在最近的一次《柳叶刀》网络研讨会上，三位专家揭示了他们如何利用人工智能推进癌症诊断和治疗，以及如何使这些进展惠及所有人。德国德累斯顿工业大学（TUD Dresden University of Technology）埃尔塞·克罗纳·弗雷森尤斯数字健康中心（Else Kröner Fresenius Center for Digital Health）的Jakob Kather教授的研究团队正在通过生物标志物提取来革新肿瘤治疗。瑞典圣戈兰医院（St Göran's Hospital）的高级乳腺放射科医生Karin Dembrower博士正在监督一项使用人工智能技术进行乳腺癌筛查的项目，取得了令人鼓舞的结果。埃默里大学医学院（Emory University School of Medicine）的Judy Gichoya博士是医疗保健人工智能和转化信息学领域的领军人物，她正在探索如何利用人工智能解决全球健康挑战并优化资源分配以实现最大影响。
人工智能在精准肿瘤学中的应用
Jakob Kather教授强调了跨学科合作和多样化视角在推动创新中的重要性，指出其研究团队背景的多样性。他的临床人工智能研究小组位于EKFZ数字健康中心，隶属于德累斯顿工业大学医学系和计算机科学系，同时与海德堡国家肿瘤疾病中心的医学肿瘤学部门有关联。
Jakob Kather博士是德累斯顿工业大学的临床人工智能教授，也是人工智能和精准肿瘤学领域的专家。在他的演讲中，他阐述了人工智能通过生物标志物提取、方法论进步和通用模型的应用在肿瘤治疗中的变革潜力，同时强调了跨学科研究在推动创新中的重要性。
为了说明人工智能的一个重要应用，Kather教授提到了选择日益增多的治疗方案的问题。“肿瘤学变得越来越复杂，”他说，引用了肺癌治疗指南的激增。
“2010年……我们选择非常有限；只有少数几种化疗药物可用，”他说。“但在2023年，这些指南变得更加广泛。如果你现在查看我们如何治疗患者的指南，例如肺癌或其他癌症，你会发现这些巨大的决策树。”
“因此，我们必须做出许多决定来选择不同的治疗方法。问题是：我们如何做出这个决定？一种可以帮助我们的方法是生物标志物。生物标志物是你在癌症组织或癌症患者中测量的东西，它帮助你做出正确的治疗决定并开具正确的治疗方案。”
在探讨通用模型如ChatGPT在肿瘤学中的实际应用时，Kather教授强调了提供额外上下文以增强响应的重要性：“我们需要以正确的方式使用它，以便探索这项技术能为我们做些什么。”
人工智能在乳腺癌筛查中的应用
在她的演讲中，瑞典圣戈兰医院的高级乳腺放射科医生兼主管医师Karin Dembrower博士分享了将人工智能技术整合到临床工作流程中的见解，特别是在乳腺癌筛查方面，同时强调了在实施人工智能时需谨慎考虑公平性、验证和偏见缓解。
她首先概述了瑞典的乳腺癌筛查计划，该计划邀请40至74岁的女性每两年进行一次免费的乳房筛查。详细介绍了向人工智能集成筛查的过渡，Dembrower博士解释了工作流程的变化，特别提到在其医院用商业人工智能算法替换了一个人类阅片员。她指出了一项涉及超过55,000名女性的前瞻性临床研究的初步结果，结果显示癌症检测率提高，阳性预测值（PPV）也有所改善。
谈到人工智能实施中的公平性问题，Dembrower博士强调了多样化的训练数据集和强大的验证过程的重要性，以解决不平等问题。她提到了获取人工智能集成筛查的差异，指出基于社会经济地位和文化因素的意识和参与度存在差异。
“我们希望有一个在多样化人群中训练的AI算法，其中少数群体也有代表，”她说。“但这并不总是容易获得多样化的数据集。这是我们在验证过程中需要注意的问题……”
Dembrower博士还谈到了获取方面的挑战。例如，在瑞典，只有少数几家医院使用人工智能集成筛查。“尽管女性可以决定在哪里接受筛查，”她说，“我们的经验是，资源较多的女性更有可能找到有AI集成的地方……而社会经济地位较低的女性在筛查计划中的参与度较低，这与语言、文化和无法访问筛查设施有关。”
人工智能的最大投资回报在哪里？
“我挑战大家思考，人工智能在哪里带来最大的投资回报，机会成本是什么？”
——Judy Gichoya博士
埃默里大学放射学和影像科学系副教授Judy Gichoya博士探讨了人工智能在全球范围内与健康公平的交集。
反思不同地区癌症死亡率的差异，Gichoya博士提出了一个具有挑战性的问题：
“我挑战大家思考，人工智能在哪里带来最大的投资回报，机会成本是什么？”
Gichoya博士强调了人工智能在提高患者参与度和改善获取医疗信息方面的潜力：“今天，你不必依赖英语作为唯一的信息来源。你可以提问：我在哪里可以接受筛查？我如何计划我的筛查？”
“但我想在这里停顿一下，因为当你考虑这些大型语言模型——这是可以用于患者参与的一种形式的人工智能——我们看到代表的是大多数意见。”
由于世界各地的指南各不相同，“很难说应该使用哪些指南。”
她指出，由于LLM从现有模式中学习，它们并不总是普遍适用。她提到了“我们医学文献中长期存在的偏见”和涉及健康公平的挑战。
“将人工智能转化为不同环境非常困难，”她说。例如，“我们仍然发现，黑人女性的预后往往更差。这是一个从谁接受筛查到谁接受治疗的连锁效应。因此，仅仅解决一个问题并不能拯救我们的生命。”
Gichoya博士提出了关于在不同医疗环境中实施人工智能的实际影响以及需要考虑当地情况和指南的定制解决方案的发人深省的问题。
她强调了在不同医疗环境和人群中转化人工智能进展的复杂性，强调了在超越诊断之外实施人工智能时考虑更广泛影响的重要性。她敦促观众批判性地评估与人工智能开发和实施相关的资源分配，倡导采取周到的方法以最大限度地发挥人工智能在医疗保健中的作用。
“总有一个机会成本，”她说。“那么，在获得人工智能诊断之后呢？我们可以治疗吗？我们有必要的资源吗？当我们花费大量资金在人工智能上时，我们在转移哪些资源？”
她呼吁采取细致入微的方法开发和监管人工智能，以确保技术在改善全球健康成果中的公平和有效使用。
(全文结束)
