大數(shù)據(jù)是精準醫(yī)學發(fā)展的重要依托,，而大數(shù)據(jù)的應用需要有效的分析手段將其轉化為規(guī)范可行的臨床信息,。大量臨床與基礎研究，推動了乳腺癌等惡性腫瘤治療的進步，縮短了乳腺癌治療指南的更新周期,，但同時臨床醫(yī)生面臨的學習壓力與挑戰(zhàn)越來越大。此時,，人工智能應運而生,，試圖幫助人們處理日益增多且增速明顯的數(shù)據(jù)信息。本文從腫瘤醫(yī)生角度,，探討目前醫(yī)學領域人工智能的發(fā)展現(xiàn)狀及應用前景,。
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算機科學,、生理學,、哲學的交叉學科?！叭斯ぶ悄堋币辉~最初是在1956年美國計算機協(xié)會組織的達特莫斯學會上提出的,。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擴展,。雖然本質上，人工智能是對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
臨床實踐中,，醫(yī)生看病是生理和心理上的一個多層次的,、錯綜復雜的過程，人工智能則按照預先設計的程序相對簡單快速地進行思維活動,。醫(yī)生通過與病人的交流,，結合自身的經驗常識，歸納總結出合適的治療方案,。而人工智能需要借助模式識別系統(tǒng)從自然語言中得到有效的信息,，并從儲存的海量存儲中以它驚人的記憶力、敏捷的運算速度,、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,，準確的算法,、精確的分析是人工智能的保證，而經驗和學習能力則是醫(yī)生智慧的重要依托,。
1．2兩者的社會屬性不同
醫(yī)生在臨床實踐中,，面臨的不僅僅是疾病，更是患病的人,，乃至整個家庭,，因此在給出決策時，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,、經濟條件、藥物可及性,、醫(yī)保等社會因素,。而人工智能則不需要接觸病人，而只是針對臨床病例資料,，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,，而一名經驗豐富的醫(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,，自我學習,，但它不會自動地提出問題，而且它對任務的解決是機械的,，只有在逐一查對了一切可能的途徑之后,，最后才找到正確答案。而醫(yī)生具有高度的主動性,、靈活性,、隨機性。在面對復雜病例時,，人工智能可能由于數(shù)據(jù)參考量少而無法給出方案,，但經驗豐富的醫(yī)生仍可以結合病人目前及既往情況，給出個體化的治療方案,。
2,、醫(yī)學領域人工智能發(fā)展現(xiàn)狀與未來
2．1智能影像助力腫瘤診斷與治療評價
目前，臨床上對腫瘤療效評價只是測量腫塊的大小或體積等主觀,、半定量的信息來評估腫瘤的變化,，但智能影像是在醫(yī)學影像的基礎上,，融人了人工智能，通過深度學習,，完成對影像的分類,、目標檢測、圖像分割和檢索工作,，可以深度挖掘大量數(shù)字化信息,，早期從腫瘤的內部活性、特定的紋理參數(shù)來判斷腫瘤的生物學行為,，來協(xié)助醫(yī)生完成疾病的診斷和治療,。計算機輔助診斷(computer—aided diagnosis and detection，CAD)是智能影像的最初模式,，應用最多的疾病即乳腺癌的相關診斷,。基于人工智能的放射組學(Radiomics)是隨著智能醫(yī)學影像的發(fā)展而逐漸興起的一個概念,。
在乳腺癌領域中,，智能影像已經在病變診斷、療效評價甚至預測分子分型中取得了一定的研究成果,。BICKELHAUPT等構建的三種機器學習分類器在診斷良惡性病變方面,，僅次于具有20年豐富經驗的乳腺放射科醫(yī)生對平掃及增強掃描圖像的綜合判斷結果。此外,，有研究顯示,，臨床信息結合動態(tài)的增強3D影像信息可以作為生物標志物來鑒別乳腺癌的分子亞型，特別是對于三陰性乳腺癌的預測,。在療效評價方面,，COROLLER等用提取的智能影像的特征預測進展期非小細胞肺癌的療效，在127例病人行放化療后提取了15個放射組學特點來預測病理反應,，結果發(fā)現(xiàn)智能影像的特點優(yōu)于傳統(tǒng)影像學特征(腫瘤的體積和直徑),。這些研究結果無疑讓我們看到了應用人工智能輔助診斷能夠幫助醫(yī)生更加快捷和準確地對疾病做出診斷，提高診斷效率及準確度,。
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,，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,、快,、高”，而腫瘤分類治療的發(fā)展,，對基本病理學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，病理診斷的價格和價值沒有充分體現(xiàn),，嚴重制約行業(yè)發(fā)展,。③依賴經驗，不易定量,，腫瘤病理診斷主要還是依賴經驗對HE切片進行形態(tài)學分析,，主觀評估重復性差，切片質量參差不齊,。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,，應用范圍集中于細胞學初篩、良惡性鑒別,、形態(tài)定量分析,、組織學分類等方面。
在良惡性診斷方面,，ZADEHA等根據(jù)乳腺癌病人的年齡及乳腺腫塊形狀,、邊緣、密度,，以及乳腺影像報告數(shù)據(jù)系統(tǒng)(breast imaging reporTIng and data system,，BI—RADS)評分，采用深度學習方法對822例乳腺癌病人進行了分析和驗證,，驗證階段疾病的檢出率高達95％。ARAUJO等一103運用卷積神經網絡對乳腺癌的組織圖像進行了分類,，四分類(正常組織,、良性疾病、原位癌以及侵襲癌)的準確度為77．8％,，二分類(癌和非癌組織)的準確度為83．3％,，腫瘤檢出的靈敏度為95．6％。HER2是乳腺癌主要的驅動基因之一,，準確的HER2檢測是乳腺癌精準治療的前提,，智能病理在HER2檢測方面也進行了初步的探索。VANDEN—BERGHE等對71例乳腺癌切除標本進行了自動HER2評分,，結果顯示與病理醫(yī)師診斷結果的符合率約為83％,，但有12例結果不一致，重新分析后修正了8例的診斷,，分析原因是HER2染色異質性造成醫(yī)師對HER2表達結果的判斷出現(xiàn)了偏差,。
在分子病理方面,，傳統(tǒng)的基因檢測方式無法滿足多基因檢測指導腫瘤精準治療的需求，而NGS等新技術的出現(xiàn)為腫瘤精準檢測,、精確治療提供了新的機遇,。研究顯示，有76％病人至少有一個可用藥的變異,，每個腫瘤樣本平均有3．06個基因變異,，可用藥變異基因為1．57個，如何將這些檢測結果轉化為臨床獲益成為當前研究的熱點,。對于乳腺癌診療,，已經看到了精準分子病理檢測的應用成果。21基因檢測可以評估HR陽性早期乳腺癌預后風險,，判斷化療敏感性,，而BRCA檢測等已被證實與遺傳性乳腺癌及鉑類、奧拉帕尼療效相關,。因此,，在海量的基因組學信息中，應用人工智能分析技術,，已成為精準醫(yī)學不可或缺的發(fā)展要素,。
智能病理的發(fā)展應用不但能減輕病理醫(yī)師負擔，在一定程度上也可以彌補病理科醫(yī)生主觀分析的不足,，提升病理的定性和定量判斷水平,，提高病理診斷準確度，還能為病人提供個性化的治療意見和疾病預后判斷,，推動精準病理的發(fā)展,。
2．3智能決策豐富臨床實踐的決策模式
臨床實踐中，醫(yī)生的決策水平主要依賴于個人經驗與學習能力,。在醫(yī)學信息不斷發(fā)展的今天,，臨床醫(yī)生面臨著很大的學習壓力。已有研究顯示,，一名醫(yī)生如果想緊跟醫(yī)學進展,，需要每個工作日學習29 h，而在這些學習數(shù)據(jù)中,，有高達80％的為非結構化數(shù)據(jù),。因此，經驗不足限制了低年資醫(yī)生的決策水平,，而學習時間不足成為高年資醫(yī)生面臨的主要問題,，這都會影響臨床決策的規(guī)范性。智能決策系統(tǒng)的研發(fā)就是為了能夠結合人工智能的學習分析能力及專家的經驗,，從而得到更加準確的決策方案,。
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)的認知計算系統(tǒng),，具有理解、推理,、學習,、互動四項基本特征。Watson可以閱讀并理解大規(guī)模的結構化和非結構化數(shù)據(jù),，可以搜尋大量數(shù)據(jù),，并且可以認知內容，詮釋醫(yī)學術語,，并以頂級醫(yī)學專家和真實病例為樣本,，持續(xù)地自我學習并改進。Wat—son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)生和護士的記錄、研究資料,、臨床研究,、期刊文獻和病人信息。這些非結構化的數(shù)據(jù)量非常龐大,，并且時刻變化,，對于臨床經驗缺乏的醫(yī)學生來說，記憶這些數(shù)據(jù)的難度非常大,。對于Watson來說,，它可以在幾秒鐘內閱讀數(shù)百萬的文字，能夠收羅世界上最先進的醫(yī)療大數(shù)據(jù)信息,，學習海量知識,，并用人類語言回答問題，代替醫(yī)學生搜索各種可能的信息,，輔助他們完成診斷，提升診療準確性,。
至今,，Watson已經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,，并提供了個性化診療方案，僅用了10 min,。而在幾個月前,，該病人還曾被其他醫(yī)院誤診,。隨后，有多項探索Watson與醫(yī)生決策符合率的研究開展,。SOMASHEKHAR等[1胡發(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科腫瘤委員會(MMDT)確診的638例乳腺癌病人,，所有病例再次應用WFO診斷和治療推薦處理。結果發(fā)現(xiàn)WFO和MMDT的一致率達93％,，且腫瘤分期和年齡等因素對其有影響,，而激素受體和HER2表達等并無明顯差異。
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)臨床實踐,。目前,，一項多中心、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會乳腺癌(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，進一步探索智能決策系統(tǒng)的應用對不同年資醫(yī)生的影響,，以及對病人獲益可能帶來的影響,，我們也期待該研究的結果可以為智能決策系統(tǒng)的應用提供新的證據(jù)。
2．4人工智能完善醫(yī)學教育模式
通過人工智能的應用,，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,。人工智能的應用已經解決或部分解決了很多教育領域的挑戰(zhàn)性問題,，包括語言處理、推理,、規(guī)劃和認知建模等,。人工智能用數(shù)字化和充滿活力的方式為學生提供了更多參與的機會，而這些機會通常在過時的教科書或教室的固定環(huán)境中無法找到,，特別是在我國當前研究生教育模式師生脫離現(xiàn)象嚴重的情況下,，人工智能更是可能成為很好的連接“橋梁”。
在醫(yī)學教育領域,，WFO使用自然語言,、假設生成和基于證據(jù)的學習能力為臨床決策支持系統(tǒng)提供幫助，供醫(yī)學專業(yè)人員和醫(yī)學生使用,。Watson通過時間軸的形式展示整體治療計劃,，通過顏色區(qū)分不同治療方案的推薦級別，提供包括結果統(tǒng)計信息和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比及相應的循證支持,，根據(jù)病人的基本信息快速匹配相應的循證證據(jù)，可按照循證的質量,、日期及相關性排序,，歸納和提取循證證據(jù)的信息及結果，幫助醫(yī)生提高閱讀效率,。
DxR Clinician是專門針對教學型醫(yī)院,、醫(yī)學類院校及住院醫(yī)師的網絡虛擬病人系統(tǒng)，該系統(tǒng)被廣泛應用于教育教學和醫(yī)學生臨床思維評估中,。軟件采集了數(shù)百個真實的病人資料,，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)學生通過對虛擬病人的問診,、模擬查體和輔助檢查，做出擬診,，進而診斷并設計治療方案,。對于教師來說，DxR Clinician作為一套有用的分析工具,，可以幫助教師了解學生的行為表現(xiàn)并調整課程,；對于學生來說，可以快速培養(yǎng)臨床問題的解決能力,。
總之,，人工智能已成為當今發(fā)展的重要方向，國務院也已將人工智能列為發(fā)展重點規(guī)劃,。在醫(yī)學領域,，智能病理、智能影像發(fā)展迅速,，提高了腫瘤的精準診斷與治療,，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)學進展,，掌握循證醫(yī)學證據(jù),，更加充分自如地應對臨床問題。人機對話,，合作共贏,，人工智能時代正在向我們走來。