AI在腫瘤學領域發(fā)揮著最大作用的五個領域

根據《今日藥物發(fā)現(xiàn)》上發(fā)表的一篇評論，人工智能及其各種應用正在重新定義科學家進行癌癥研究的方式。

印度孟買Shobhaben Pratapbhai Patel藥房和技術管理學院的作者Vaishali Y. Londhe和Bhavya Bhasin在論文中說，腫瘤及其所需的治療方法本質上是復雜的，但人工智能正在改變腫瘤學家的研究方式。癌癥管理。

他們寫道：“癌癥的獨特性使得其進展和早期診斷的繪圖變得困難?！?“深度學習已成功應用于以前難以理解的領域，并為癌癥治療設定了新的標準?！?/p>

隆德（Londhe）和巴辛（Bhasin）認為AI在腫瘤學領域發(fā)揮著最大作用的五個領域是：

1.診斷轉移

Londhe和Bhasin說，診斷皮膚癌通常涉及臨床篩查和皮膚鏡分析，然后進行活檢和組織病理學分析，但是AI的最新進展為減少耗時的方法鋪平了道路。Esteva等人進行的2017年研究。并在《自然》雜志上發(fā)表，使用129，450張皮膚癌的臨床圖像來訓練卷積神經網絡（CNN）以識別和分類癌癥，而AI最終能夠檢測到惡性腫瘤以及皮膚科醫(yī)生。

俄勒岡州立大學的另一組研究人員使用深度學習從基因表達數據中提取信息，從而幫助他們對不同類型的乳腺癌細胞進行分類，從而揭示了用于乳腺癌檢測的新生物標記。

2.分割腫瘤

分析腫瘤體積是診斷后立即在癌癥治療中采取的步驟，但是放射科醫(yī)生使用的傳統(tǒng)方法（即實體腫瘤的反應評估標準或RECIST）進展緩慢，且可降低近50%。

科學家已經使用CNN來更精確地分割腦腫瘤，肝腫瘤和視神經膠質瘤。在肝癌研究中，一個團隊使用CNN對后續(xù)CT中的肝腫瘤進行分割，將基線CT掃描輸入，對CT掃描進行描繪并在CNN中進行后續(xù)掃描以實現(xiàn)自動分割。

Londhe和Bhasin寫道：“與半自動方法相比，CNN的主要優(yōu)勢在于，由于能夠自動識別特征，因此無需手工定制特征?！?/p>

3.應用精確組織學

這組作者說，組織形態(tài)學已經被精確的組織學（一種深度學習）“革命”了。多年來，病理學和診斷一直依賴于對H&E染色載玻片的準確解釋（這種解釋可能緩慢且不可靠），而深度神經網絡（DNN）則采用了可以加快這一過程的算法。DNN已被用于分析皮膚病變，其準確性與皮膚科醫(yī)生相似，將圖像解構為像素并將其聚集以形成可再現(xiàn)的特征，從而產生某種診斷模式。

Londhe和Bhasin說：“由于高通量全幻燈片掃描技術的發(fā)展，DNN很快將能夠基于H&E幻燈片進行更準確的分析?！?“這還將導致開發(fā)新的生物數據庫，這將進一步幫助精準腫瘤學?！?/p>

4.追蹤腫瘤的發(fā)展

深度學習也已應用于跟蹤腫瘤的發(fā)展。德國弗勞恩霍夫醫(yī)學影像計算研究所的研究人員開發(fā)了一種深度學習模型，該模型可以自我更新，并且在讀取更多CT和MRI時會變得更加準確，該軟件還可以輕松進行圖像比較，以跟蹤患者在診所就診之間的腫瘤發(fā)展情況。

Londhe和Bhasin寫道，這種方法對檢測骨骼，肋骨和脊柱的癌癥最有幫助，因為由于時間限制，這些腫瘤經常被忽略。

5.評估癌癥的階段

分析患者的癌癥分期對于預后至關重要，但作者說，常規(guī)評估過程“與各種局限性有關”。作為替代方案，研究人員開發(fā)了一種預測模型，該模型使用深度學習來預測接受胃切除術的患者的存活率。

Londhe和Bhasin寫道：“與基于常規(guī)Cox回歸的預測相比，基于深度學習的預后檢測具有更高的預測能力?！?“它表明深度學習可以提供更加個性化和精確的基于風險的分層?！?/p>