医学影像

在医疗保健人工智能的关键转变中，研究人员和开发者越来越关注处理医学影像的AI方法的可靠性和诊断准确性，果断超越单纯的美学质量。这种重新优先级的调整凸显了对AI在临床环境中关键作用的成熟理解，在这种环境中，风险天然很高，对技术的信任至关重要。这一关注点的直接意义是推动AI解决方案提供真正可信且具有临床意义的见解，能够增强人类专业知识并改善患者预后。

医学影像AI的演进以几项复杂的技术进步为标志，旨在增强诊断效用、可解释性和鲁棒性。生成式AI（GAI）利用生成对抗网络（GANs）和扩散模型等模型，现在不仅用于图像增强，更重要的是用于数据增强，创建合成医学图像以解决罕见疾病的数据稀缺问题。这使得训练更鲁棒的AI模型成为可能，甚至支持多模态转换，例如将MRI数据转换为CT格式以进行更安全的放射治疗规划。这些方法与先前可能优先考虑视觉愉悦结果的方法显著不同，因为新的焦点是从低质量图像中提取细微的病理信号，以改善诊断和患者安全。

自监督学习（SSL）和对比学习（CL）也日益受到关注，减少了对成本高昂且耗时的手动标注数据集的严重依赖。SSL模型在大量未标注的医学图像上进行预训练，学习强大的特征表示，显著提高了肺结节和乳腺癌检测等任务的分类器准确性和鲁棒性。这种方法促进了跨不同成像模式的更好泛化，暗示了医学影像”基础模型”的出现。此外，联邦学习（FL）提供了一种保护隐私的解决方案，以克服数据孤岛问题，允许多个机构协作训练AI模型而无需直接共享敏感患者数据，解决了一个重大的伦理和实践障碍。

UQ方法量化了AI对其预测的信心，对于识别模型可能不太可靠的情况至关重要，从而提示人类专家审查。AI研究界和行业专家对AI革新诊断潜力的初步反应普遍热情，研究表明AI辅助的放射科医生可以更准确并减少诊断错误。然而，存在谨慎的乐观态度，强烈强调严格验证、解决数据偏见以及AI需要作为人类专家的助手而非替代品。

对可靠性、准确性、可解释性和隐私的强化关注正在从根本上重塑医学影像领域AI公司、科技巨头和初创企业的竞争格局。主要参与者如微软（NASDAQ: MSFT）、英伟达公司（NASDAQ: NVDA）和谷歌（NASDAQ: GOOGL）正在大力投资研发，利用其云基础设施和AI能力开发鲁棒的医学影像套件。西门子医疗（ETR: SHL）、GE医疗（NASDAQ: GEHC）和飞利浦（AMS: PHIA）等公司正将AI直接嵌入其影像硬件和软件中，增强扫描仪能力并简化工作流程。

像Aidoc、Enlitic、Lunit和Qure.ai这样的专业AI公司和初创企业，通过为特定诊断挑战提供专注、高准确性的解决方案，正在占据重要的市场地位，通常在紧急病例优先排序或特定疾病检测等领域表现出卓越性能。不断演变的监管环境，特别是即将出台的欧盟AI法案将医疗AI归类为”高风险”，意味着能够明确证明可信度的公司将获得显著的竞争优势。这种严格性虽然可能减缓市场进入，但对于患者和专业信任至关重要，并作为一个强大的差异化因素。

这也意味着对传统工作流程的颠覆，因为AI自动化了常规任务，减少了报告周转时间，并增强了诊断能力。放射科医生的角色正在演变，将他们的焦点转向更高层次的认知任务和患者互动，而不是被取代。采用”人在回路”方法的公司，即AI增强人类能力，在临床环境中更有可能取得成功和被采纳。

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。

此外，对于普通患者而言，在线论坛为他们提供了讨论健康问题（包括皮肤病）的平台。使用基于图像的适当AI工具可以让患者及早发现和治疗潜在疾病。及时诊断和治疗罕见及传染性皮肤病具有重要的临床价值，因为它们可以促使皮肤科医生制定适当的治疗方案，改善患者体验，降低长期后遗症的风险，并减少严重皮肤不良反应或侵袭性皮肤癌的发生率和死亡率。在宏观层面，这将有助于医疗资源的最佳利用，包括针对性治疗和适当转诊至专科医生。这可以缓解医疗系统的压力，并最大限度地减少医疗资源的浪费。此外，AI诊断信息可以更直接、系统地整合到其他系统中，为公共卫生干预、政策制定和资源分配提供信息。

皮肤病在中国构成了重大挑战。互联网健康论坛为数百万用户提供了讨论皮肤病和分享图像以进行早期干预的平台，留下了大量有价值的皮肤病学图像。然而，数据质量和标注问题限制了这些资源在开发诊断模型方面的潜力。在本研究中，我们提出了一种深度学习模型，利用来自不同在线来源的未标注皮肤病学图像。我们采用对比学习方法从未标记图像中学习通用表示，并对来自互联网论坛的粗略标注图像进行微调。我们的模型能够分类22种常见皮肤病。为了提高标注质量，我们使用了一种聚类方法，配合少量标准化验证图像。我们在由来自15家三甲医院的33名经验丰富的皮肤科医生收集的图像上测试了该模型，并实现了45.05%的top-1准确率，比已发布的基线模型高出3%。准确率随着额外验证图像的加入而提高，在每类50张图像时达到49.64%。我们的模型还展示了对新任务的可迁移性，例如检测猴痘，在训练过程中仅使用50张额外图像就实现了61.76%的top-1准确率。我们还在基准数据集上测试了我们的模型，以展示其泛化能力。我们的发现凸显了在线论坛中未标注图像在未来皮肤病学应用中的潜力，并证明了我们的模型在早期诊断和潜在疫情缓解方面的有效性。

皮肤病在中国构成了重大挑战。每年有多达2.4亿次皮肤科就诊，其中80%是针对黑色素瘤以外的皮肤病。然而，医疗资源分布不均和皮肤科医生短缺可能导致误诊和医疗成本上升。为了改善预后并降低社会成本，准确、便捷地诊断皮肤病至关重要。由于摄影在诊断中的广泛使用，人工智能在皮肤病学中显示出巨大潜力。然而，大多数AI应用专注于良性和恶性病变的诊断，使得AI在更广泛皮肤病领域的潜力在很大程度上尚未被探索。

使用机器学习方法及其基于照片的卷积神经网络深度学习分支进行皮肤病诊断已受到广泛关注。虽然高质量图像对于训练AI模型至关重要，但收集这些图像的人工成本可能极其昂贵。幸运的是，自监督对比学习的最新进展提供了一个解决方案。这些方法能够使用大量未标记或非严格标记的图像对模型进行预训练，并在各种任务中表现出色。先前已有研究探索对比学习在皮肤病诊断中的应用，强调其提取一致表示以及增强泛化能力和诊断准确性的能力。