AUC 0.86 vs 0.60）[94]。然后，他们根据生物标志物、影像学数据和内镜检查结果，改进了之前的ML模型，以预测接受硫嘌呤治疗的患者的客观缓解。该ML模型优于6-TGN水平的测量（AUC 0.79 vs 0.49）[95]。一种ML模型分析了韦多利单抗治疗溃疡性结肠炎患者的三期临床试验数据，与第6周AUC为0.71的粪便钙保护水平相比。AI能够预测哪些患者将在第52周时在无皮质类固醇的前提下实现内镜下缓解，预测性能的AUC值为0.73。因此，韦多利单抗在前6周的益处不明显时，该算法可用于选择患者继续使用韦多利单抗[96]。另外，还有一种人工智能算法，它将微生物群的数据与临床数据结合起来，确定了IBD患者的临床反应，其预测患者抗整合治疗的AUC为0.78[97]。一种神经网络鉴定溃疡性结肠炎患者在细胞置换治疗后，需要进一步手术的敏感性和特异性分别达到了0.96和0.87[98]。

预测IBD发病或进展的人工智能系统也正在研发中。一种分析克罗恩病患者早期活检图像的神经网络在识别疾病进展的准确性达到了83.3%，预测患者需要手术的准确度达到了86.0%[99]。Waljee等人建立一种ML方法分析电子病历数据，预测6个月内IBD相关的住院和门诊病人使用类固醇的AUC值达到了0.87[100]。人工神经网络预测IBD患者临床复发的频率，具有较高的准确性[101]。

十二项研究已经被用于验证AI在无限胶囊内镜图像中检测小肠出血的能力（表3）[55，102-112]。12项中的8项研究采用特殊的验证技术，主要是K折交叉验证。在这些研究中，9项研究识别小肠出血的准确率超过了90%。

对于急性上消化道出血或下消化道出血的患者，可通过内镜检查轻松确定出血原因，然而，很大一部分病人有反复出血的情况，这需要重复内镜检查和治疗。因此，ML模型被开发以确定有复发性出血风险的患者和最有可能需要治疗的患者，并估计死亡率。这些模型使用临床和/或生物数据，并以大约90%的准确率识别这些患者[113-117]。一种建立在22854名胃溃疡患者的回顾性分析和1265名用于验证的患者基础上的ML模型，能够根据患者的年龄、血红蛋白水平、胃溃疡、胃肠道疾病、恶性肿瘤和感染来确定复发性溃疡出血的患者。模型确定1年内复发性溃疡出血的患者，AUC为0.78，准确率为84.3%。

22项研究测试了AI在辅助胰腺疾病或肝脏疾病诊疗中的能力（表4）。其中关于胰腺癌的AI系统有6项，其中5项研究基于内镜超声[118-122]、1项基于血清标记物[123]。这些研究识别胰腺癌患者的AUC约为90%。16项关于肝脏的研究中7项研究旨在检测与病毒性肝炎相关的纤维化[124-130]，6项开发了人工智能策略检测非酒精性脂肪肝[131-136]。2项研究识别食管静脉曲张[137,138]。1项评估患者不明原因的慢性肝病[139]。其中，13项研究使用电子病历和、或生物特征的数据建立算法，3项研究使用弹性成像数据。除2项外，所有研究都使用了特定的验证技术，主要是k-折叠交叉验证。这些模型的精度约为80%。

除了提高诊断准确性外，还需要确定病人预后和预测疾病进展的AI方法。Pearce等人建立了一个ML模型，根据APACHE II评分和C反应蛋白水平来预测急性胰腺炎患者的严重程度。他们模型的AUC值达到了0.82，敏感度87%，特异度71%[140]。Hong等人根据急性胰腺炎患者的年龄、红细胞压积、血清葡萄糖和钙水平以及尿素氮水平，创建了一个ANN来评估患者的持续性器官衰竭，准确率达96.2%[141]。Jovanovic等人开发了一种ANN模型，根据临床、实验室和经皮超声检查结果，识别胆总管结石病患者进行治疗性内镜逆行胰胆管造影术的需求，其AUC为0.88[142]。

Banerjee等人开发了一种基于临床和实验室数据的人工神经网络，以90%的准确性确定肝硬化患者将在1年内死亡的可能性，该模型可用于确定肝移植的最佳候选者[143]。Konerman等人基于临床、实验室和病理组织学数据建立了一个机器学习模型，识别慢性丙型病毒感染肝炎患者疾病进展的最高风险，以及肝脏相关性结果（肝相关死亡、肝失代偿、肝细胞癌、肝移植或Child-Pugh评分增加到7分），该模型在1007名患者的验证集中AUC值达到了0.708。Khosravi等人建立了一种神经网络来预测1168名肝移植患者的生存期。该模型可估计1-5年的生存概率，AUC为86.4%，而Cox比例风险回归模型为80.7%[146]。研究人员还利用人工神经网络将肝脏捐献者与接受者配对，从而提供强有力的决策技术[147]。此外，ML模型可以帮助预测对治疗的反应。Takayama等人建立了一种ANN预测慢性丙型病毒感染肝炎患者对聚乙二醇化干扰素a-2b联合利巴韦林治疗的反应，预测的敏感度达到了82%，特异度达到了88%。

人工智能将成为胃肠病和肝病学家诊断患者、选择治疗手段和预测预后的重要手段。许多方法都是在这些目标下发展起来的，并展示出不同的性能水准。由于性能指标的差异，很难比较这些研究的结果。人工智能似乎在内镜下特别有价值，它可以增加对恶性和癌前病变、炎症病变、小肠出血和胰胆紊乱的检测。在肝脏学中，人工智能技术可以用来确定患者肝纤维化的风险，并允许一些患者避免肝活检。

我们的综述只涵盖了PubMed中列出的文章，并且可能错过了计算机科学和医学图像分析期刊上的一些出版物。尽管如此，在过去的20年里，人工智能已经成为胃肠病学和肝脏学研究的重要组成部分。尽管本文的综述的重点是辅助诊断和预后，但是其他研究方向的人工智能也正在被探索，例如基于机器学习的内镜质控评估（盲肠标志，机器学习评估检测结肠镜的后续建议），AI在胃肠道领域的应用也在不断被扩大。

值得注意的是，目前的AI技术受的高质量数据集的缺乏所限制。大多数用于开发ML算法的证据来自临床前研究，目前在临床实践中没有应用。此外，DL算法被认为是黑箱模型，黑箱模型很难理解决策过程，阻止医生发现潜在的混杂因素。考虑道德挑战也很重要，人工智能不知道病人的偏好或法律责任。如果发生内镜误诊，谁有责任-内镜医生、程序员或制造商？此外，在确定与病毒性肝炎有关的肝脏纤维化风险时，种族歧视等固有偏置容易被纳入人工智能算法，特别是在肝脏学领域。在开发人工智能模型时，重要的是要考虑这些因素，并在一系列人群中验证模型。医学总是有内在的不确定性，因此完美的预测是不可能的，一些与人工智能相关的研究空白在胃肠学和肝脏学领域仍有待研究（表5）。

在胃肠病学和肝病学方面，人工智能的发展是没有回头路可走的，未来的影响是巨大的。使用人工智能可以增加在发展中地区的人们获得护理的机会，特别是在评估患者患病毒性肝炎或肠道寄生虫病的风险方面。智能手机可以使用人工智能技术远程监测患者的健康，IBD患者居家测量粪便钙保护素的方法已经被建立[149]。人工智能还可以通过从大型患者数据集中集成分子、遗传和临床数据来识别新的治疗靶点。然而，人工智能不会完全取代医生，人工智能仍将辅助医生工作。虽然机器可以做出准确的预测，但最终，医护人员必须根据病人的喜好、环境和道德为他们的病人做出决定。