人工智能 (AI) 是全球范圍內(nèi)日益增長(zhǎng)的趨勢(shì)。許多高科技行業(yè)正在采用人工智能，目的是讓行業(yè)受益，無(wú)論是時(shí)間、金錢(qián)還是準(zhǔn)確性方面的利益。人工智能正在成為化學(xué)和制藥科學(xué)不可或缺的一部分。一方面，你有人工神經(jīng)網(wǎng)絡(luò)為公司提供設(shè)計(jì)和合成新藥的方法。另一方面，機(jī)器學(xué)習(xí)算法提供了一種以更高的準(zhǔn)確度檢測(cè)患者體內(nèi)癌細(xì)胞的方法。我們?cè)谶@里談?wù)摵笳摺?/p>

現(xiàn)代癌癥檢測(cè)方法

多年來(lái)，科學(xué)家們使用了許多方法來(lái)測(cè)試和觀察癌癥，但顯微鏡和其他成像技術(shù)一直是一些關(guān)鍵方法。科學(xué)家在沒(méi)有任何計(jì)算機(jī)幫助的情況下在顯微鏡下觀察并得出結(jié)論的日子已經(jīng)一去不復(fù)返了。近年來(lái)，許多計(jì)算機(jī)軟件程序使科學(xué)家能夠觀察成像樣本（包括細(xì)胞）的形狀、大小和形態(tài)。然而，許多這些程序仍然需要人工輸入來(lái)表征興趣點(diǎn)（在本例中為癌細(xì)胞）的起始位置和停止位置。這些成像方法專為一系列分析設(shè)備而設(shè)計(jì)，從簡(jiǎn)單的實(shí)驗(yàn)室臺(tái)式顯微鏡到 MRI 掃描儀。

因此，雖然有有效的癌癥診斷方法——這就是為什么人類作為一個(gè)整體在識(shí)別和理解這種疾病方面變得更好——但這些方法中的大多數(shù)仍然容易出現(xiàn)人為錯(cuò)誤。即使是一個(gè)小錯(cuò)誤也可能導(dǎo)致誤診。機(jī)器學(xué)習(xí)是最近幾年出現(xiàn)的一種潛在解決方案。迄今為止，結(jié)果表明能夠分析成像樣本并高度準(zhǔn)確地查明癌細(xì)胞的存在。

幾種化學(xué)傳感器可以檢測(cè)患者是否患有癌癥。雖然臨床醫(yī)生可以檢查患者血液中的特定生物標(biāo)志物，但生物樣本本身就很復(fù)雜。雖然測(cè)試可以檢測(cè)特定的生物標(biāo)志物，但生物樣本本身就很復(fù)雜，對(duì)人體生物體液的分析有時(shí)會(huì)產(chǎn)生容易出錯(cuò)的結(jié)果。因此，臨床醫(yī)生可以將機(jī)器學(xué)習(xí)算法與早期預(yù)警化學(xué)測(cè)試結(jié)合使用，以消除測(cè)試的“噪音”并分析感興趣的數(shù)據(jù)點(diǎn)，以確定患者是否患有癌癥。

癌細(xì)胞特征

癌細(xì)胞表現(xiàn)出某些區(qū)別于健康細(xì)胞的特征。這些特征通常是確定患者是否患有癌癥的一種方式，以及患者患有疾病時(shí)血液中存在的特定生物標(biāo)志物。特別是從成像的角度來(lái)看，健康細(xì)胞和癌細(xì)胞的物理特征是從物理上判斷患者是否患有癌癥的一種更簡(jiǎn)單的方法。

例如，相同類型的正常健康細(xì)胞往往具有相同的形狀和大小——通常本質(zhì)上是球形/橢圓形，除非它們是特化細(xì)胞——癌細(xì)胞往往具有截然不同（即更隨機(jī)）的形狀和大小，它可以突出更健康的細(xì)胞。此外，在健康的細(xì)胞系統(tǒng)中，細(xì)胞的分裂往往是受控的，細(xì)胞的排列是有組織的。另一方面，癌細(xì)胞分裂的速度要快得多，而且往往非常雜亂無(wú)章。

癌細(xì)胞具有的另一個(gè)特征是它們往往具有大的、形狀可變的細(xì)胞核，而健康細(xì)胞只有一個(gè)小的、形狀規(guī)則的細(xì)胞核。此外，癌細(xì)胞內(nèi)往往會(huì)丟失一些特征——這就是它們危險(xiǎn)的原因，因?yàn)檫@種特征的丟失是癌細(xì)胞無(wú)法像健康細(xì)胞一樣執(zhí)行特定功能的原因。只要軟件有足夠的數(shù)據(jù)，機(jī)器學(xué)習(xí)算法就可以使用、分析和比較健康細(xì)胞和癌細(xì)胞的所有這些差異和特征。

將機(jī)器學(xué)習(xí)應(yīng)用于癌癥成像

機(jī)器學(xué)習(xí)算法提供了一種更好地分析癌細(xì)胞并確定患者體內(nèi)是否存在癌細(xì)胞的方法。機(jī)器學(xué)習(xí)算法的工作原理是獲取歷史數(shù)據(jù)并將其與當(dāng)前分析的數(shù)據(jù)相匹配。將歷史數(shù)據(jù)與新數(shù)據(jù)進(jìn)行比較的能力使算法能夠檢測(cè)系統(tǒng)是否正常——在本例中為健康細(xì)胞——或者是否存在異?！窗┘?xì)胞。

為此，機(jī)器學(xué)習(xí)算法需要從以前的研究中獲取數(shù)據(jù)，其中包括癌細(xì)胞和健康細(xì)胞的不同大小、形狀和表面形態(tài)。通過(guò)這樣做，算法可以快速輕松地識(shí)別圖像中哪些細(xì)胞是健康的，哪些細(xì)胞可能是癌變的。通過(guò)提供分析細(xì)胞的準(zhǔn)確和統(tǒng)計(jì)方法，算法在確定細(xì)胞是否確實(shí)癌變或是否需要進(jìn)行進(jìn)一步測(cè)試以確認(rèn)一個(gè)人是否患有癌癥時(shí)減少了人為錯(cuò)誤。

早期預(yù)警護(hù)理點(diǎn)設(shè)備

但機(jī)器學(xué)習(xí)可以幫助癌癥診斷的不僅僅是成像方法。近年來(lái)，已經(jīng)創(chuàng)建了許多早期預(yù)警床旁設(shè)備，可以更早地檢測(cè)出患者是否患有癌癥。許多這些設(shè)備都基于微流體系統(tǒng)，其中內(nèi)部涂有特定的表面受體/功能化，這些受體會(huì)附著在任何癌細(xì)胞上。因此，受體確實(shí)需要針對(duì)所針對(duì)的癌癥，但這些系統(tǒng)本質(zhì)上充當(dāng)一系列護(hù)理點(diǎn)納米傳感器，可以提供早期預(yù)警信號(hào)，使臨床醫(yī)生能夠更早地治療疾病，并在轉(zhuǎn)，增加生存的機(jī)會(huì)。

那么，機(jī)器學(xué)習(xí)從何而來(lái)？可以從這些平臺(tái)（以及一般的化學(xué)測(cè)試）收集相當(dāng)多的數(shù)據(jù)。試圖找出不同數(shù)據(jù)集之間的趨勢(shì)以提供準(zhǔn)確的診斷并不是最簡(jiǎn)單的任務(wù)——因?yàn)檫@些趨勢(shì)的范圍從細(xì)胞的大小和形態(tài)到基因表達(dá)以及細(xì)胞群內(nèi)的生長(zhǎng)/分裂程度。

床旁設(shè)備可以與成像方法相結(jié)合，從化學(xué)角度分析數(shù)據(jù)，并在分析樣本的同時(shí)對(duì)樣本進(jìn)行成像。因此，通過(guò)將圖像分割成切片，并使用機(jī)器學(xué)習(xí)算法，上述原理得以實(shí)現(xiàn)關(guān)于破譯健康細(xì)胞和癌細(xì)胞之間差異的方法也可以應(yīng)用于某些即時(shí)醫(yī)療設(shè)備。因此，未來(lái)有可能結(jié)合化學(xué)和影像診斷方法來(lái)創(chuàng)建能夠提供定量和定性分析的平臺(tái)。

機(jī)器學(xué)習(xí)是癌癥診斷的未來(lái)嗎？

機(jī)器學(xué)習(xí)是癌癥診斷的未來(lái)嗎？這是一個(gè)開(kāi)放式問(wèn)題，在這個(gè)階段有一個(gè)開(kāi)放式答案。機(jī)器學(xué)習(xí)和其他 AI 算法引起了極大的興趣和工作，整個(gè)醫(yī)療和制藥行業(yè)都對(duì)此感興趣。機(jī)器學(xué)習(xí)在未來(lái)的癌癥診斷中具有廣闊的前景，因?yàn)樗鼘?duì)化學(xué)測(cè)試和成像方面都有好處。范圍很廣，機(jī)器學(xué)習(xí)在臨床層面上可能在一個(gè)領(lǐng)域比另一個(gè)領(lǐng)域更有用。

機(jī)器學(xué)習(xí)和人工智能算法的使用雖然在不斷增長(zhǎng)，但仍處于起步階段。盡管許多部門(mén)開(kāi)始更多地采用它，但由于圍繞誤診和患者福利的潛在問(wèn)題，醫(yī)學(xué)界必須更多地審查技術(shù)。然而，有一種對(duì)癌癥和其他疾病進(jìn)行更準(zhǔn)確分析的動(dòng)力。機(jī)器學(xué)習(xí)提供了這方面的潛力和消除人類偏見(jiàn)的好處。

顯然，醫(yī)學(xué)診斷還需要考慮倫理方面的問(wèn)題，人工智能方法可能仍需要訓(xùn)練有素的臨床醫(yī)生的人工輸入來(lái)確認(rèn)結(jié)果。否則，如果出現(xiàn)誤診或軟件問(wèn)題，任何類型的技術(shù)都可能發(fā)生這種情況。雖然醫(yī)療技術(shù)可能會(huì)失敗，但在大多數(shù)臨床環(huán)境中通常會(huì)有人工支持來(lái)糾正錯(cuò)誤。因此，盡管機(jī)器學(xué)習(xí)可以提供所有分析，但從倫理的角度來(lái)看，可能仍然需要人工輸入。

如果我們能夠處理倫理方面的考慮，并且使算法準(zhǔn)確可靠，那么我們就沒(méi)有理由看不到機(jī)器學(xué)習(xí)在未來(lái)以某種形式被用于癌癥診斷。但是，只有時(shí)間才能證明醫(yī)療專業(yè)人員在腫瘤學(xué)和更廣泛的臨床環(huán)境中采用 AI 的程度。

利亞姆·克里奇利 ( Liam Critchley ) 是一名作家、記者和傳播者，專門(mén)研究化學(xué)和納米技術(shù)以及分子水平的基本原理如何應(yīng)用于許多不同的應(yīng)用領(lǐng)域。利亞姆最出名的可能是他的信息豐富的方法以及向科學(xué)家和非科學(xué)家解釋復(fù)雜的科學(xué)主題。Liam 在與化學(xué)和納米技術(shù)交叉的各個(gè)科學(xué)領(lǐng)域和行業(yè)發(fā)表了 350 多篇文章。

Liam 是歐洲納米技術(shù)工業(yè)協(xié)會(huì) (NIA) 的高級(jí)科學(xué)傳播官，過(guò)去幾年一直在為全球的公司、協(xié)會(huì)和媒體網(wǎng)站撰稿。在成為一名作家之前，利亞姆完成了化學(xué)與納米技術(shù)和化學(xué)工程的碩士學(xué)位。

除了寫(xiě)作之外，利亞姆還是美國(guó)國(guó)家石墨烯協(xié)會(huì) (NGA)、全球組織納米技術(shù)世界網(wǎng)絡(luò) (NWN) 的顧問(wèn)委員會(huì)成員，以及英國(guó)科學(xué)慈善機(jī)構(gòu) GlamSci 的董事會(huì)成員。Liam 還是英國(guó)納米醫(yī)學(xué)學(xué)會(huì) (BSNM) 和國(guó)際先進(jìn)材料協(xié)會(huì) (IAAM) 的成員，以及多個(gè)學(xué)術(shù)期刊的同行評(píng)審員。

審核編輯黃宇