药物发现

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”。