AI造福癌癥患者：當人工智能用于肺癌人群篩查

人工智能（AI）是約翰·麥卡錫（John McCarthy）于 1956 年創(chuàng)造的術(shù)語，旨在描述使用計算機和技術(shù)來模擬與人類相當?shù)闹悄苄袨楹团行运季S的方法[1]。不同醫(yī)學領(lǐng)域，人工智能AI已透露出分析和解釋復雜臨床醫(yī)學數(shù)據(jù)的能力和在診斷、管理和治療結(jié)果預測方面的潛力[2]。

肺癌 (LC) 是全球惡性腫瘤相關(guān)死亡的主要原因，每年診斷出 180 萬人。每年有 160 萬人死于該疾病，五年或更長的凈生存率為13.8%。對肺癌流行病學和相關(guān)危險因素的研究發(fā)現(xiàn)戒煙可降低戒煙后 10 年后發(fā)生 LC 的風險，并且是 LC 一級預防的干預措施。大部分孤立的肺結(jié)節(jié)可能是可治的早期肺癌，盡管它們大多是良性的。此外，75％的肺癌僅在晚期才被發(fā)現(xiàn)，這使得選擇佳治療方案變得困難。

肺癌仍然是發(fā)展中國家癌癥相關(guān)死亡的首要原因，肺癌疾病的高死亡率和發(fā)病率需要改進和修改肺癌篩查技術(shù)。不可能對所有個體進行肺癌篩查，但至少高危人群應該進行篩查。CT 篩查可以通過常規(guī)檢測高危人群中的毫米級潛在惡性肺結(jié)節(jié)來提高治率，2010 年，對 NLST國家肺部篩查試驗數(shù)據(jù)的評估顯示，與其他高危成人相比，連續(xù)三年接受低劑量計算機斷層掃描 (LDCT) 年度肺癌篩查檢查的高危成人組的肺癌死亡率顯著降低了 20%。 目前，美國和中國是在各地提供肺癌篩查的國家，歐盟委員會建議對過去 15 年內(nèi)戒煙、年齡在 50 至 75 歲、有 30 包年吸煙史的當前吸煙者和戒煙者進行肺癌篩查。低劑量CT掃描是被證明可以有效降低高?；颊叻伟┖Y查死亡率的策略。

肺癌的診斷通常依賴于肺結(jié)節(jié)的識別，肺結(jié)節(jié)是早期發(fā)現(xiàn)的重要放射學指標。然而，肺癌結(jié)節(jié)的治療可能很復雜。肺癌治療通常需要放射治療，并隨后導致放射引起的肺部病變。這些損傷是肺實質(zhì)研究的限制因素。在此背景下，計算機輔助診斷 (CAD) 系統(tǒng)對于放射科醫(yī)生來說發(fā)揮著關(guān)鍵作用。CAD 系統(tǒng)減少觀察錯誤和假陰性率并提供影像解讀的第二意見以診斷。通過利用先進的算法和自動分析，CAD 系統(tǒng)有助于從結(jié)節(jié)中提取更多信息，增強診斷過程并支持更準確的決策。如今，人工智能通過 CAD 系統(tǒng)在肺癌篩查中進行病灶檢測和分割的實用性已得到廣泛認可，并且多種 CAD 系統(tǒng)工具已經(jīng)過驗證并已上市。

機器學習通過改變各種任務的準確性和效率，改變了放射學。專門負責解讀和診斷 X 射線、CT 掃描、MRI 掃描和超聲圖像等醫(yī)學圖像的放射科醫(yī)生從機器學習算法融入其實踐中獲益匪淺。

機器學習在放射學中的顯著應用之一是圖像分類和分割。通過利用卷積神經(jīng)網(wǎng)絡等技術(shù)，放射科醫(yī)生可以自動對解剖結(jié)構(gòu)進行分類并識別醫(yī)學圖像中的異常情況。事實證明，這項技術(shù)在檢測腫瘤、識別肺結(jié)節(jié)和準確分割器官方面具有非常高的價值。

此外，機器學習算法有助于質(zhì)量控制和圖像增強：通過減少噪聲、增強細節(jié)和標準化圖像采集協(xié)議，這些算法提高了醫(yī)學圖像的質(zhì)量。這確保了一致的解釋并增強了整體診斷過程。需要強調(diào)的是，雖然機器學習算法在放射學領(lǐng)域顯示出巨大的潛力，但它們的目的是補充放射科醫(yī)生而不是取代他們。放射科醫(yī)生的專業(yè)知識和臨床判斷對于準確的診斷和有效的患者護理仍然不可或缺。

深度學習系統(tǒng)在肺部研究中的應用在病變檢測和篩查、風險分層、結(jié)節(jié)分割、放射基因組分析、預后預測、治療計劃（病變體積、形態(tài)、關(guān)系）和反應方面似乎是準確的，并且開始在腫瘤成像中發(fā)揮關(guān)鍵作用。開源圖像數(shù)據(jù)集的可用性使得有效的 CAD 工具的開發(fā)和驗證成為可能

不僅是癌癥篩選，AI在醫(yī)學影像診斷其他疾病領(lǐng)域也進展迅速，6月12日國際學術(shù)期刊《自然-生物醫(yī)學工程》發(fā)表地一項研究[4]聚焦于醫(yī)學人工智能，提出了一種針對臨床疾病診斷的多模態(tài)表征學習模型IRENE。這是一種基于人工智能的統(tǒng)一醫(yī)療診斷模型，旨在通過共同學習醫(yī)學圖像、非結(jié)構(gòu)化和結(jié)構(gòu)化臨床信息的整體表示來做出決策。IRENE可能是第一個使用單一、統(tǒng)一的AI模型同時對多模態(tài)臨床信息進行整體表征學習的醫(yī)療診斷方法。文章報道了IRENE 在兩項任務上的有效性：（1）肺部疾病識別和（2）COVID-19 患者的不良臨床結(jié)果預測。在第一項任務中，IRENE 的性能分別比之前的純圖像和非統(tǒng)一診斷對應物高出約 12% 和 9%。在第二項任務中，使用 IRENE 來預測 COVID-19 患者的不良臨床事件，即入住重癥監(jiān)護室 (ICU)、機械通氣 (MV) 治療和死亡。與第一個任務不同，第二個任務更多地依賴于文本臨床信息。在這種情況下，IRENE 的性能明顯優(yōu)于非統(tǒng)一模型方法 7% 以上。特別值得注意的是 IRENE 在死亡預測方面取得了近 10% 的改善，這表明它有可能協(xié)助醫(yī)生立即采取措施拯救 COVID-19 患者。與人類專家在肺部疾病識別方面的比，IRENE在所有八種疾病的診斷中明顯超過了初級醫(yī)生（經(jīng)驗<7年），并且表現(xiàn)與醫(yī)生（經(jīng)驗＞7年）相當或更好。

因此人工智能有潛力真正改變肺癌的早期檢測。其可能的應用領(lǐng)域很廣泛，包括圖像重建、個性化篩查程序、自動結(jié)節(jié)檢測、分割和表征。多模態(tài)的整合以及經(jīng)過測試和驗證的有效模型的創(chuàng)建可以允許對肺結(jié)節(jié)以及患者的結(jié)果或生存進行準確的表征和評估。為了實現(xiàn)這一目標，放射科醫(yī)生和臨床醫(yī)生之間的協(xié)作、合作和整合是必要的。