人工智能

人工智能应用根据特定癌症类型和临床领域进行系统组织，涵盖生物机制的阐明和预测、临床数据模式的识别和利用以改善患者预后，以及流行病学、行为学和真实世界数据集中固有复杂性的解析。当以符合伦理和科学严谨的方式应用时，这些AI驱动的方法有望加速癌症研究的进展，并最终促进所有人群健康结局的改善。我们回顾了展示AI在肿瘤学中整合的实例，重点介绍了深度学习熟练应对曾被认为不可逾越挑战的案例，同时讨论了促进这些技术更广泛采用必须克服的障碍。

癌症仍然是全球主要的死亡原因[1]。预测估计到2050年将有约3500万病例[2]。这一惊人的增长凸显了加速癌症研究和治疗策略开发的紧迫性。

在过去十年中，由于先进深度学习算法的出现、计算硬件的显著进步以及用于临床决策的数据快速增长[3,4,5]，医学领域对人工智能整合的兴趣重新燃起并日益增长。此外，其在肿瘤学中的应用展现出显著且不断扩大的潜力，涵盖基础科学追求（如蛋白质折叠预测[6,7]）、转化计划（如生物标志物发现[8,9]）以及临床试验组织和管理的临床进展[10,11]。
在本综述中，我们旨在全面概述AI在肿瘤学领域的现状和不断发展的格局。我们首先总结主要类型的AI模型和输入数据模态来展开讨论。接下来，我们回顾AI在六个关键领域的最新进展，包括癌症筛查和诊断、精准治疗、癌症监测、药物发现、医疗保健服务以及癌症机制。最后，我们重点介绍了阻碍AI广泛临床整合的主要障碍，并提出了战略性的、可操作的方法来促进这一快速发展领域的未来创新。

AI模型的选择取决于数据类型和临床目标[3]。结构化数据如基因组生物标志物和实验室值通常使用经典机器学习模型进行分析，包括逻辑回归和集成方法，用于生存预测或治疗反应等任务[14]。影像数据包括组织病理学和放射学利用深度学习架构如卷积神经网络来提取空间特征，实现肿瘤检测、分割和分级[15]。顺序或文本数据如基因组序列和临床记录采用变换器或循环神经网络来建模长程依赖关系，促进生物标志物发现或电子健康记录挖掘等任务[16]。大型语言模型（如GPT-5）的最新进展增强了从科学文献和临床文本中提取知识的能力，加速了癌症研究中的假设生成。

我们追求更长寿命和更健康生活的永恒追求将获得AI技术的巨大推动。但正如所有与AI相关的事物一样，最大的障碍之一就是数据。

本周在利雅得举行的《财富》全球论坛上，专家小组表示，在衰老科学领域，缺乏足够的数据来帮助科学家理解体内细胞和器官如何衰老，以及性别、种族和环境的差异如何影响衰老过程。

但她指出，当前的医疗保健框架意味着我们收集数据的网络还不够广泛。

Hevolution正与科学家和生物技术公司密切合作，推进专注于”健康寿命”（减少与年龄相关的疾病）的药物发现，并加速消费者获得这些进展。
如今许多实验室正在使用AI来加速药物发现过程并进行更多尝试。Insilico Medicine创始人兼首席执行官Alex Zhavoronkov表示，他有30个基于AI的项目正在进行中，这些项目因其”双重目的”潜力而被特别选择。

NABTA Health创始人兼首席执行官Sophie Smith表示，大型语言AI模型有潜力在衰老科学中解锁重要的知识和见解。但随着AI发挥更大作用，填补”数据空白”的重要性变得更加关键。
她举例说，直到1993年，临床试验只涉及男性参与者，而今天绝大多数试验在欧洲和美国进行。Smith表示，这意味着今天不到1%的临床试验参与者是中东、南亚和非洲裔女性。
考虑到男性和女性衰老方式不同，这对衰老科学尤其成问题。Smith指出，当前衰老科学的一个假设是，如果一个人活到80岁，其中60年可能是健康的，最后25%将处于相对不健康的状态。

因此，衰老科学的研究和进展需要考虑，对女性而言”不是延长生命，而是重新获得生命”。

皮肤癌是全球最常见的癌症，每年新增病例超过所有其他癌症的总和。幸运的是，如果早期发现，大多数皮肤癌都是高度可治疗的。挑战在于在它们扩散之前发现它们。对于最危险的皮肤癌类型黑色素瘤，早期诊断的五年生存率超过95%，但一旦转移，生存率急剧下降至约30%（美国癌症协会，2024年）。

AI系统基于深度学习算法构建，这是一种机器学习形式，计算机通过处理大量图像来学习模式。对于皮肤癌检测，AI在包含数百万张皮肤病变照片的数据库上进行训练，这些照片由皮肤科医生标记并经活检确认。
当呈现新图像时，AI将病变与其学习到的模式进行比较，并计算恶性概率。在临床环境中，这个概率可以帮助皮肤科医生决定是否需要进行活检。

在皮肤科诊所中，AI被整合到数字皮肤镜系统中。当皮肤科医生拍摄痣的图像时，AI软件会立即分析并提供恶性风险评分。皮肤科医生然后将这些信息与他们自己的临床判断结合使用。

除了诊所，AI也进入了消费者健康领域。几款智能手机应用允许用户拍摄痣的照片并接收风险评估。虽然这些工具可以提高意识，但它们的可靠性各不相同。

AI在皮肤癌检测中为患者提供了几个潜在优势。
首先，它改善了早期检测，这是生存的最重要因素。通过分析肉眼看不见的细微模式，AI可以帮助在癌症扩散之前发现它们。其次，它减少了假阳性。许多患者接受了活检，结果却是良性的。通过使风险评估更加准确，AI减少了不必要的程序、疤痕和焦虑。
第三，它提供了更快的结果。患者可能立即获得评估结果，而不是等待数天的专家审查。最后，AI扩大了获得护理的机会。在皮肤科医生较少的地区，AI辅助筛查可以帮助非专科医生识别可疑病变，从而实现早期转诊和治疗。

尽管前景广阔，但AI也有局限性。

AI依赖于训练数据的质量和多样性。许多早期系统主要针对较浅肤色进行训练，导致在检测较深肤色类型的癌症时准确性较低（Adamson & Smith，2018年，《JAMA皮肤病学》）。
这引发了关于癌症护理公平性的担忧。目前正在努力创建更具包容性的数据集。