推荐活动

人工智能将攻克癌症!判断免疫治疗、识别小肿瘤、预测基因演化……

首页 » 研究 » 肿瘤 2018-09-06 南方科技大学产学研 赞(2)
分享: 
导读
近日,多项研究显示,人工智能在癌症的预测、识别、治疗等方面均有突破性进展。或许在不远的未来,AI将成为癌症患者真正的福音。

人工智能在医疗领域的价值越来越高,从发现新药物到诊断疾病,它被应用到医学影像、健康管理和医学研究等方方面面。


近日,多项研究显示,人工智能在癌症的预测、识别、治疗等方面均有突破性进展。或许在不远的未来,AI将成为癌症患者真正的福音。


AI判断癌症患者能否从免疫治疗获益

免疫治疗在癌症统治的世界里不断攻城略地。


癌症患者看到了生的希望,但遗憾的是患者很难知道自己究竟是不是免疫治疗泽被的那些人。


目前的临床统计显示,PD-1抑制剂只能在20%-50%的晚期实体瘤病人中发挥作用。受益的患者究竟是谁?目前找到这些患者的手段有限。


因此,找到一种可靠的生物标志来指导免疫治疗迫在眉睫!


近日,来自法国的Eric Deutsch博士团队借助人工智能之力,给我们带来了新的希望。他们用癌症患者的CT图像训练人工智能,得到一个可以通过患者的CT影像准确预测PD-1抑制剂治疗效果的人工智能平台。


这个人工智能平台可以区分患者对免疫治疗响应的程度,那些被认为有效的患者的中位生存期(24.3个月),比预测无效患者的中位生存期(11.5个月),提高了一倍以上(延长了1年多),效果相当明显!这项成果发表在最新一期的《柳叶刀-肿瘤学》上。


免疫疗法是利用人体自身免疫系统,来对抗癌症的疗法,是癌症治疗领域的一项重大突破。到目前为止,仅有15%-30%的患者能够对此类疗法产生反应,然而,目前并没有任何标志物能够准确识别那些对anti-PD-1/PD-L1免疫疗法产生反应的患者。因此,研究人员试图利用成像技术,来识别位于身体任何部位的肿瘤中存在的生物现象,而无需进行活检。


研究人员使用了参与MOSCATO研究人员的CT图像,以及相关的肿瘤基因组数据,作为这项研究的数据集。同时,研究人员利用机器学习技术,训练算法使用这些CT图像数据,来预测基因组揭示了哪些肿瘤免疫浸润的情况,尤其是关于肿瘤中是否存在细胞毒性T细胞(CD8),并在这些结果的基础上在图像中建立了放射标记。


这项研究训练算法在CT图像中建立放射学标记的流程示意图(图片来源:《The Lancet Oncology》)


然后,为了测试这些放射标记在真实情况下的适用性,并将其与免疫疗法的疗效相关联,研究人员将开发出的AI算法在参与5个anti-PD-1/PD-L1免疫疗法1期临床试验的患者中进行验证,即使用在治疗开始前进行的CT图像对算法进行评估。 结果发现,在那些免疫疗法分别在3个月和6个月内起效的患者中,机器学习算法给出的放射学评分较高,同时这些患者的总生存率也较好。


研究人员表示,这项研究的下一步将使用更多的患者数据,并根据癌症类型进行数据分层,从而完善标记。同时,研究人员将会对成像、分子生物学及组织分析的相关数据进行整合,并采用更复杂的人工智能算法,以确定那些最有可能对免疫疗法产生反应的患者。


患者经免疫治疗后的中位生存期


至此,我们可以说,这个利用人工智能得到的影像信号,能出色地预测免疫治疗的效果!


当然,要真正走向实际应用,在这项回顾性试验的基础上,还需进行临床试验。事实上,这一天也不会等很久,到目前,已经有27个利用影像数据指导临床肿瘤治疗的试验已经登记。


而且,这个项研究还存在一些局限性,比如肿瘤还存在更多的免疫亚型,影像信号还需要做到更加精细的区分,以便于对免疫疗法做出更准确的指导。


尽管如此,我们仍对人工智能加持的影像组学充满期待。相比组织活检,CT扫描是无创的,对身体没有伤害,对于那些不适合或者不愿意做组织活检患者而言,这无疑是个更好的选择。此外,相对于测序,影像检查也更加廉价,也是一个不小的优势。


AI识别“被遗忘”的小肿瘤,准确率高达95%

近日,来自中佛罗里达大学(University of Central Florida)计算机视觉研究中心的研究人员们开发出了一个新的人工智能系统,以帮助检测肺癌患者的小肿瘤,而这些小肿瘤在使用传统检测方法时往往很难发现。


肺癌是生存率最低的癌症之一,据统计,在美国每年肺癌会造成约80万人死亡。更让人沮丧的是,在过去四十年中,尽管癌症患者的总生存率提高了2倍多,但肺癌患者的生存率几乎没有提高。目前仅有5%的肺癌患者生存期超过10年。


在这项研究中,研究人员使用了一种类似于面部识别算法的方法,使用大脑作为模型来创建一个AI系统,从而识别肺癌患者CT图像的小肿瘤。就像面部识别软件需要扫描成千上万张面部照片,来寻找特定的模式并与人脸进行匹配一样,研究人员也需要训练AI系统从无数的CT图像中识别那些不易被肉眼发现的小肿瘤。


为了实现这一点,研究人员使用了1000多例来自美国国立卫生研究院(NIH)的CT图像,并将这些图像数据输入到他们开发的AI系统中进行训练。在这个过程中,每一张CT图像都可以帮助AI完善其需要识别的肿瘤信息,如肿瘤的大小和形状等。同时在这个过程中,AI模型也逐渐学会了如何区分良性和恶性肿瘤,以及如何忽略CT图像中呈现的其他组织、神经和肿块等因素。


研究结果显示,经过训练的AI系统在CT图像中发现小肿瘤的准确率约为95%,而人类放射科医生的准确率只有65%。AI系统取得的这一结果大大超出了人类医生的水平。


中佛罗里达大学的助理教授Ulas Bagci博士领导完成了这项研究(图片来源:University of Central Florida, Karen Norum)


“我相信这项研究会产生非常大的影响,”这项研究的负责人、中佛罗里达大学的助理教授Ulas Bagci博士表示:“在美国,肺癌是头号癌症杀手,那些在晚期才得到诊断的肺癌患者存活率只有17%。如果我们能够找到更早诊断肺癌的方法,就可以帮助提高这种疾病的存活率。”


Bagci博士表示,这项研究的下一步,就是寻找相应的合作伙伴,将这个研究项目转移到医院环境中。在那之后,这项技术可能还需要一两年的时间才能真正投入市场。


人工智能用于预测癌症如何进化和传播

据英国《新科学家》周刊网站8月31日报道,Revolver(癌症的重复进化)研发团队带头人、英国癌症研究所的安德烈亚·索托里瓦说,如果干预的时间足够早,就可以治疗癌症。他说:“关键是,你能比疾病提前一步吗?”


报道称,Revolver协助索托里瓦的团队揭秘癌症的关键演化步骤,该系统使用多名病人的数据创建一个基因“谱系图”,追踪癌症如何演化,并识别最常引发癌症的变异。


报道称,此前创建癌症谱系图往往依赖单个病人的样本,但是因为癌症变异高度随机、多样化(即使是一人所患的癌症),那些重要的变异会被无害的背景变异掩盖,被做分析的研究人员漏掉。


Revolver通过同时分析178名患者的数据来避免发生这种失误,这些数据涵盖768个肿瘤样本和四种类型的癌症——肠癌、肺癌、乳癌和肾癌。


这使得癌症的关键演化步骤从良性背景变异中更好地显现出来。例如,人们已经知道三种关键的基因变异对于结肠内的良性息肉的癌化至关重要,但从未在单个病人身上同时看到这三种变异。


测试结果显示,在试用Revolver分析95个结肠癌患者的基因时,它能识别出这三种关键的变异。Revolver还精准地识别出人们已知会推动肺癌、乳癌和肾癌演化的关键基因变异。


这一研究结果发表在《自然方法》(Nature Methods)杂志上。


领导这项研究的Andrea Sottoriva博士是ICR进化基因组学和模型的团队负责人,他说:“我们已经开发出了一种强大的人工智能工具......我们希望通过这种工具去除癌症一张重要王牌——它不可预测性。展望未来,我们可以利用这种人工智能工具在早期阶段进行干预,预测癌症的下一步行动。”


ICR首席执行官Paul Workman教授说:“癌症进化是我们在创造能够更有效地为患者服务的治疗方法中面临的最大挑战。如果我们能够预测肿瘤将如何进化,那么治疗可能会在适应和耐药性发生之前发生变化,使我们领先于癌症一步。”


位于美国佛罗里达州坦帕的莫菲特癌症中心和研究所的罗伯特·盖滕比说:“在癌症治疗阶段了解肿瘤内部的演化情况对优化治疗手段至关重要。”


人工智能可以通过计算给出癌症治疗方案

据麻省理工学院报道,他们的研究人员正在使用最新的机器学习技术,通过减少有毒化疗和放射治疗胶质母细胞瘤(最具侵略性的脑癌)缓解患者在治疗中的痛苦。


胶质母细胞瘤是一种出现在脑或脊髓中的恶性肿瘤,患者存活率一般不超过五年,而且必须要忍受放射治疗,同时每月服用多种药物。医疗专业人员通常会使用最大安全药物剂量以尽可能地缩小肿瘤,但这些强效药物会产生许多副作用对患者的身体产生影响。


在斯坦福大学举行的2018年机器学习医疗保健会议上发表的一篇论文中,麻省理工学院媒体实验室的研究人员详细介绍了一种可以使药物方案毒性降低但仍然有效的模型。


该模型由“自学”机器学习技术提供支持,着眼于目前使用的治疗方并反复调整剂量。最终,该技术找到了一个最佳的治疗计划,在保证将肿瘤大小降低到与传统治疗方案的同时使用最低可能的剂量和剂量频率。


"虽然必须要通过减小肿瘤的大小来帮助病人,但与此同时我们希望能够确保病人不会因为化疗毒性和药物副作用而承受过多的痛苦。”负责这项研究的Pratik Shah说道。



研究人员的模型使用了一种叫做强化学习的技术,这是一种受到行为心理学启发的方法。在这种方法中,模型会偏爱某些行为,从而达到预期的结果。


该技术包括人工智能“代理”,其在不可预测的复杂环境中完成“动作”以达到期望的“结果”。每当完成动作时,代理接收“奖励”或“惩罚”,取决于动作是否努力实现结果。然后,代理相应地调整其动作以实现更好的结果。


这种方法被用来训练计算机程序DeepMind,它在2016年击败了世界最优秀的围棋选手李世石。该方法还用于训练无人驾驶汽车,例如行驶和停车,车辆会一遍一遍地练习,进行路线调整,一直到正确为止。


AI并不意味着完全接管医生的工作。相反,它旨在指导医生提供更合适的治疗方案。“癌症专家可以使用这种算法的建议来设计更安全,更有效的临床试验”,麻省理工学院负责该研究的首席研究员Pratik Shah表示,“这些数字算法系统还可以计算出个别患者的身体在治疗中可能会发生的不良反应。”


人工智能在医疗领域的价值越来越高,从发现新药物到诊断疾病,它被应用到方方面面。或许在不远的未来,它将成为癌症患者真正的福音。(转化医学网360zhyx.com)

评论:
评 论
共有 0 条评论

    还没有人评论,赶快抢个沙发