科技日報記者 張夢然

在生活工作中，人們已能感受到生成式AI的強大。但除了覆蓋到日常生活，還有一類領域也正在被AI模型悄悄改變——醫學中的癌癥診斷。

革命性的轉變就在眼前。現在，美國哈佛醫學院、斯坦福大學和布萊根婦女醫院聯合團隊設計了一種多功能的、類似ChatGPT的AI模型，能對多達19種癌癥作出精確診斷。在近日出版的《自然》雜志上，對這種全新一代AI進行了詳細介紹。和目前大多數AI診斷方法相比，新的AI“癌癥專家”向前邁進了一大步。

可以說，它既是AI發展過程中的里程碑，也是癌癥診療界一次質的飛躍。

具備大語言模型的靈活性

目前的癌癥診斷AI，通常被訓練來執行“特定任務”，如檢測某種癌癥是否存在，或預測某種腫瘤基因圖譜。這些AI通過識別和訓練之后，可在較短時間內判斷組織樣本是否存在腫瘤，也能部分預測腫瘤組織的侵襲性。

這些AI僅能在少數腫瘤類型中進行有限的診斷和預測。AI工程師認為，這遠未發揮出AI的全部實力。

相比之下，新一代AI具有與ChatGPT等大型語言模型一樣的靈活性，可執行廣泛的任務。研究人員用其在19種癌癥類型中進行了測試。

雖然近期已出現了其他基于病理圖像的醫學診斷基礎AI模型，但據信，這是第一個能預測患者結果并在國際患者群體中得到驗證的模型。

該AI模型通過讀取腫瘤組織的數字幻燈片來工作。它可根據圖像上看到的細胞特征檢測癌細胞，預測腫瘤的分子特征，其準確度高于大多數當前AI系統。它可預測多種癌癥的患者生存率，并準確定位腫瘤周圍組織的特征，這些特征與患者對手術、化療、放療和免疫療法等標準治療的反應有關。

換句話說，在此前未知的、與患者生存相關的腫瘤特征領域，AI工具似乎產生了新的“見解”。

擁有超越“前輩”的準確率

研究人員將新模型命名為CHIEF，是“臨床組織病理學成像評估基礎”之意。它首先要用1500萬張未標記圖像進行訓練，然后，再基于6萬張全切片圖像進行進一步訓練，樣本包括肺部、胃部、結腸、大腦、肝臟、胰腺和腎上腺皮質等19種組織。通過訓練模型查看圖像的特定部分和整個圖像，它能將一個區域的變化與整體背景聯系起來。

這種方法，使CHIEF能比“前輩”AI都更善于考慮廣泛背景。而這種全面解讀，幾乎帶來了圖像診療學的飛躍。

為了證明CHIEF并非“虛有其表”，團隊利用來自全球24家醫院和患者群體的32個獨立數據集中的19400多張全幻燈片圖像，測試了其性能。

CHIEF在癌癥檢測方面實現了近94%的準確率。在從獨立隊列收集的5個活檢數據集中，CHIEF在食道、胃、結腸和前列腺等多種癌癥類型中的準確率達到96%。當團隊利用手術切除的結腸、肺癌、乳腺癌、子宮內膜和宮頸腫瘤等未見過的樣本測試CHIEF時，準確率也超過90%。

總體而言，CHIEF診斷的準確率比現在最先進的AI方法高出36%，且不僅是癌細胞檢測，還有腫瘤來源判斷、患者結果預測，以及對治療反應相關基因的識別。

由于其進行過多功能訓練，無論腫瘤細胞是通過活檢還是手術切除獲得，CHIEF的判斷都同樣出色。而且，無論使用何種技術將癌細胞樣本數字化，它的準確性都一樣高。這種適應性使它可用于不同的臨床環境。

將是病理科醫生的好幫手

值得注意的是，腫瘤的基因組成，其實是決定其未來“行為”和最佳治療方法的關鍵線索。

現在，AI的能力結合人類病理學醫生的經驗，能以前所未有的快速、經濟的方式，高效識別圖像上提示特定基因組畸變的細胞模式。

在查看全組織圖像時，CHIEF能以超過70%的總體準確率識別54種常見的癌癥基因突變。對于特定癌癥類型的特定基因，它的準確率更高。為了更好地協助人類醫生，AI在圖像識別之后，會可視化這些重點區域，并反映出癌細胞與周圍組織之間的相互作用，再生成“熱圖”。當人類病理學家分析這些AI得出的熱點時，那些值得注意的信號就會非常醒目。

這進一步凸顯出AI可提高臨床醫生有效、準確評估癌癥的能力。

但即使是這樣革命性的診療AI，也遠不是十全十美。

科學家正在計劃進一步提高它的性能，方法則是一組接一組的“特訓”：對罕見疾病和非癌癥組織圖像進行額外訓練；用細胞完全癌變之前的癌前組織樣本進行訓練；向模型提供更多分子數據，以增強其識別不同侵襲程度癌癥的能力……

在“特訓”后，AI不僅能幫助人類醫生診斷癌癥，優化治療方案，還能預測那些層出不窮的新型癌癥療法的益處和副作用，真正幫助醫生和患者少走彎路。