人工智能在肿瘤领域应用现状及发展前景*

王 轲 毕轩懿

(海军军医大学基础医学院 上海200433)

王婧婷

(海军军医大学护理系 上海200433)

1 引言

恶性肿瘤已占我国居民死因的23.91%，且发病率逐年升高，成为世界关注的健康问题[1]。人工智能(Artificial Intelligence，AI)在医疗卫生领域应用不断发展，2017年国务院正式印发的《新一代人工智能发展规划》中明确指出要推广智能医疗，建立快速精准的智能医疗体系，探索建设智慧医院并加强群体智能健康管理[2]。肿瘤是医疗健康领域的重要攻关难题，各国学者纷纷探索AI与肿瘤筛查、诊断、治疗、护理和康复等领域的结合应用。本文就AI在肿瘤领域的技术方法和应用现状进行综述，探讨其面临的机遇与挑战，以期为AI助力肿瘤诊疗和护理提供参考。

2 肿瘤领域使用的AI技术

2.1 机器学习

即计算机借助算法模拟或实现人类学习行为，通过获取新知识或技能，重新组织已有知识结构使之不断改善自身性能的一种技术[3]。该技术不断学习标准化的多来源数据，如医学文献、医疗电子信息系统、医学检验数据等，持续减少错误的发生并提高解决问题的效率，以帮助解决更多临床问题。在肿瘤病理学影像诊断中应用广泛，如基于超声图像对乳腺癌亚型进行分类[5]等。

2.2 自然语言处理

即基于机器学习技术来实现人与计算机之间自然语言有效通信的技术，与人机交互领域相关[6]。IBM公司的沃森医生(Watson for Oncology，WFO)可使用自然语言与肿瘤患者进行实时人机互动[7]。自然语言处理技术也可与社交媒体结合，帮助肿瘤患者进行决策的同时促进患者个性化诊疗与情感需求的满足[7]。

2.3 自动规划

一种问题求解技术，将问题分解成若干子问题并进一步解决，最终实现预期目标[8]，在肿瘤个性化治疗和护理方案制定中有一定应用，如利用该技术将DTI功能像与MRI结构像相结合，进行脑干肿瘤术前路径自动规划设计，有效引导医生在术中规避重要的组织区域，降低手术风险[9]。

2.4 语音处理

研究语音发声过程、语音信号统计特性、语音自动识别、机器合成以及语音感知等各种处理技术的总称[10]。可通过该技术对颞叶胶质瘤术后患者的发声以及语音内容进行识别和处理，以评估患者手术恢复情况[11]，还可对喉癌患者语音粗糙度进行识别以评估放疗后患者声音恢复情况[12]。

2.5 专家系统

主要通过一种知识表达模式将肿瘤专家知识和经验存入计算机，再对输入的事实(如患者诊疗信息等)进行推理，模拟医学专家诊断疾病，做出类似人类的判断和决策[13]。WFO是目前较为成功的专家系统，其他还有可进行癌症患者病史总结、为患者提供治疗方案建议和健康管理咨询的专家系统[6]。

2.6 人工神经网络

即模仿人类神经活动进行分布式并行信息处理的算法数学模型，可基于系统复杂程度，优化调整内部大量节点之间相互连接关系，从而达到处理信息的目的，具有自学习和自适应能力，深度卷积神经网络模型是常用的技术模型[14-15]。人工神经网络多用于肿瘤患者的影像诊断，通过图像处理技术对肿瘤图像进行压缩、增强、复原、匹配、描述和识别，辅助医生进行诊断。

3 具体应用

3.1 风险评估

肿瘤受基因及个体所处环境影响，传统肿瘤风险评估可能存在误差且缺乏个体特异性。Pergialiotis V等[16]利用人工神经网络和分类回归树预测绝经后妇女患子宫内膜癌风险，准确率达85.4%。Nematollahi M等[17]利用机器学习决策树模型，根据临床和影像特征预测胶质母细胞瘤患者生存率，准确率高达85.1%。由此可见AI在肿瘤风险评估中已有一定应用，但评估预测模型准确率还有提升空间，未来AI与患者个体基因检测技术、电子医疗记录、生活数据等多来源数据结合，将进一步提高肿瘤风险评估的准确性和特异性。

3.2 诊断

3.2.1 实验室 常见肿瘤实验室检查包括常规检查、血清学检查、免疫学检查、流式细胞分析术以及基因诊断等。AI在辅助肿瘤细胞水平诊断上具有较高的准确率，如Moshavash Z等[18]利用决策支持系统从血液显微图像中诊断急性白血病，最终准确率在细胞水平上达98.10%。Saeedizadeh Z等[19]应用计算机辅助诊断方法从显微图像中对骨髓瘤细胞进行自动识别，识别敏感度达96.52%，特异性93.04%，精密度95.28%，能够有效地辅助多发骨髓瘤的诊断。

3.2.2 影像 AI图像智能识别技术可较大幅度提高肿瘤影像诊断准确性，有效降低医生主观错误。目前AI技术已在肺癌、乳腺癌、前列腺癌等肿瘤的影像诊断中得到广泛应用，如Patel等[20]利用AI算法提取乳腺X线摄影的关键特征并与乳腺癌亚型进行相关性分析，诊断准确率高达99%。Le MH等[21]利用基于多模态卷积神经网络技术在多参数MRI中自动诊断前列腺癌，灵敏度可达89.85%，特异性高达95.83%。

3.2.3 内镜 内镜检查可直接观察空腔器官、胸、腹腔以及纵膈的肿瘤，但需内窥镜医生仔细观察内镜图像，对医生素质要求较高。AI辅助下的内镜检查可减轻医生工作负担并提高检查准确率，如Everson M等[22]通过深度卷积神经网络计算机辅助内窥镜诊断技术对毛细血管内毛细血管环模式进行分类，准确率达93.7%，可用于辅助医生对鳞状细胞瘤的诊断。Wang P等[23]基于机器深度学习的自动息肉检测系统可有效降低结肠镜检查中腺瘤检测遗漏。

3.2.4 病理学 肿瘤病理学诊断是目前确诊肿瘤的金标准，此过程主要依赖于病理医生对图像的认识，病理医生需借助高放大率的图像进行组织切片的人工筛查，过程耗时且可能出现主观误判。计算机辅助设计(Computer Aided Design，CAD)能快速大量地对数字病理图像进行分析，高效且漏诊率低[24]。在乳腺癌的病理图像分析中，深度学习算法在乳腺癌淋巴结转移的诊断上已达到专家水平[25]。德国国家肿瘤疾病中心等机构开发的基于皮肤镜图片的黑色素瘤诊断AI算法，在与157名皮肤科医生的诊断比较中黑色素瘤诊断AI算法总体准确度更高[26]。

3.3 治疗

3.3.1 手术 手术多为治疗良性肿瘤的首选方案，但肿瘤切除手术较为精密，需要具备良好的视野，而有限的活动范围、手震颤的放大和不方便的手术定位都会对肿瘤手术有影响。为提高肿瘤手术水平，已有用于精细肿瘤外科手术的AI手术机器人，相对于传统外科医生，AI手术机器人能迅速精准定位，为微创手术提供技术保障，避免开放性手术相关的并发症，极大改善患者预后和术后生活质量[27]。

3.3.2 化学 AI为肿瘤患者化疗药物选用、联合用药提供决策支持，也为化疗新药研发提供新思路。AI可通过分析肿瘤患者治疗前血液生物标志物和原发肿瘤CT图像特征来预测化疗药疗效及风险，以辅助化疗药物筛选[28]。除通过大数据与患者个体信息相结合为患者提供个性化药物治疗外，Pan-cancer利用AI学习不同癌症类型的RNA基因来预测疾病靶点，供后续癌症靶向药物的研发，为高效研发肿瘤新药带来希望[29]。

3.3.3 放射 放疗方案的个性化定制对肿瘤患者十分重要，AI在放疗中的应用对促进肿瘤治愈、减少肿瘤患者放疗损伤、保护其他部位功能和提高患者生存质量方面有着重要意义。Shen C等[30]开发智能权重调整策略网络，基于宫颈癌的高剂量率近距离放射治疗原理，进行放射治疗中反向治疗计划的智能制定与调整。Ibragimov B[31]应用深度机器学习模型，实现患者个性化放疗计划的自动设计，可根据治疗情况不断优化放疗计划。

3.3.4 其他 AI在肿瘤辅助介入治疗、基于免疫治疗标记物的生物治疗等其他疗法中也有一定应用。如Trebeschi S等[32]开发了能够识别患者对免疫治疗有反应或无反应的非侵入性机器学习生物标志物，使患者1年生存率提高24%，为改善患者新辅助治疗和姑息性治疗效果提供可能，为肿瘤免疫治疗中筛选生物标志物提供新方法，为肿瘤治疗带来新突破。

3.4 护理

3.4.1 健康宣教 基于肿瘤患者疾病情况和个性化需求的健康宣教可减少肿瘤患者焦虑、恐惧情绪，益于患者康复。智能健康教育正在逐渐普及，患者可使用自然语言向健康教育机器人提问，也有基于AI的健康咨询手机应用程序，还有家用智能音响等辅助健康教育工具，使患者及时了解疾病知识，缓解医护人员宣教压力。目前已在上海瑞金医院上线的乳腺癌患者健康管理手机应用程序可为患者提供多样化信息支持和及时反馈，提高乳腺癌患者生命质量及自我管理效能[33]。

3.4.2 症状管理 肿瘤不同疾病分型、治疗方案、治疗阶段患者的核心症状不同，且症状很少以单个形式存在，多个单一症状常常相互关联、影响，表现出集群的趋势，症状管理极其复杂。通过AI可对肿瘤患者疾病数据进行分析，帮助患者及医护人员进行症状管理，Oleena软件能为患者提供专业实时的个性化症状管理建议，包括症状管理的个体化辅导，根据患者情况提供支持疗法，以实现患者症状的自我管理，帮助护理团队远程监护患者，其效果已得到临床肿瘤学专家小组的认可[34]。

3.4.3 辅助护理决策 AI与决策支持系统结合形成智能决策支持系统，可自动定制患者个性化的护理路径，规划和管理患者护理方案。目前基于结构化电子病历的智能护理临床决策支持系统已在临床有所应用，系统为护士自动推荐标准化护理诊断和措施，有效指导护士工作，提高护理诊断正确率；系统通过对患者评估数据的整合、分析和利用，及时反馈患者病情变化，促进护士及时满足患者需求，提高护理质量[35]。

3.4.4 精准护理 根据肿瘤患者基因组、生活方式和环境特征等量身定制护理方案。随着高通量测序技术发展，机器学习、微阵列及转录组测序技术用于分析基因数据，帮助护理人员获取肿瘤患者多方面信息，以辅助患者个性化精准护理方案的制定[36]。Tokutomi T等[37]开发的家庭树创建软件可用于肿瘤患者的家族史采集和谱系图表创建，从家族史入手掌握肿瘤患者各方面信息，促进患者的精准护理。

3.4.5 护理机器人 辅助护士为患者提供护理，常见护理机器人主要用于转运患者、监管患者、饮食护理、情感支持等。目前肿瘤领域护理机器人相对较少，智能静脉药物配置机器人可自动完成化疗药物配置操作，自动分离产生的医疗废弃物，降低护士工作强度和工作量，优化护士职业防护，且可减少药物残留，提升药品冲配精准度[38]。

4 AI在肿瘤领域应用的机遇与挑战

4.1 机遇与发展方向

4.1.1 概述 AI是一项不断发展且极具潜力的新技术，目前在肿瘤领域应用尚处于探索阶段，临床工作者、科研人员以及资本市场都在积极探索如何高效利用海量临床数据，加强AI与肿瘤诊疗和照护的深度融合，以促进基于AI的肿瘤诊疗助力基层医生成长和优质医疗资源下沉，进而加速分级诊疗制度的落实，同时帮助患者进行疾病自我监测和健康管理，增强患者就医获得感，改善患者体验。

4.1.2 数字化人体 在数字化进程不断发展的时代，数字化人体越来越受到医疗领域相关学者的重视。数字化人体是应用现代信息技术将人体结构和功能数字化、可视化，建立能被计算机处理的数字模型[39]。践行数字化人体理念，高效利用肿瘤患者多方疾病、诊疗、护理、社会心理、健康行为等数据，突破时间、地域局限，借助AI技术打造多维、立体、可视化的数字化肿瘤患者，实现疾病-健康动态管理的全程无缝诊疗模式，具有十分重要的意义。

4.1.3 肿瘤诊疗和照护相关AI产品 其研发需围绕患者核心问题进行顶层设计，通过从上至下整体研发或单个产品累积逐渐形成合作无间的产品团队，逐渐从单方面的诊疗辅助走向综合性的诊疗方案，使AI在肿瘤领域的应用形成闭合环路，为肿瘤患者提供精准、高效且有温度的健康诊疗照护体系。

4.1.4 智能机器人 应加强AI辅助肿瘤风险评估和诊断的准确性，这将有赖于数据的可获得性和标准化，以及机器学习技术对模型的不断训练。AI辅助下的手术机器人有待进一步研发，以高效规划手术路径，促进肿瘤微创治疗的发展，提高手术精准度并减轻手术对于患者身体的损伤。目前护理机器人在肿瘤领域的应用还较少，配药机器人的应用已获得临床人员的认可，一些智能宣教机器人、情感支持机器人在其他领域已有所应用[40]，应进一步进行相关研究。疾病本身和治疗给肿瘤患者带来诸多症状，长期困扰肿瘤患者，严重影响其化疗的服药依从性[41]，利用AI技术预测并识别肿瘤患者症状，依据患者的数字化人体信息，给予其针对性和个性化的症状管理措施，将有助于提升肿瘤患者症状管理效果和体验。

4.2 挑战

4.2.1 技术研发 AI在肿瘤领域的应用不断拓展，但其与临床的深入结合仍面临多重挑战。技术研发方面还存在诸多研发瓶颈，且技术开发所需时间长、成本高，AI精确度有待提升，目前只能作为辅助技术与人工诊疗相结合，以减轻医护人员工作量。

4.2.2 数据 面临数据标准化和安全隐患相关问题，肿瘤诊疗具有其复杂性，各个诊疗单位患者数据较为独立，同时患者疾病和诊疗数据收集尚欠标准化，导致医疗数据不能被高效利用，亟需一套标准化肿瘤患者多维数据收集系统或一个能够打破不同数据收集系统壁垒的辅助工具。

4.2.3 人才 AI复合型人才的缺乏也制约AI技术在肿瘤领域发展，肿瘤诊疗常涉及多个医疗保健专业人员之间的协调和沟通，积极培养AI与肿瘤学科的交叉型人才是将AI渗透到肿瘤诊疗和照护各个环节的切实需求。

4.2.4 伦理和法律 应明确AI在肿瘤领域应用的定位。AI并非是医护人员简单的替代，而是医护人员重要的辅助工具，帮助医护人员从繁重的工作中解脱出来，使其更好地投入治疗和关怀患者中。此外如何防控和规避AI技术带来的风险，使其更好地为肿瘤患者健康服务值得深思。目前AI在医疗领域应用的相关政策法规还不完善，考虑到患者隐私和数据保密性问题，各医院对于患者数据共享都极为谨慎，虽一定程度上阻碍AI在肿瘤领域的发展，却极具必要性。国家相关部门正在积极出台相关政策[42]，以应对可能的患者隐私泄露风险。

5 结语

肿瘤领域使用的AI技术主要包括机器学习、自然语言处理、自动规划、语言处理、专家系统和神经网络。AI在肿瘤领域的应用主要聚焦于肿瘤风险评估、诊断、治疗及护理等方面，致力于为肿瘤患者提供便捷、准确的个体化医疗卫生服务，并逐步向全程完整的方向发展。AI与肿瘤领域的结合发展是必然趋势，面临一定的机遇与挑战，需要进一步强化技术研发，加强学科交叉的复合型人才培养，同时处理好伦理问题，完善相关法律法规，深化整合数据共享，使AI助力人类在战胜肿瘤的道路上走的更远。