来自Emory大学的Anant Madabhushi博士在巴西里约热内卢举行的国际骨髓瘤学会第21届年会暨展览上告诉与会者，人工智能（AI）在癌症护理中的全部潜力取决于其算法通过已完成的临床试验验证。很难找到一个不涉及人工智能奇迹的癌症会议或任何医疗保健会议，而国际骨髓瘤学会第21届年会暨展览也不例外，该会议于2024年9月25日至28日在巴西里约热内卢举行。
但演讲者Anant Madabhushi博士对他的乐观态度非常谨慎。他在Emory大学担任多个职务：他是Empathetic AI for Health研究所的执行主任，同时在生物医学工程系担任主要职务，在放射学和影像科学系担任次要职务。或许更重要的是，他对AI的可能性及其技术的局限性有着清晰的认识，这在他在主题演讲“多发性骨髓瘤中的AI：最新发现和机会”中有所讨论。
Madabhushi一开始就表示，他的大部分演讲不会涉及多发性骨髓瘤。他的例子主要来自乳腺癌和肺癌，这两种都是实体肿瘤。但他提出的概念——从克服AI的“黑箱”挑战到解决“可重复性危机”——无论涉及哪种疾病都是普遍适用的。他还展示了AI如何已经用于预测哪些肺癌患者会对昂贵的疗法产生反应，这对医疗系统和患者本身都具有重要意义。
Madabhushi以前列腺癌为例，说明了一种可能过度治疗的疾病；如果患者的死亡风险很低，接受不必要的放疗可能会导致患者受到伤害。“除此之外，尤其是在美国，我们必须承认过度治疗和过度诊断不仅会导致患者为中心的毒性，还会导致财务毒性。许多人都熟悉这样的统计数据：大约42%的新诊断癌症患者会失去他们的全部积蓄，许多人甚至在初次诊断后的1到2年内就会如此。”1
Madabhushi指出，研究人员开始意识到在整个过程中收集了多少数据：有在诊所进行的MRI检查；有其他测试结果输入电子病历。如果进行了手术切除，还有病理标本，这些标本可以数字化，利用计算机视觉AI和机器学习工具来分析单个细胞的外观。Madabhushi说：“然后还有肿瘤本身，具有蛋白质组学和基因组学特征。所有这些信息都是从多个来源收集的，问题变成了：我们如何将放射学和病理学的信息与基因组学对齐？一旦为个别患者收集了这些信息，我们如何提取特征和信息，以便更定量地描述疾病，最终，我们如何融合这些信息，以便创建更好的预测器，用于改进诊断、预后和预测治疗反应？”
这些数据收集工作已经进行了多年。他指出，最近发生的变化是，大约10年前，神经网络算法变得更加复杂，计算能力也有了飞跃性的进步。“我们的团队发表了最早使用深度学习的论文之一；2 这是一种特定类型的AI，用于识别乳腺病理图像上的癌细胞。最初，当我们进行这项研究时，我们对这些算法的强大功能感到非常惊讶。似乎病理学家只需在乳腺图像上标注几个癌细胞，我们就能建立一个AI算法，去新图像中找到癌细胞。”
然而，团队对他们的发现持谨慎态度。他们意识到自己并不真正了解AI是如何学习的。他们花了很多时间试图弄清楚AI从数据中学到了什么。自那以后，机构无法重现用AI获得的结果这一持续的“可重复性危机”开始引起关注，Madabhushi说。
他举了一个任何使用过ChatGPT的人都能理解的例子。“有一种现象，你向ChatGPT提供一个问题，它基本上会编造一个答案。这是一个挑战，因为这些答案听起来非常有说服力。不幸的是，它们完全是错误的。”如果使用黑箱算法的人不了解AI是如何训练的，“你会得到一些听起来正确的非常有说服力的回答，但实际上完全错误。”
在肿瘤学和血液学中，错误的代价要高得多。这就是为什么Madabhushi的团队投入大量精力进行AI验证的原因。“我们必须考虑我们提取的模式和特征的底层基础。当我们开始构建更有意图、更可解释的AI算法时，我们有机会开始在不仅仅是疾病诊断的背景下，而是真正思考预后、治疗反应预测和治疗获益方面使用这些算法。通过这些更可解释的AI算法，我们可以开始开发更多的预后和预测工具，用于根据患者的具体风险谱定制治疗方案。”
这种方法需要与多个机构和多个站点合作，这个验证过程也将解决可重复性危机，Madabhushi说。一旦完成工具的验证，下一步将是使用AI进行前瞻性试验。“这意味着我们要完全抛弃黑箱算法吗？不完全是。”他说。
他设想以新的方式使用“黑箱”AI，例如用于识别单个细胞或组织类型，以及理解细胞在“空间地理”中的相互作用，无论是肿瘤间质还是上皮，通过查看不同细胞类型在不同组织隔室内的排列相关的可解释特征。这项工作可以开发出新的数字生物标志物，更好地预测治疗效果；他展示了多个3D图像，展示了他的团队如何“绘制”不仅是肿瘤，还包括相关血管，以基于肿瘤血管的“扭曲度”预测结果。
正如他承诺的那样，有一个项目涉及多发性骨髓瘤。血液血管映射的工作正在应用于UK BioBank的样本。他分享了眼底图像，这些图像通常用于监测视网膜病变或青光眼等疾病。Madabhushi团队的成员正在使用AI工具分析患者眼睛随时间的变化；他们正在评估眼血管扭曲模式的特征。
Madabhushi警告说，目前只研究了几百名患者，但模式已经开始显现。“我们发现，与血管扭曲度相关的特征似乎可以在10年的时间框架内预测多发性骨髓瘤的发病。”“我们在多发性骨髓瘤领域才刚刚开始，所以还处于早期阶段。”“希望我已经传达了常规成像的计算分析可以帮助解决精准医学问题的观点。”Madabhushi说。“我想强调临床试验的重要性——已完成的临床试验——我们可以利用AI回溯分析这些已完成临床试验的数据，正如我展示的其他恶性肿瘤的情况一样，有很大的机会验证这些工具并展示它们的预后和预测价值。”
参考文献
- Gillespie AM, Alberts DS, Roe DJ, Skrepnek GH. 生死存亡？新诊断癌症患者的财务毒性全国估计。Am J Med. 2018;131(10):1187-1199. doi:10.1016/j.amjmed.2018.05.020
- Cruz-Roa A, Gilmore H, Basavanhally A, et al. 全切片图像中侵袭性乳腺癌的准确且可重复检测：一种用于量化肿瘤范围的深度学习方法。Sci Rep. 2017;18:7:46450. doi: 10.1038/srep46450. doi:10.1038/srep46450
(全文结束)
