人工智能技术在肺癌临床诊疗中的应用与展望*

李静尧,邱 阳,王海东

(陆军军医大学第一附属医院胸外科,重庆 400038)

放眼全球,人工智能(artificial intelligence,AI)大模型时代全面到来。在过去的十年中,由于算法的改进、计算能力的增加、可用数据的扩展和应用范围大幅增长[1],AI大模型通常训练参数量达到百亿、千亿甚至万亿级别,有着极强的学习表达能力。经过海量数据的无监督预训练、有监督的指令微调和基于强化学习的人类反馈对齐,AI大模型可以理解丰富的自然语言、图像及完成多模态分析任务,相比传统深度学习模型性能有较大提升。随着ChatGPT、Sora的流行,以及首批国产大模型产品获得批准并向用户开放服务,AI大模型正全面应用于各个领域,为越来越多的行业带来价值。医疗领域被认为是AI最值得应用的领域之一,现目前AI在医疗行业中的应用包括院内诊断与治疗、互联网医疗、健康管理及新药研发等,为医疗健康服务提供了强大的支持,显著提高了相关领域服务的水平和效率,改善患者的诊疗结果、提供个性化医疗、缩小健康差距[2-3]。《健康中国“2030”规划纲要》提出,到2030年,要将我国整体癌症的5年生存率提升15%,提高肿瘤综合治疗水平成为业界努力的方向。癌症不仅是中国主要的公共卫生问题,同时也是全球范围的主要死亡原因之一,为人类健康带来了沉重的负担[4],其中肺癌是目前全球发病率、病死率最高的恶性肿瘤[5]。过去的几十年里,在医疗和科研工作者的不懈努力下,肺癌的诊疗技术取得了明显的进步,包括影像技术、基因检测、分子标志物、靶向和免疫治疗等,实现了患者的个体化治疗[6],然而面对不断增长的巨大数据,如何做到清晰分辨和快速有效利用,依靠传统的数据分析技术将需要漫长的挖掘整理过程,极易漏掉关键信息且浪费宝贵的数据资源。相比传统手段,AI技术可以更高效地处理海量数据,从而迅速找到疾病特征和规律。在多模态医学资料分析和影像识别上,AI技术已呈现出显著的优越性[7]。AI技术可以依据海量的医学知识库和数据库,通过深度学习、关系推理、强化学习等方法,建立完整的临床辅助决策系统[8],且可以主动对标最新诊疗指南、专家共识,以及国内外海量临床研究、药物试验、文献报道、真实世界数据,这是传统方法所无法企及的。大力推广AI技术,使用AI技术参与临床辅助诊疗全过程,将会大大提高早期肺癌的检出率,特别是能够帮助基层医院提高诊疗质量。因此,随着大数据和机器学习算法的不断发展,AI技术在临床诊断、治疗和预防的应用前景非常广阔[9]。本文将重点探讨AI技术在肺癌临床诊疗中的应用,并对其研究进展及面临的问题进行阐述。

1 AI技术在肺癌诊断中的应用

1.1 影像识别

肺癌筛查主要手段包括CT或PET-CT检查,其中AI技术在影像学领域表现出色,能够快速定位可疑病灶,为医生提供精准的诊断建议,从而显著减少漏诊和误诊,提高筛查的准确率。AI技术在肺癌影像中的应用不仅限于定位,还能有效地识别肺组织中的肿块、结节[10]、淋巴结[11]或其他异常的组织变化[12]。在相关研究中,通过比较传统放射科医师阅片和AI技术辅助下的诊断结果,证明了AI技术辅助诊断在性能上优于传统阅片[13]。更为重要的是,当放射科医师与AI技术协同工作时,整体诊断表现进一步提升,平均癌症漏诊率减少了60%[14],这展现了AI技术在肺癌筛查中的积极作用,提高了诊断的准确度,医生提供了强有力的辅助工具,使得临床决策更加可靠。

1.2 病理诊断

传统的病理学诊断具有人力成本和时间成本高,且主观性强的缺点[15],AI技术辅助病理诊断的处理速度更快、准确度更高、稳定性更强,这已在众多情景中得到验证[16]。AI技术在肺癌病理诊断中的应用场景包括肺癌的定性分析及组织学亚型判断,预测肺癌分子学特征及患者预后,肺癌生物学标志物的定量分析,信息整合实现深层次的肺癌精准诊断等[17],因此应用潜力巨大。

1.3 肺癌血液标志物-基因组学

由于肺癌相关血液标志物的特异度高,检测肺癌标志物对肺癌诊断具有一定的临床价值。影像学有助于筛查早期肺癌,在此基础上AI技术将肺部影像资料和肺癌标志物进行融合与分类,使判读结果更加客观及量化。目前已有多项研究报道了此类AI模型[18],显示出对于早期肺癌的诊断潜力。AI技术也被应用于基因表达谱分析中,例如,通过AI机器学习技术寻找肺腺癌细胞基因组通路中可操作的下游生物标志物,将有可能直接筛选出靶向药物进行治疗[19]。YUAN等[20]使用AI机器学习技术对鳞癌和腺癌的基因表达谱进行分析,鉴定了CSTA、TP63等十余项基因在两者中的差异表达。通过AI技术我们可以对肿瘤有更多的理解,就能更好地弄清肿瘤的进展和转移,开发出更多可行的人工智能方法是扩大对肿瘤预后研究的必要条件。

2 AI技术在肺癌治疗中的应用

2.1 智能决策

依赖于海量数据的推动,以AI机器学习特别是深度学习为代表的大数据驱动的分析技术取得了突飞猛进的进展。AI技术利用庞大的医学知识库和数据库,通过深度学习,主动识别、记录最新的诊疗指南、专家共识,以及国内外海量的临床研究、药物试验、文献报道、真实世界数据等,建立肺癌临床辅助决策系统[21],对患者的进行多模态数据分析,辅助医生快速准确地做临床决策。例如,本院开展的全球首家AI多学科诊疗平台,基于多种AI技术,融合影像、临床文本等多模态信息,依托大规模图形处理器(graphic process unit,GPU)算力,实现肺癌的智能诊断、TNM分期和决策推荐,为临床医生和患者提供AI诊疗建议,在确保有效诊疗的基础上,还可为患者提供充分的基于循证医学证据的医学人文关怀和健康管理建议等。经研究证实,相较于传统人工决策方式,AI技术辅助下的临床决策显示出更加优越的效率和准确度[22]。

2.2 手术规划

在肺癌术前实施的经AI技术规划的三维重建技术,将CT的二维影像转变为立体图像,可以更加直观且清晰地看到肺癌病灶的组织形态、毗邻血管神经等细微结构,在AI技术的协助下快速规划出具体的手术方案,例如手术术式的选择、病灶切除范围等。SHADEMAN等[23]利用猪作为实验模型,将AI技术融入机器人手术,经比较发现AI技术辅助机器人在缝合一致性、渗漏发生率、错误次数、完成时间等方面都优于传统机器人手术。不过此项技术的发展还仍然需要伦理、法律等方面的监管。

2.3 预测

通过对大量临床数据和基因组学等数据的分析,AI技术可以个体化预测肺癌患者的生存期(无进展生存期、无疾病生存期、总生存期等)、现有肿瘤倍增时间、对不同治疗方案的反应和预后等,从而为患者提供更加精准和有效的治疗策略。例如,AI技术现正用于预测免疫抑制剂和靶向治疗的反应[24];同时还可以使用AI技术优化肺癌的全身治疗选择,KURESHI等[25]应用AI机器学习,评估多个因素来预测表皮生长因子受体阳性非小细胞肺癌接受厄洛替尼或吉非替尼的肿瘤反应。因此值得进一步深入应用研究。

3 AI技术应用的伦理争议

AI技术在医疗领域的应用可能涉及隐私和数据安全、医疗事故责任划分、医疗决策的公平性、人机关系等伦理问题。2023年10月,科技部等多部门联合发布《科技伦理审查办法(试行)》,对于科技伦理审查的基本程序、标准、条件等提出统一要求,意在规范科学研究、技术开发等科技活动的伦理审查工作,强化科技伦理风险防控,促进负责任创新。为构建科技与伦理的和谐关系,推动AI技术与社会的良性互动,未来还需制订更为细致的AI技术伦理规范,强化透明度和问责制。医疗机构应建立独立的AI技术伦理审查部门,强化技术伦理教育等,以确保AI系统的设计、开发和应用符合伦理要求,从而促进AI技术的可持续发展和帮助社会受益。

4 AI技术诊疗的技术监管

AI技术在临床诊疗中的高速发展还面临着一些挑战。作为医疗机构应该充分学习国家法律法规,合理开展AI技术诊疗活动,才能保障诊疗安全、患者隐私,以及国家的信息化资源。我国AI技术治理模式倾向于促进与监管并重,发展与安全并行。新时期AI技术相关的法规也陆续出台,如《互联网诊疗监管细则(试行)》明确禁止AI技术软件等替代医师本人提供诊疗服务。在相关法律法规的监管下,既保障AI技术的发展和创新,也确保其在合法、安全、可控的框架内运行,最大限度地减少风险和负面影响。

5 AI医疗技术发展的关键角色

未来,创新医疗的发展离不开AI技术,但建设高质量的数据源并不仅仅依靠社会资本和企业来独立完成,还需要国内权威医疗机构和医学专家的主导并吸纳具有医学背景知识的人员参与建设过程,例如对患者的诊疗病案进行梳理、建模和标注等,以建立数据标准和验证体系,从而更系统有效地推动AI医疗技术水平的提升[26]。随着AI技术在医疗保健领域的持续普及,会有越来越多的医疗保健专业人员接触到AI技术,因此对于AI技术诊疗工具的培训需求也变得越来越迫切。经过培训、实践、反馈,进而将这些人员纳入翻译和开发人员的角色,丰富AI技术创造的劳动力,通过提高批判性评估、推动更好的研究质量和优化资源分配来加速创新,使患者和从业受益[27]。

综上所述,AI技术在肺癌诊疗领域的应用前景非常广阔,能够提高肺癌早期诊断的准确性、优化个性化治疗方案、辅助医疗机器人手术、整合分析医疗数据并预测诊疗结果,有望为肺癌患者带来更高效、更精准和更个性化的医疗服务。在整个医疗领域,已经证实AI技术在提高患者预后、提高医疗效率和加速整个医疗保健生态系统的创新方面具有巨大的潜力。然而,这些AI医疗工具需要谨慎使用,将患者的隐私和安全放在首位。随着AI能力的指数增长,相信AI技术将在包括肺癌在内的医疗全域发挥越来越重要的作用。