人工智能在肿瘤治疗中的优缺点

人工智能在肿瘤治疗中的优缺点

优点

1.预测抗癌药物活性：人工智能可以用来预测抗癌药物的活性或协助抗癌药物的研发。不同的癌症与相同的药物可能有不同的反应模式，高通量筛选程序的数据往往揭示了癌症细胞的基因组变异和药物活性之间的关系。通过整合筛选数据和机器学习，可以开发出预测抗癌药物活性的模型（Lind等人，201X）。

2.优化药物研发和使用：人工智能可以通过学习和分析大型耐药癌症的数据，快速了解癌细胞是如何对抗癌药物产生耐药性的，这有助于改善药物研发和调整药物使用。例如，机器学习模型被证明能够成功预测卵巢癌、胃癌和子宫内膜癌患者的药物敏感性，包括接受他莫昔芬治疗的卵巢癌患者、接受5FU治疗的胃癌患者和接受紫杉醇治疗的子宫内膜癌患者（来源：https://zhuanlan.zhihu.com/p/528280436）。

3.提高化疗效果和耐受性：人工智能可以完善和加速联合化疗的优化过程。例如，通过使用“CURATE.AI”（新加坡国立大学利用深度学习等技术打造的人工智能平台），成功地确定了zen3694和恩杂鲁胺的最佳剂量，从而提高联合治疗的疗效和耐受性（来源：https://zhuanlan.zhihu.com/p/528280436）。

4.提高放疗效果和效率：人工智能可以帮助放射科医生绘制目标区域或自动规划治疗的放疗方案。例如，Lin等人使用三维卷积神经网络（3DCNN）实现了鼻咽癌的自动勾画，准确率为79%，与放疗专家的准确率相当（来源：https://zhuanlan.zhihu.com/p/528280436）。

5.提高免疫疗法效果：人工智能主要侧重于评估治疗效果，帮助医生调整治疗方案。例如，Sun等人开发了一个基于机器学习的人工智能平台，以准确预测程序性细胞死亡蛋白（PD1）抑制剂的治疗效果（来源：https://zhuanlan.zhihu.com/p/528280436）。

缺点

1.依赖外部标准：大多数机器学习算法都是通过监督学习来训练的，即研究者会向计算机提供一些已经用外部标准标记过的图像，作为“基础事实”。然而，依赖这种外部标准是有问题的，因为机器学习并不能解决与癌症诊断相关的核心问题：缺乏组织病理学的“金标准”。癌症的临床意义处于一个动态过程中:癌症是一种肯定会引起症状的肿瘤(通过局部浸润或远端转移)，如果不治疗就会导致死亡。另一方面,病理解读是建立在静态观察的基础上的:癌症是根据单个细胞的外观、周围的组织结构以及这些特征与各种生物标志物之间的关系来定义的。在病理学家中进行的观察一致性的研究中，缺乏金标准的问题很明显（来源：https://zhuanlan.zhihu.com/p/98144262）。

2.可能导致过度诊断：机器学习算法可以在几秒钟内阅读切片，比任何病理学家都快几个数量级。这种组合将能够检查更多的组织切片，并可能鼓励临床医师对更多的患者进行活检。更高的通量——更多的组织,更多的患者——只会增加发生过度诊断的机会（来源：https://zhuanlan.zhihu.com/p/98144262）。

3.技术壁垒较高：人工智能产业链可分为基础层、技术层和应用层。其中基础层和技术层由于技术壁垒较高，其布局主要来自科技巨头，应用层则涌现出多家新型人工智能医疗创业公司（来源：http://www.qikan.com.cn/newarticleinfo/kjxs202128252.html）。