当前，虽然预测癌症患者的预后需要考虑许多因素，比如患者病史、基因和疾病病理学，但临床医生仍在努力整合这些信息以做出对患者护理的决策。 来自麻总百瀚-百瀚和妇女医院 Mahmood 实验室的一项新研究揭示了一个概念验证模型， 该模型使用人工智能（AI）将不同来源的多种类型数据组合起来，预测 14 种不同类型癌症的患者预后。 研究成果发表在 Cancer Cell 期刊上。

（来源：Pixabay）

专家依赖于几种数据来源，如基因组测序、病理学和患者病史，来诊断和预测不同类型的癌症。虽然现有技术能使他们进行预测，但手动整合来自不同来源的数据是很具有挑战性的，因此专家经常发现自己其实在进行主观评估。 

麻总百瀚-百瀚和妇女医院计算病理学系助理教授，麻省理工大学和哈佛大学的 Broad 研究所癌症项目助理研究员 Faisal Mahmood 博士表示：“专家分析了许多证据来预测患者的表现。这些早期检查成为决定是否参与临床试验或具体治疗方案的基础，但这也意味着这种多模式预测发生在专家层面，我们正在尝试通过计算解决这一问题。” 

通过这些新的 AI 模型，Mahmood 和其同事发现了一种通过计算方式整合几种形式的诊断信息以产生更准确的结果预测的方法。 这些 AI 模型展示了进行预后判断的能力，同时还发现了用于预测患者风险的特征预测基础——这一特性可用于发现新的生物标志物。 

研究人员使用癌症基因组图谱（TCGA）构建了这些模型。TCGA 是一个公开的资源，包含许多不同类型癌症的数据。 

然后，他们开发了一种基于多模态深度学习的算法，该算法能够从多个数据源学习预后的信息。通过为组织学和基因组数据创建单独的模型，他们可以将该技术融合成一个提供关键预后信息的集成体。 

最后，他们通过将 14 种癌症类型的数据集以及病人的组织学和基因组数据输入该模型，评估了其功效。结果表明， 这些模型比那些只包含单一信息来源的模型产生了更准确的病人结果预测。 

这项研究强调，使用 AI 整合不同类型的临床信息数据来预测疾病结果是可行的。 

Mahmood 解释说，这些模型可以让研究人员发现结合不同临床因素的生物标志物，并更好地了解他们诊断不同类型癌症所需的信息类型。研究人员还定量地研究了每种诊断方式对单一癌症类型的重要性以及整合多种方式的好处。 

AI 模型还能够阐明驱动预后预测的病理和基因组特征。 研究小组发现，这些模型将病人的免疫反应作为预后标记，而没有经过训练，这是一个值得注意的发现。因为以前的研究表明，肿瘤引起更强的免疫反应的病人往往会有更好的结果。 

虽然这种概念验证模型揭示了 AI 技术在癌症治疗中的新作用，但这项研究只是临床实施这些模型的第一步。在临床中应用这些模型需要合并更大的数据集并在大型独立测试队列中进行验证。展望未来，Mahmood 旨在整合更多类型的患者信息，如放射学扫描，家族史和电子病历，并最终将模型应用于临床试验。 

Mahmood 博士表示：“这项工作为结合来自多个来源的数据的大型医疗保健 AI 研究奠定了基础。从更广泛的意义上讲，我们的发现强调要建立具有更大数据集和下游临床试验的计算病理预后模型，才能实现更好的数据实用性。” 

来源 | 健康界

版权归原作者所有，若有违规、侵权请联系我们