癌症研究人员有多种工具来研究肿瘤。组织学染色使用染料使显微镜下不同类型的组织细胞可见。CT扫描可以确定肿瘤的大小、位置和扩散情况。表观遗传分析可以追踪癌症的生长和基因调控。
“这些不同的视角——宏观和微观——确实提供了对同一肿瘤的不同看法，”Emory Empathetic AI for Health Institute执行主任兼Winship癌症研究所研究员Anant Madabhushi说。
如果可以利用人工智能（AI）打破这些界限，并结合不同类型的图像以获得更深入的癌症风险和预后见解会怎么样？
这是最近四项研究的目标，这些研究有望产生更准确的癌症风险评估。医学院血液学和肿瘤学教授Nabil Saba参与了其中三项研究，他表示，将AI应用于癌症诊断“正在彻底改变我们所做的一切”。
“如果我们单独看这些工具，就会错过肿瘤的更大、更全面的图景，”Madabhushi说，他是所有四个项目的高级研究员。“只有当我们开始融合这些不同规模的数据——在放射学尺度上与细胞尺度和显微尺度上的数据相结合时，肿瘤复杂性的真正、全面的图景才开始显现。从转化的角度来看，这非常重要，因为它使我们能够了解肿瘤的行为。”
专注于头颈癌
这四个项目都集中在头颈癌上，特别是口咽部肿瘤——喉癌。Madabhushi表示，这些癌症正以流行病的比例增长，并且其复杂性可能受益于AI提供的见解。
“头颈癌实际上是由多种肿瘤组成的，”他说。“如果它们发生在口腔中，就是口腔肿瘤。然后还有口咽或口咽部肿瘤。根据头颈部内发生的部位，有各种各样的肿瘤。”
四组研究人员使用了一系列AI模型来分析不同的数据。对于几种癌症，免疫组化是一种使用抗体进行组织染色的方法，常用于检测和可视化抗原——即触发免疫反应的蛋白质。
例如，在第一项研究中，发表在《欧洲癌症杂志》上，一个小组开发并使用了一个名为VISTA的AI平台，将口咽癌患者的常规苏木精和伊红染色（H&E）组织切片转换为虚拟IHC切片，从而发现了肿瘤相关巨噬细胞（TAMs）。
“这些肿瘤相关巨噬细胞在许多不同类型的癌症中具有很强的预后作用，”Madabhushi说。“它们在标准H&E组织切片上很难识别。通过这种方法，我们揭示了一些需要特殊眼镜才能看到的东西。”
第二和第三项研究都使用了一种称为Swin Transformer的机器学习程序来合并不同类型的数据。第二项研究发表在《JAMA Network Open》上，结合了原发性喉癌肿瘤治疗前CT扫描的数据，提取了来自原发肿瘤和颈部淋巴结的属性和特征。治疗前CT扫描中肿瘤和淋巴结特征的组合与头颈癌的长期预后高度相关。
在第三项研究中，发表在《eBioMedicine》上，研究人员将Swin Transformer修改成一个名为Swin Transformer-based multimodal and multi-region data fusion framework (SMuRF)的模型，使他们能够在二维H&E组织切片图像和三维放射图像之间无缝切换。结合不同类型的图像使他们能够整合原发肿瘤和淋巴结的CT扫描以及原发肿瘤的显微切片图像。
“你有显微尺度，现在又到了宏观尺度，”Madabhushi说。“但真正有趣的是，这种Swin Transformer方法使我们能够揭示肿瘤的细微模式，并结合这两个不同区域的表示。然后我们不仅能够预测患者的生存率，还能够识别出真正能从化疗中受益的特定头颈癌患者。”
第四项研究也发表在《欧洲癌症杂志》上，超越了图像的结合，将切片图像与癌症的表观遗传数据联系起来。头颈肿瘤有多种形状和大小，这使得诊断和治疗变得复杂。通过一种新的模型——病理基因组指纹，研究人员能够将显微切片图像中的肿瘤细胞视觉结构与被认为塑造肿瘤发展的基因控制模式联系起来。
“对肿瘤表观遗传学的分子理解有助于我们更好地了解细胞水平上的肿瘤，”Madabhushi说。“我们能够将组织和肿瘤的相应表观遗传学这两个世界联系起来。”
改善癌症风险评估
所有四项研究都旨在更好地分类患者的风险。
“哪些肿瘤更具侵袭性并会进展？哪些肿瘤侵袭性较低，可能不会进展那么多？”Madabhushi说。“为了开发临床医生可以用来进行患者干预的实际工具。”
在这四项研究中，结合数据产生的癌症风险评估与任何单一数据源相比，匹配或优于后者。尽管取得了这些有希望的结果，合著者Saba（Winship研究所头颈癌研究Halpern主席）认为，在尝试将AI的表现转化为临床应用之前，谨慎行事是很重要的。
“我认为我们正处于理解可以做什么的阶段，”他说。“问题是该如何做。这需要时间。当你生成大量数据时，可能会忽略对患者护理重要的其他方面。生成数据是好的，但最终这些数据必须帮助个别患者。关键是如何在患者护理的背景下分析数据，以提供最佳治疗。”
(全文结束)
