人工智能改善消化系统癌症诊断，但数据共享障碍仍然存在

一组研究人员在全面调查了人工智能技术最近在这些最致命的癌症中的应用后得出结论，人工智能正在帮助提供更早、更好的消化系统癌症诊断，但广泛的临床应用仍面临许多挑战，尤其是医院之间医学成像数据的共享有限，以及人工智能医学成像协议缺乏标准化。

一篇描述他们发现的论文发表在该杂志上健康数据科学．

消化系统肿瘤是全球癌症死亡的主要原因，5年生存率低于20%。七种最致命的癌症中有五种是消化系统肿瘤的产物，或肿瘤，如医生所描述的肿瘤:食管癌、胃癌、结直肠癌、原发性肝癌和胰腺癌。

近几十年来，消化系统肿瘤(DSN)的临床治疗得到了改善，但DSN患者的预后仍然令人沮丧。这在一定程度上是由于这些癌症的侵袭性，但也可能是由于在实现癌症治疗方面面临的挑战早期诊断以及准确的治疗反应。

北京航空航天大学基于大数据的精准医学重点实验室人工智能专家、该论文的合著者田杰表示:“如果能够进行更早、更好的诊断，那么这应该会改善预后。”

肿瘤的基于组织的基因组和蛋白质组学评估在诊断方面提供了巨大的希望。这些新技术可以对肿瘤组织样本中细胞产生的全基因组和全系列蛋白质进行测序。但也有一个本质上的限制，那就是肿瘤组织的一小部分永远不能代表整个肿瘤。

医学成像，如计算机断层扫描(CT)，磁共振成像(MRI)和正电子发射断层扫描(PET)原则上可以提供补充，但也更全面的肿瘤特征。这些医学成像技术经常作为术前诊断和治疗反应评估的临床常规的一部分。

但是，对肿瘤临床特征的评估有助于诊断，它既是一门定性的艺术，也是一门定量的科学，不同的放射科医生在进行成像时存在很大的差异。这样的评估医学图像也是非常耗时和劳动密集型的。

然而，人工智能(AI)算法可以自动从医学图像中挖掘特定的成像特征，这可以使复杂的过程自动化，而不是作为临床医生的辅助，减少他们的工作量。

更棒的是，正如医学以外的许多领域所证明的那样，人工智能可以挖掘肉眼或人类根本无法探测到的图像特征和模式。

“因此，除了这些令人惊叹的新的基因组和蛋白质组测序技术，以及传统的医学成像技术之外，在过去的十年里，还有很多研究和实验人工智能田教授继续说，“它不仅有助于早期诊断，而且可以做出更适合病人的诊断，针对他们的整个肿瘤——我们称之为精准医疗。”

该小组希望调查使用人工智能系统辅助深空网络诊断的研究现状，以及迄今为止的实验工作是如何在四种最常见的消化系统癌症中发挥作用的。他们的论文概述了这类研究已经发展到什么程度，并列出了尚未克服的挑战。

他们指出，DSN医学成像有两种主要的人工智能方法:放射组学和深度学习。第一个涉及人工智能，它使用数据表征算法从图像中提取成像特征。这涉及到图像的分割，或将图像的不同部分详细地“分块”成不同的部分。图像中的哪个像素是肿瘤的一部分，哪个是其他东西?通过放射组学，放射科医生经常手动标记不同的部分，以训练AI理解和分类这些部分。

该论文的另一位作者、北京航空航天大学副教授张帅桐说:“这种人工分割再次是劳动密集型的，因此与人工评估医学图像相比，很难减少工作量。”

“这也再次带来了放射科医生之间的差异。”

然而，对于深度学习，一种更复杂的人工智能形式，系统只需要非常粗略的分割肿瘤区域，然后自我训练并自动生成自己的段标签。

放射组学和深度学习都严重依赖于来自许多医院的大量、注释良好的数据集，以便建立一个健壮的肿瘤内部模型，然后可以推广到任何患者。

这是第一个重大挑战。这种医疗图像的获取和参数化的做法在不同医院之间存在很大差异，这影响了任何人工智能模型的鲁棒性，从而影响了其可泛化性。此外，有大量的医学图像的深网，标注良好的图像数据是有限的。

然而，研究人员得出结论，有多种方法可以缓解这个问题，包括图像重采样;图像的旋转、翻转和移动;并仔细模糊图像，以减少图像噪声。此外，人工智能医学成像方案的标准化应能够提高可重复性和可比性。

此外，高质量的数据集通常无法公开，这可能会阻碍不同AI模型的验证和比较。

“更慷慨的数据共享对于一个强大的、临床适用的人工智能模型至关重要，”张博士说。

目前，大多数已发表的关于使用AI进行深空网络评估的研究仍然停留在更劳动密集型和耗时的放射组学实践领域，而不是深度学习。目前深度学习的跌跌撞撞很可能是由于肿瘤的巨大复杂性。

这两种形式的人工智能诊断辅助确实在考虑的四种癌症中表现出相当大的益处，比单独的医学成像的人类评估表现得更好，例如，能够更好地识别需要强化治疗的高风险患者。但是辐射组学的劳动强度可能会阻碍它的广泛应用。

最后一个挑战是临床医生需要能够解释人工智能的内部模型在表达什么。这对深度学习在这个模型中，AI识别出了什么，为什么仍然是一个“黑盒子”。因此，在应用于临床实践之前，研究人员建议人工智能辅助DSN诊断在许多医院的试验中得到验证，这些试验的参与者数量要比研究人员在调查论文中考虑的主要是小型试验多得多。

就他们自己而言，该团队现在的目标是开发自己的专用于食管的人工智能模型癌症，但临床医生可以直接解释。