腫瘤醫(yī)生眼中的人工智能

(中國人民解放軍第三〇七醫(yī)院，北京 100071)

大數(shù)據(jù)是精準(zhǔn)醫(yī)學(xué)發(fā)展的重要依托，而大數(shù)據(jù)的應(yīng)用需要有效的分析手段將其轉(zhuǎn)化為規(guī)范可行的臨床信息[1]。大量臨床與基礎(chǔ)研究，推動(dòng)了乳腺癌等惡性腫瘤治療的進(jìn)步，縮短了乳腺癌治療指南的更新周期，但同時(shí)臨床醫(yī)生面臨的學(xué)習(xí)壓力與挑戰(zhàn)越來越大。此時(shí)，人工智能應(yīng)運(yùn)而生，試圖幫助人們處理日益增多且增速明顯的數(shù)據(jù)信息[2]。本文從腫瘤醫(yī)生角度，探討目前醫(yī)學(xué)領(lǐng)域人工智能的發(fā)展現(xiàn)狀及應(yīng)用前景。

1 人工智能與人類(醫(yī)生)智能的差異

人工智能是一門綜合了計(jì)算機(jī)科學(xué)、生理學(xué)、哲學(xué)的交叉學(xué)科。“人工智能”一詞最初是在1956年美國計(jì)算機(jī)協(xié)會(huì)組織的達(dá)特莫斯學(xué)會(huì)上提出的。從那以后，研究者們發(fā)展了眾多理論和原理，人工智能的概念也隨之?dāng)U展。雖然本質(zhì)上，人工智能是對(duì)人類智能思維的模擬，但兩者在思維模式、創(chuàng)造能力及社會(huì)屬性等方面有著很大的不同。

1.1 兩者的思維模式不同

臨床實(shí)踐中，醫(yī)生看病是生理和心理上的一個(gè)多層次的、錯(cuò)綜復(fù)雜的過程，人工智能則按照預(yù)先設(shè)計(jì)的程序相對(duì)簡單快速地進(jìn)行思維活動(dòng)。醫(yī)生通過與病人的交流，結(jié)合自身的經(jīng)驗(yàn)常識(shí)，歸納總結(jié)出合適的治療方案。而人工智能需要借助模式識(shí)別系統(tǒng)從自然語言中得到有效的信息，并從儲(chǔ)存的海量存儲(chǔ)中以它驚人的記憶力、敏捷的運(yùn)算速度、精確的邏輯判斷能力，查詢到類似的數(shù)據(jù)，給出最佳的方案。因此，準(zhǔn)確的算法、精確的分析是人工智能的保證，而經(jīng)驗(yàn)和學(xué)習(xí)能力則是醫(yī)生智慧的重要依托。

1.2 兩者的社會(huì)屬性不同

醫(yī)生在臨床實(shí)踐中，面臨的不僅僅是疾病，更是患病的人，乃至整個(gè)家庭，因此在給出決策時(shí)，不單單需要考慮到疾病本身的特征，還要考慮病人的生活環(huán)境、經(jīng)濟(jì)條件、藥物可及性、醫(yī)保等社會(huì)因素。而人工智能則不需要接觸病人，而只是針對(duì)臨床病例資料，給出數(shù)據(jù)最佳的方案。因此某些情況下，一套成熟的人工智能系統(tǒng)給出的方案可能是最正確的，而一名經(jīng)驗(yàn)豐富的醫(yī)生給出的方案卻可能是最適合病人的。

1.3 兩者的創(chuàng)造能力不同

人工智能雖可以憑借巨大的“記憶”容量，自我學(xué)習(xí)，但它不會(huì)自動(dòng)地提出問題，而且它對(duì)任務(wù)的解決是機(jī)械的，只有在逐一查對(duì)了一切可能的途徑之后，最后才找到正確答案。而醫(yī)生具有高度的主動(dòng)性、靈活性、隨機(jī)性。在面對(duì)復(fù)雜病例時(shí)，人工智能可能由于數(shù)據(jù)參考量少而無法給出方案，但經(jīng)驗(yàn)豐富的醫(yī)生仍可以結(jié)合病人目前及既往情況，給出個(gè)體化的治療方案。

2 醫(yī)學(xué)領(lǐng)域人工智能發(fā)展現(xiàn)狀與未來

2.1 智能影像助力腫瘤診斷與治療評(píng)價(jià)

目前，臨床上對(duì)腫瘤療效評(píng)價(jià)只是測(cè)量腫塊的大小或體積等主觀、半定量的信息來評(píng)估腫瘤的變化，但智能影像是在醫(yī)學(xué)影像的基礎(chǔ)上，融入了人工智能，通過深度學(xué)習(xí)，完成對(duì)影像的分類、目標(biāo)檢測(cè)、圖像分割和檢索工作，可以深度挖掘大量數(shù)字化信息，早期從腫瘤的內(nèi)部活性、特定的紋理參數(shù)來判斷腫瘤的生物學(xué)行為，來協(xié)助醫(yī)生完成疾病的診斷和治療。計(jì)算機(jī)輔助診斷(computer-aided diagnosis and detection, CAD)是智能影像的最初模式，應(yīng)用最多的疾病即乳腺癌的相關(guān)診斷[3]?；谌斯ぶ悄艿姆派浣M學(xué)(Radiomics)是隨著智能醫(yī)學(xué)影像的發(fā)展而逐漸興起的一個(gè)概念。

在乳腺癌領(lǐng)域中，智能影像已經(jīng)在病變?cè)\斷、療效評(píng)價(jià)甚至預(yù)測(cè)分子分型中取得了一定的研究成果。BICKELHAUPT等[4]構(gòu)建的三種機(jī)器學(xué)習(xí)分類器在診斷良惡性病變方面，僅次于具有20年豐富經(jīng)驗(yàn)的乳腺放射科醫(yī)生對(duì)平掃及增強(qiáng)掃描圖像的綜合判斷結(jié)果。此外，有研究顯示，臨床信息結(jié)合動(dòng)態(tài)的增強(qiáng)3D影像信息可以作為生物標(biāo)志物來鑒別乳腺癌的分子亞型，特別是對(duì)于三陰性乳腺癌的預(yù)測(cè)[5-7]。在療效評(píng)價(jià)方面，COROLLER等[8]用提取的智能影像的特征預(yù)測(cè)進(jìn)展期非小細(xì)胞肺癌的療效，在127例病人行放化療后提取了15個(gè)放射組學(xué)特點(diǎn)來預(yù)測(cè)病理反應(yīng)，結(jié)果發(fā)現(xiàn)智能影像的特點(diǎn)優(yōu)于傳統(tǒng)影像學(xué)特征(腫瘤的體積和直徑)。這些研究結(jié)果無疑讓我們看到了應(yīng)用人工智能輔助診斷能夠幫助醫(yī)生更加快捷和準(zhǔn)確地對(duì)疾病做出診斷，提高診斷效率及準(zhǔn)確度。

2.2 智能病理提升腫瘤的定性和定量判斷水平

病理診斷是臨床醫(yī)生治療的基礎(chǔ)，目前我國傳統(tǒng)病理面臨較大挑戰(zhàn)。①臨床需求要求病理醫(yī)生“準(zhǔn)、快、高”，而腫瘤分類治療的發(fā)展，對(duì)基本病理學(xué)和分子病理診斷提出更高要求，病理診斷的規(guī)范化程度還不能滿足臨床需求。②人才匱乏，水平不齊，全國職業(yè)病理醫(yī)生不足萬人，人才缺口巨大，病理診斷的價(jià)格和價(jià)值沒有充分體現(xiàn)，嚴(yán)重制約行業(yè)發(fā)展。③依賴經(jīng)驗(yàn)，不易定量，腫瘤病理診斷主要還是依賴經(jīng)驗(yàn)對(duì)HE切片進(jìn)行形態(tài)學(xué)分析，主觀評(píng)估重復(fù)性差，切片質(zhì)量參差不齊。因此，智能病理的出現(xiàn)具有一定的客觀必要性。

目前，智能病理已用于乳腺癌等多種腫瘤中，應(yīng)用范圍集中于細(xì)胞學(xué)初篩、良惡性鑒別、形態(tài)定量分析、組織學(xué)分類等方面。

在良惡性診斷方面，ZADEHA等[9]根據(jù)乳腺癌病人的年齡及乳腺腫塊形狀、邊緣、密度，以及乳腺影像報(bào)告數(shù)據(jù)系統(tǒng)(breast imaging reporting and data system, BI-RADS)評(píng)分，采用深度學(xué)習(xí)方法對(duì)822例乳腺癌病人進(jìn)行了分析和驗(yàn)證，驗(yàn)證階段疾病的檢出率高達(dá)95%。ARAUJO等[10]運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)乳腺癌的組織圖像進(jìn)行了分類，四分類(正常組織、良性疾病、原位癌以及侵襲癌)的準(zhǔn)確度為77.8%，二分類(癌和非癌組織)的準(zhǔn)確度為83.3%，腫瘤檢出的靈敏度為95.6%。

HER2是乳腺癌主要的驅(qū)動(dòng)基因之一，準(zhǔn)確的HER2檢測(cè)是乳腺癌精準(zhǔn)治療的前提，智能病理在HER2檢測(cè)方面也進(jìn)行了初步的探索。VANDENBERGHE等[11]對(duì)71例乳腺癌切除標(biāo)本進(jìn)行了自動(dòng)HER2評(píng)分，結(jié)果顯示與病理醫(yī)師診斷結(jié)果的符合率約為83%，但有12例結(jié)果不一致，重新分析后修正了8例的診斷，分析原因是HER2染色異質(zhì)性造成醫(yī)師對(duì)HER2表達(dá)結(jié)果的判斷出現(xiàn)了偏差。

在分子病理方面，傳統(tǒng)的基因檢測(cè)方式無法滿足多基因檢測(cè)指導(dǎo)腫瘤精準(zhǔn)治療的需求，而NGS等新技術(shù)的出現(xiàn)為腫瘤精準(zhǔn)檢測(cè)、精確治療提供了新的機(jī)遇。研究顯示，有76%病人至少有一個(gè)可用藥的變異，每個(gè)腫瘤樣本平均有3.06個(gè)基因變異，可用藥變異基因?yàn)?.57個(gè)[12]，如何將這些檢測(cè)結(jié)果轉(zhuǎn)化為臨床獲益成為當(dāng)前研究的熱點(diǎn)。對(duì)于乳腺癌診療，已經(jīng)看到了精準(zhǔn)分子病理檢測(cè)的應(yīng)用成果。21基因檢測(cè)可以評(píng)估HR陽性早期乳腺癌預(yù)后風(fēng)險(xiǎn)，判斷化療敏感性，而BRCA檢測(cè)等已被證實(shí)與遺傳性乳腺癌及鉑類、奧拉帕尼療效相關(guān)。因此，在海量的基因組學(xué)信息中，應(yīng)用人工智能分析技術(shù)，已成為精準(zhǔn)醫(yī)學(xué)不可或缺的發(fā)展要素。

智能病理的發(fā)展應(yīng)用不但能減輕病理醫(yī)師負(fù)擔(dān)，在一定程度上也可以彌補(bǔ)病理科醫(yī)生主觀分析的不足，提升病理的定性和定量判斷水平，提高病理診斷準(zhǔn)確度，還能為病人提供個(gè)性化的治療意見和疾病預(yù)后判斷，推動(dòng)精準(zhǔn)病理的發(fā)展。

2.3 智能決策豐富臨床實(shí)踐的決策模式

臨床實(shí)踐中，醫(yī)生的決策水平主要依賴于個(gè)人經(jīng)驗(yàn)與學(xué)習(xí)能力。在醫(yī)學(xué)信息不斷發(fā)展的今天，臨床醫(yī)生面臨著很大的學(xué)習(xí)壓力。已有研究顯示，一名醫(yī)生如果想緊跟醫(yī)學(xué)進(jìn)展，需要每個(gè)工作日學(xué)習(xí)29 h，而在這些學(xué)習(xí)數(shù)據(jù)中，有高達(dá)80%的為非結(jié)構(gòu)化數(shù)據(jù)。因此，經(jīng)驗(yàn)不足限制了低年資醫(yī)生的決策水平，而學(xué)習(xí)時(shí)間不足成為高年資醫(yī)生面臨的主要問題，這都會(huì)影響臨床決策的規(guī)范性。智能決策系統(tǒng)的研發(fā)就是為了能夠結(jié)合人工智能的學(xué)習(xí)分析能力及專家的經(jīng)驗(yàn)，從而得到更加準(zhǔn)確的決策方案。

目前，智能決策系統(tǒng)中最成熟的為沃森腫瘤(WFO，Watson for oncology)系統(tǒng)，Watson系統(tǒng)是IBM開發(fā)的認(rèn)知計(jì)算系統(tǒng)，具有理解、推理、學(xué)習(xí)、互動(dòng)四項(xiàng)基本特征。Watson可以閱讀并理解大規(guī)模的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，可以搜尋大量數(shù)據(jù)，并且可以認(rèn)知內(nèi)容，詮釋醫(yī)學(xué)術(shù)語，并以頂級(jí)醫(yī)學(xué)專家和真實(shí)病例為樣本，持續(xù)地自我學(xué)習(xí)并改進(jìn)。Watson用于分析和診斷的數(shù)據(jù)來源包括治療指南、電子病歷數(shù)據(jù)、醫(yī)生和護(hù)士的記錄、研究資料、臨床研究、期刊文獻(xiàn)和病人信息。這些非結(jié)構(gòu)化的數(shù)據(jù)量非常龐大，并且時(shí)刻變化，對(duì)于臨床經(jīng)驗(yàn)缺乏的醫(yī)學(xué)生來說，記憶這些數(shù)據(jù)的難度非常大。對(duì)于Watson來說，它可以在幾秒鐘內(nèi)閱讀數(shù)百萬的文字，能夠收羅世界上最先進(jìn)的醫(yī)療大數(shù)據(jù)信息，學(xué)習(xí)海量知識(shí)，并用人類語言回答問題，代替醫(yī)學(xué)生搜索各種可能的信息，輔助他們完成診斷，提升診療準(zhǔn)確性。

至今，Watson已經(jīng)初步地顯示了其在腫瘤決策中的可行性。2016年8月中旬，日本東京大學(xué)利用Watson診斷一名60多歲女性患有一種罕見的白血病，并提供了個(gè)性化診療方案，僅用了10 min。而在幾個(gè)月前，該病人還曾被其他醫(yī)院誤診。隨后，有多項(xiàng)探索Watson與醫(yī)生決策符合率的研究開展。SOMASHEKHAR等[13]發(fā)起的研究回顧了2014—2016年印度馬尼帕爾綜合癌癥中心通過多學(xué)科腫瘤委員會(huì)(MMDT)確診的638例乳腺癌病人，所有病例再次應(yīng)用WFO診斷和治療推薦處理。結(jié)果發(fā)現(xiàn)WFO和MMDT的一致率達(dá)93%，且腫瘤分期和年齡等因素對(duì)其有影響，而激素受體和HER2表達(dá)等并無明顯差異。

但我們需要看到，截止目前的研究均是僅僅比較了智能決策與醫(yī)生決策符合率，并沒有進(jìn)一步探究智能決策與醫(yī)生決策“孰優(yōu)孰劣”，以及智能決策如何影響傳統(tǒng)臨床實(shí)踐。目前，一項(xiàng)多中心、大樣本臨床研究正在我國開展，該研究借助中國臨床腫瘤學(xué)會(huì)乳腺癌(CSCO BC)數(shù)據(jù)庫，試圖在探討智能決策與醫(yī)生決策符合率的同時(shí)，進(jìn)一步探索智能決策系統(tǒng)的應(yīng)用對(duì)不同年資醫(yī)生的影響，以及對(duì)病人獲益可能帶來的影響，我們也期待該研究的結(jié)果可以為智能決策系統(tǒng)的應(yīng)用提供新的證據(jù)。

2.4 人工智能完善醫(yī)學(xué)教育模式

通過人工智能的應(yīng)用，可以使年輕醫(yī)生迅速成長，資深醫(yī)生工作效率更高，疲憊醫(yī)生避免差錯(cuò)。人工智能的應(yīng)用已經(jīng)解決或部分解決了很多教育領(lǐng)域的挑戰(zhàn)性問題，包括語言處理、推理、規(guī)劃和認(rèn)知建模等。人工智能用數(shù)字化和充滿活力的方式為學(xué)生提供了更多參與的機(jī)會(huì)，而這些機(jī)會(huì)通常在過時(shí)的教科書或教室的固定環(huán)境中無法找到，特別是在我國當(dāng)前研究生教育模式師生脫離現(xiàn)象嚴(yán)重的情況下[14]，人工智能更是可能成為很好的連接“橋梁”。

在醫(yī)學(xué)教育領(lǐng)域，WFO使用自然語言、假設(shè)生成和基于證據(jù)的學(xué)習(xí)能力為臨床決策支持系統(tǒng)提供幫助，供醫(yī)學(xué)專業(yè)人員和醫(yī)學(xué)生使用。Watson通過時(shí)間軸的形式展示整體治療計(jì)劃，通過顏色區(qū)分不同治療方案的推薦級(jí)別，提供包括結(jié)果統(tǒng)計(jì)信息和MSK審核推薦的出版物信息，直接鏈接到PubMed數(shù)據(jù)庫獲取摘要和部分原文，并提供兩種治療方案的對(duì)比及相應(yīng)的循證支持，根據(jù)病人的基本信息快速匹配相應(yīng)的循證證據(jù)，可按照循證的質(zhì)量、日期及相關(guān)性排序，歸納和提取循證證據(jù)的信息及結(jié)果，幫助醫(yī)生提高閱讀效率。

DxR Clinician是專門針對(duì)教學(xué)型醫(yī)院、醫(yī)學(xué)類院校及住院醫(yī)師的網(wǎng)絡(luò)虛擬病人系統(tǒng)，該系統(tǒng)被廣泛應(yīng)用于教育教學(xué)和醫(yī)學(xué)生臨床思維評(píng)估中[15]。軟件采集了數(shù)百個(gè)真實(shí)的病人資料，并由專家及人工智能編寫為特定癥例，這些癥例涵蓋廣泛的臨床問題。醫(yī)學(xué)生通過對(duì)虛擬病人的問診、模擬查體和輔助檢查，做出擬診，進(jìn)而診斷并設(shè)計(jì)治療方案。對(duì)于教師來說，DxR Clinician作為一套有用的分析工具，可以幫助教師了解學(xué)生的行為表現(xiàn)并調(diào)整課程；對(duì)于學(xué)生來說，可以快速培養(yǎng)臨床問題的解決能力。

總之，人工智能已成為當(dāng)今發(fā)展的重要方向，國務(wù)院也已將人工智能列為發(fā)展重點(diǎn)規(guī)劃。在醫(yī)學(xué)領(lǐng)域，智能病理、智能影像發(fā)展迅速，提高了腫瘤的精準(zhǔn)診斷與治療，而智能決策系統(tǒng)的研發(fā)，更是幫助臨床醫(yī)生緊跟醫(yī)學(xué)進(jìn)展，掌握循證醫(yī)學(xué)證據(jù)，更加充分自如地應(yīng)對(duì)臨床問題。人機(jī)對(duì)話，合作共贏，人工智能時(shí)代正在向我們走來。

[1] 許鳳銳,江澤飛. 精準(zhǔn)醫(yī)學(xué)時(shí)代腫瘤治療決策:大數(shù)據(jù)與小隨機(jī)[J]. 中華醫(yī)學(xué)雜志, 2017,97(4):241-243.

[2] GIL Y. From data to knowledge to discoveries: Artificial intelligence and scientific workflows[J]. Scientific Programming, 2015,17(3):231-246.

[3] GIGER M L. Update on the potential of computer-aided diagnosis for breast cancer[J]. Future Oncol, 2010,6(1):1-4.

[4] BICKELHAUPT S, PAECH D, KICKINGEREDER P, et al. Prediction of malignancy by a radiomic signature from contrast agent-free diffusion MRI in suspicious breast lesions found on screening mammography[J]. J Magn Reson Imaging, 2017,46(2):604-616.

[5] WU J, SUN X, WANG J, et al. Identifying relations between imaging phenotypes and molecular subtypes of breast cancer: Model discovery and external validation[J]. J Magn Reson Imaging, 2017,46(4):1017-1027.

[6] WANG J, KATO F, OYAMA-MANABE N, et al. Identi-fying triple-negative breast cancer using background parenchymal enhancement heterogeneity on dynamic contrast-enhanced MRI:A pilot radiomics study[J]. PLoS One,

2015,10(11):e143308.

[7] FAN M, LI H, WANG S, et al. Radiomic analysis reveals DCE-MRI features for prediction of molecular subtypes of breast cancer[J]. PLoS One, 2017,12(2):e171683.

[8] COROLLER T P, AGRAWAL V, NARAYAN V, et al. Radiomic phenotype features predict pathological response in non-small cell lung cancer[J]. Radiother Oncol, 2016,119(3):480-486.

[9] ZADEHA S, SEYYED S M C, MOHAMMADI Z. A novel and reliable computational intelligence system for breast cancer detection[J]. Med Biol Eng Comput, 2017(9):1-12.

[10] ARAUJO T, ARESTA G, CASTRO E, et al. Classification of breast cancer histology images using Convolutional Neural Networks [J]. PLoS One, 2017,12(6):e0177544.

[11] VANDENBERGHE M E, SCOTT M L, SCORER P W, et al. Relevance of deep learning to facilitate the diagnosis of HER2 status in breast cancer[J]. Sci Rep, 2017,7:45938.

[12] FRAMPTON G M, FICHTENHOLTZ A, OTTO G A, et al. Development and validation of a clinical cancer genomic profiling test based on massively parallel DNA sequencing[J]. Nature Biotechnology, 2013,31(11):1023.

[13] SOMASHEKHAR S P, SEPULVEDA M J, PUGLIELLI S, et al. Watson for oncology and breast cancer treatment recommendations:Agreement with an expert multidisciplinary tumor board[J]. Ann Oncol, 2018.[Epub ahead of print]

[14] 許鳳銳,江澤飛. 臨床醫(yī)學(xué)研究生培養(yǎng)模式的探討[J]. 中國高等醫(yī)學(xué)教育, 2017(1):129-130.

[15] 陸耀紅,鄒揚(yáng),施丹丹,等. DxR Clinician在國內(nèi)醫(yī)學(xué)模擬教學(xué)中的應(yīng)用[J]. 中華醫(yī)學(xué)教育探索雜志, 2014,13(4):402-406.