人工智能在肿瘤学教学中应用的前景分析

赵紫晨 张 衍

（四川大学华西医院肺癌中心 成都 610041）

1 背景

近几十年来，人工智能（artificial intelligence, AI）正成为推动人类各个领域经济及科技发展的决定性力量，充分认识到人工智能技术及机器学习方法对引领各项领域的未来发展具有重要意义。人工智能广义上包括机器学习和深度学习，其中，机器学习是人工智能的一个子领域，它利用算法检测现有数据中的模式，然后训练对新数据进行预测。机器学习是通过训练学习不同的预测模型，并据此估计人工神经网络模型的参数，然后通过测试/验证阶段在数据上测试所学模型的预测准确性，以确定具有最低泛化误差的模型[1]。而机器学习的最新进展——深度学习，属于机器学习的一个分支学科，其特点是多层次的人工神经网络的运作。除了可以完成上述所有机器学习的应用，深度学习还具有更复杂的功能，可以提供处理庞大的数据集的决策能力，此外，最近深度学习算法的发展呈指数级上升，彻底改变了几个视觉计算基本问题的性能[2]。

在医疗领域，人工智能已引入多个领域中进行实践应用，包括药物发现、远程病人监测、诊断、风险管理和医院管理等。在肿瘤学领域中，人工智能与机器学习亦开始初步发展，并展现出巨大的应用潜力，如在肿瘤的初步诊断、影像识别、免疫治疗反应预测、新辅助化疗反应预测、预后分析中均有人工智能结合临床的相关研究[3-4]。现代信息化发展为传统教学模式带来改革，人工智能及其衍生技术也已在肿瘤各领域成功应用，为未来的肿瘤学信息化智能教学模式提供了广阔的发展空间。人工智能在肿瘤学领域中的应用可供更多的医学生及青年医生学习，更切实地结合理论知识与临床实际，但AI在肿瘤学教学领域尚处于初步发展阶段，尚需要更多的研究、教学实践推动该领域的发展，AI的进一步发展也将为医学教育的发展提供更多机遇和发展空间。本文从人工智能在肿瘤病理学诊断、肿瘤影像学诊断、放射肿瘤学、肿瘤外科治疗、肿瘤治疗方案决策五个方面的应用及其在未来肿瘤教学中的应用前景进行叙述。

2 AI与病理诊断

随着计算能力的不断进步，深度学习与病理学分析的结合促进了数字病理学的发展，利用AI实现了病理学图像从检测、分割、诊断到分析，将病理学图像分析从定性分析转化为定量分析，降低了病理学医师由于主观的技术差异导致的误诊率[5-6]。目前，人工智能已用于探索据病理图像的细胞学初筛、定量分析、组织病理诊断和预后判断等方面[6]。

病理诊断是肿瘤的金标准，对指导后续的治疗方案和预后判断有重要价值。由于传统病理诊断面临病理医师水平高低、主观判断差异等影响，具有强大的特征提取能力的人工智能体现出潜在的优势，因此病理诊断和辅助诊断是人工智能在病理领域发展的热点。通过对已有的肿瘤数字病理图像进行分析和建立卷积神经网络模型（Convolutional Neural Networks, CNN）等深度学习模型，可用于肿瘤的发现和辅助诊断肿瘤的良恶性[7-9]。病理诊断对肿瘤后续进展的个体差异性也有一定价值，如肿瘤的类型、对治疗反应、临床转归等,在病理诊断中引入人工智能可以将病理图像中的某些特征可视化、量化，以便为后续临床决策提供支持[10-13]。在AI与生物医学的结合基础上，可实现病理学与肿瘤学的多学科交叉融合，进一步发展教学为以真实患者临床资料为中心的学习模式。大量的真实病理学图像资料鼓励医学生在课堂中就能参与到真实的临床肿瘤诊疗中去，从而避免单纯知识讲授的教学模式。

3 AI与影像诊断

人工智能与影像诊断的结合所建立的模型是基于机器视觉的深度学习神经元数学模型，这类模型是在大量的原始像素的基础上提取出有意义的影响组学特征，从而学习模仿影像医师来做出诊断，再在多次的反馈学习中不断校正，用于电脑辅助检测/诊断(computer-aided detection/diagnosis, CAD)，在临床上已初步应用于临床诊断和筛查[14]。

在肿瘤的初步影像学诊断和良恶性鉴别中，人工智能辅助的诊断模型已经在各系统的肿瘤中有所应用，如肺癌、乳腺癌、皮肤癌等[15-18]。除了最多见的CT图像和MRI图像的辅助诊断模型，近年来也有一些建立在PET图像和超声图像的基础上的深度学习模型，拓宽了AI辅助影像学诊断模型的发展前景[19-20]。通过对既往已有临床资料的分析，深度学习的方法如随机森林（RF）可用于建立能够预测治疗效果及肿瘤预后的AI预测模型，对肿瘤的后续治疗决策有一定指导意义[21-25]。通过AI强大的图像识别、提取技术和不断的反馈学习，部分CAD的诊断正确率已达到资深影像医师的诊断水平，在未来有很大的发展前景。和AI与病理诊断的结合类似，人工智能与影像学的结合，除了可为肿瘤教学提供大量真实的临床资料，还可加强各医学院校之间的影像资料共享，让更多基层医学院校能够获取大型教学医院/医学院的疑难复杂病例的资料，进而提高基层医学院的教学质量。

4 AI与放射肿瘤学

近年来，AI技术在恶性肿瘤放疗领域中的应用广泛，除了放疗靶区的勾画，还建立了AI化的放疗计划制定模型以及远程智能化质控系统，可满足多层级医院的现实需求，具有重要的现实应用价值[26-28]。目前有较多应用卷积神经网络等深度学习方法建立的放疗计划制定模型，可以弥补一些由于放疗医师技术水平高低不齐导致的放疗计划良莠不齐的情况[29-31]。除了在临床中的应用外，放射肿瘤学专业的医学生和年轻医师也可利用此类AI化的放疗计划制定模型进行学习和提高，这种教学模式有利于及时的反馈-提高，这是传统教学手段难以达到的。

5 AI与肿瘤外科治疗

AI在肿瘤的外科治疗中，可应用于术前评估、辅助手术、术后管理[32]。精准的术前评估是肿瘤外科手术成功的关键之一，术前应用深度学习和三维可视化技术等建立模型，对肿瘤的大小、位置、与周围血管的位置关系、器官功能状态等进行精准评估，都对肿瘤手术的精确开展能提供重要指导[33-34]。人工智能辅助外科手术已应用于多个癌种，增强现实技术(augmented reality, AR)也已应用于肿瘤外科手术中发挥起实时监控和引导的作用[35-39]。人工智能在肿瘤的术后管理中也可用于建立模型预测一系列并发症，以便于为早期干预提供依据[40-41]。目前人工智能在肿瘤的术前评估和术后管理预测方面应用成果突出，也已初步应用于术中辅助，其中人工智能在手术过程中的辅助指导已在医学生的手术学习中有了初步应用，虚拟现实技术(virtual reality, VR)、人工智能辅导、视频审查反馈等多技术的结合对医学生肿瘤外科手术的学习有着传统教学无法比拟的优势[42-43]。

6 AI与肿瘤治疗方案决策

精准治疗是现代肿瘤治疗的目标与发展方向，而肿瘤的精准医学基于大量智能化的信息分析基础之上，而这也恰好是人工智能的优势所在。基于大量医学期刊、医疗书籍及文献实例研究分析，已有肿瘤AI软件(Watson for Oncology, WFO)开发用于协助医师快速而准确地判断病情及指导治疗决策，已应用于乳腺癌、肺癌、胃癌、甲状腺癌等多个癌种且与专家委员组提出的方案表现出较为良好的一致率[44-49]。虽然WFO受肿瘤分期、患者人种差异、患者年龄增长等多因素的影响，在各个区域进行实际应用时，治疗决策的一致率还有待进一步的学习提高，但是对于资源欠缺的偏远地区，WFO具有不可否认的现实应用价值。另外，基于肿瘤治疗前的影像、数字病理学、基因组等资料，机器学习的模型还可建立用于预测肿瘤的治疗反应，可辅助肿瘤医师进行治疗方案的决策[50-51]。除了在临床诊疗中的应用，这类AI软件一旦应用于肿瘤教学，可真实还原临床诊疗经过，建立虚拟化的情景化的新颖教学模式，建立起从书本知识到临床实践之间的过渡桥梁。上述人工智能在肿瘤教学中的应用前景见图1所示。

图1 人工智能在肿瘤学教学中应用的前景分析示意图

7 小结

综上所述，AI及其衍生的一系列计算机技术已初步应用于肿瘤领域的各方面，大量的数据分析和不断的反馈学习能力使得此类技术在肿瘤的病理诊断、影像诊断、外科治疗、放疗、治疗决策等方面都表现出可观的发展前景。同时，人工智能具备大量信息库、远程共享、及时反馈等特点，使其可解决医学肿瘤教育中资源分配不均、传统教学反馈不及时、与临床实际诊疗衔接不够紧密等现实问题，可促进传统医学教育模式的改革。但AI目前在医学教育中的实际应用还十分有限，仍需进一步的研究和实践来推进。