人工智能对癌症的革命性影响

利用大数据提升人工智能在癌症检测和治疗中的作用

将人工智能集成到医疗决策过程中，有助于革新这一领域，并带来更准确、更一致的治疗决策，这得益于其几乎无限的识别复杂模式的能力。

肿瘤学领域产生了大量的数据集，从未结构化的临床病史到影像和基因组序列数据，在患者旅程的各个阶段。人工智能可以“智能地”分析大规模的数据批次，速度比传统方法快，这对于训练机器学习算法至关重要，机器学习算法是高级癌症检测和监测工具的基础。人工智能还具有出色的模式识别能力，可以高效地建模数据集复杂性。这很重要，因为它使我们能够更深入地了解癌症基因组学和肿瘤微环境中微妙的分子签名的影响。发现某些癌症病例或癌症进展模式中仅存在的基因之间的模式，可以带来更个性化的治疗方法。

最终目标是什么？支持临床决策的AI驱动的癌症检测，帮助医生和患者在整个癌症旅程中每一步——从筛查和检测到确定正确的治疗方法，以及监测患者对干预措施的反应和预测复发。

数据质量和数量：AI成功的关键

最终，AI算法的好坏取决于训练它的数据质量。低质量、不完整或标记不正确的数据会限制AI识别最佳模式的能力（垃圾进，垃圾出）。这在癌症护理中尤其重要，因为预测建模依赖于无可挑剔的精度——例如，成千上万个基因变体中仅一个可能表明肿瘤发展并支持早期检测。确保这种高水平的质量需要耗费时间和金钱，但会带来更好的数据，从而实现最佳的检测准确性。然而，开发一个有用的数据宝库带来了重大的挑战。首先，收集大规模的基因组和分子数据是一个复杂的任务，涉及数百万个数据点。它从具有无可挑剔的精度和分辨率的最高质量测定开始。收集的分子数据还必须在地理和患者代表性方面尽可能多样化，以扩大训练模型的预测能力。它还受益于建立长期的跨学科合作和伙伴关系，以帮助收集和处理原始数据进行分析。最后，在处理医疗保健信息和遵守严格的患者隐私法规时，制定严格的道德标准至关重要，这有时会在数据收集中带来挑战。

大量准确、详细的数据不仅会带来快速发现模式和赋予医生最佳机会以满足患者未满足需求的检测能力，还会改进和推进临床研究的每个方面，特别是寻找更好的药物和癌症生物标志物的紧迫搜索。

人工智能已经在癌症护理和治疗中显示出希望

更有效的训练AI的方法已经被实施。我的同事和我正在训练算法，从包括影像结果、活检组织数据、各种基因组序列和蛋白质生物标志物在内的全面数据阵列中，这些都增加了大量的训练数据。我们能够以万亿而不是十亿的规模生成数据，使我们能够建立一些临床上真正准确的预测分析，例如未知原发癌的肿瘤识别或涉及微妙遗传变异的预测化疗治疗路径。

在Caris Life Sciences，我们已经证明了对算法进行广泛的验证和测试的必要性，现实世界证据的比较在其中发挥了关键作用。例如，我们的算法经过训练，可以检测特定类型的癌症，通过实验室组织学数据进行验证，而AI对治疗方案的预测可以与现实世界的临床生存结果进行交叉比较。

鉴于癌症研究的快速进展，经验表明，持续学习和算法改进是成功的AI策略的重要组成部分。随着新治疗方法的开发和我们对驱动癌症的生物途径的理解的演变，更新模型以获得最新信息可以提供更深入的见解和提高检测敏感性。

这种持续的学习过程凸显了AI开发者和临床、研究界之间的广泛合作的重要性。我们发现，开发新的工具来更快速、更敏感地分析数据，并从肿瘤学家那里获得反馈，对于开发新的AI工具至关重要。最终，AI算法的成功的真正衡量标准是它能够为肿瘤学家提供可靠、可预测的见解，以及AI策略对不断变化的治疗范式的适应性。

人工智能的实际应用已经提高了生存率和改善了癌症管理

数据规模和质量的进步已经对临床决策产生了可衡量的影响，扩大了医生的决策工具箱，这对患者护理和生存结果产生了积极的影响。第一个临床验证的AI工具，用于导航化疗治疗选择，针对难以治疗的转移性癌症，可能会将患者的生存时间延长<17.5个月，相比没有预测算法的标准治疗决策¹。另一个AI工具可以预测超过94%的准确率²，预测数十种转移性癌症的原发肿瘤——这对于制定有效的治疗计划至关重要。AI算法还可以预测肿瘤对免疫治疗的反应如何，基于每个人的独特肿瘤基因特征。在每一种情况下，AI工具包赋予临床决策者改善患者结果的能力，相比当前的护理标准。

期待人工智能在癌症领域的革命

人工智能已经改变了我们检测癌症和治疗癌症的方式。癌症管理很快将使医生与集成的人工智能实时合作，治疗和监测患者，并领先于癌症的变异。除了改进的预测模型，用于早期检测癌症和提供更有效的个性化治疗范式外，医生、研究人员和生物技术公司正在努力利用数据和人工智能分析来推动新的治疗发现和分子生物标志物的开发。

在不久的将来，这些曾经不可能实现的人工智能进步将远远超出癌症护理，惠及所有疾病状态，结束不确定性的时代，使医学更加准确、个性化和有效。