类似 ChatGPT 的模型可以诊断癌症
类似 ChatGPT 的模型可以诊断癌症
指导治疗选择、预测多种癌症类型的生存率
哈佛医学院的科学家设计了一种类似于 ChatGPT 的多功能 AI 模型，能够执行多种癌症的一系列诊断任务。
研究人员表示，9 月 4 日在《自然》杂志上描述的新人工智能系统比当前许多癌症诊断人工智能方法更进一步。
当前的人工智能系统通常经过训练来执行特定任务，例如检测癌症的存在或预测肿瘤的遗传特征，而且它们往往只适用于少数癌症类型。相比之下，新模型可以执行广泛的任务，并在 19 种癌症类型上进行了测试，使其具有像 ChatGPT 等大型语言模型一样的灵活性。
虽然最近出现了其他基于病理图像的医学诊断基础人工智能模型，但这被认为是第一个预测患者结果并在多个国际患者群体中进行验证的模型。
“我们的目标是创建一个灵活、多功能的类似 ChatGPT 的人工智能平台，可以执行广泛的癌症评估任务，”该研究的资深作者、哈佛医学院布拉瓦尼克研究所生物医学信息学助理教授 Kun-Hsing Yu 说。
“事实证明，我们的模型在与多种癌症的癌症检测、预后和治疗反应相关的多项任务中非常有用。”
该人工智能模型通过读取肿瘤组织的数字切片来检测癌细胞，并根据图像上看到的细胞特征预测肿瘤的分子特征，其准确性高于大多数当前的人工智能系统。
它可以预测多种癌症类型的患者生存率，并准确查明肿瘤周围组织（也称为肿瘤微环境）的特征，这些特征与患者对标准治疗（包括手术、化疗、放疗和免疫疗法）的反应相关。
最后，该团队表示，该工具似乎能够产生新的见解——它确定了以前未知的与患者生存相关的特定肿瘤特征。
研究小组表示，这些发现进一步证明，人工智能驱动的方法可以提高临床医生有效、准确地评估癌症的能力，包括识别可能对标准癌症疗法反应不佳的患者。
Yu 说：“如果进一步验证并广泛部署，我们的方法以及与我们类似的方法可以早期识别出可能受益于针对某些分子变异的实验治疗的癌症患者，这种能力在世界各地并不普遍存在。”
培训和表现
该团队的最新工作建立在 Yu 之前在评估结肠癌和脑肿瘤的人工智能系统方面的研究基础上。这些早期研究证明了该方法在特定癌症类型和特定任务中的可行性。
这个名为 CHIEF（临床组织病理学成像评估基金会）的新模型是在 1500 万张未标记图像上进行训练的，这些图像被分成感兴趣的部分。然后，该工具在 60,000 张完整的组织切片图像上进行了进一步训练，包括肺、乳腺、前列腺、结直肠、胃、食道、肾、脑、肝、甲状腺、胰腺、宫颈、子宫、卵巢、睾丸、皮肤、软组织、肾上腺和膀胱。
训练模型查看图像的特定部分和整个图像，使其能够将一个区域的特定变化与整体上下文相关联。研究人员表示，这种方法使 CHIEF 能够通过考虑更广泛的背景来更全面地解释图像，而不是仅仅关注特定区域。
培训结束后，团队在来自全球 24 家医院和患者队列的 32 个独立数据集的 19,400 多张完整幻灯片图像上测试了 CHIEF 的性能。
总体而言，CHIEF 在以下任务上的表现比其他最先进的人工智能方法高出 36%：癌细胞检测、肿瘤起源识别、预测患者结果以及识别与治疗反应相关的基因和 DNA 模式的存在。
由于其多才多艺的训练，无论肿瘤细胞是通过活检还是通过手术切除获得的，CHIEF 的表现都同样出色。无论使用何种技术对癌细胞样本进行数字化，它都同样准确。研究人员表示，这种适应性使得 CHIEF 可在不同的临床环境中使用，并且代表着超越当前模型的重要一步，当前模型往往仅在读取通过特定技术获得的组织时才能表现良好。
癌症检测
CHIEF 在癌症检测方面实现了近 94% 的准确率，并且在包含 11 种癌症类型的 15 个数据集上显着优于当前的 AI 方法。在从独立队列收集的五个活检数据集中，CHIEF 在多种癌症类型（包括食道癌、胃癌、结肠癌和前列腺癌）中实现了 96% 的准确率。
当研究人员在手术切除的结肠、肺、乳腺、子宫内膜和子宫颈肿瘤的以前未见过的载玻片上测试 CHIEF 时，该模型的准确率超过 90%。
预测肿瘤的分子谱
肿瘤的基因组成拥有决定其未来行为和最佳治疗的关键线索。为了获得这些信息，肿瘤学家要求对肿瘤样本进行 DNA 测序，但由于将样本发送到专门的 DNA 测序实验室所需的成本和时间，这种癌症组织的详细基因组分析在世界范围内并没有常规或统一进行。即使在资源丰富的地区，这个过程也可能需要几周的时间。于说，人工智能可以填补这一空白。
研究人员表示，快速识别图像上暗示特定基因组畸变的细胞模式可以为基因组测序提供一种快速且经济有效的替代方案。
通过观察显微镜载玻片来预测肿瘤基因组变异，CHIEF 的性能优于当前的人工智能方法。这种新的人工智能方法成功地识别了与癌症生长和抑制相关的几个重要基因的相关特征，并预测了与肿瘤对各种标准疗法的反应程度相关的关键基因突变。
CHIEF 还检测到了与结肠肿瘤对一种称为免疫检查点阻断的免疫疗法的反应程度相关的特定 DNA 模式。
在查看全组织图像时，CHIEF 识别出了 54 个常见突变癌症基因的突变，总体准确率超过 70%，优于当前最先进的基因组癌症预测人工智能方法。对于特定癌症类型的特定基因，其准确性更高。
该团队还测试了 CHIEF 预测与 FDA 批准的跨越 15 个解剖部位的 18 个基因的靶向治疗反应相关的突变的能力。 CHIEF 在多种癌症类型中均获得了很高的准确率，其中在检测弥漫性大 B 细胞淋巴瘤的血癌中常见的 EZH2 基因突变时，准确率高达 96%。甲状腺癌中BRAF基因突变的治疗效果达到89%，头颈癌NTRK1基因突变治疗的效果达到91%。
预测患者生存率
CHIEF 根据初次诊断时获得的肿瘤组织病理学图像成功预测了患者的生存率。在所研究的所有癌症类型和所有患者组中，CHIEF 区分了长期生存的患者和短期生存的患者。
CHIEF 比其他模型高出 8%。在患有更晚期癌症的患者中，CHIEF 的表现比其他 AI 模型高出 10%。总之，CHIEF 预测高死亡风险与低死亡风险的能力经过来自 17 个不同机构的患者样本的测试和证实。
提取有关肿瘤行为的新见解
该模型识别了与肿瘤侵袭性和患者生存相关的图像模式。为了可视化这些感兴趣的区域，CHIEF 在图像上生成了热图。当人类病理学家分析这些人工智能衍生的热点时，他们看到了反映癌细胞与周围组织之间相互作用的有趣信号。
其中一个特征是，与短期幸存者相比，长期幸存者的肿瘤区域存在更多数量的免疫细胞。 Yu指出，这一发现是有道理的，因为免疫细胞的增加可能表明免疫系统已被激活以攻击肿瘤。
在观察短期幸存者的肿瘤时，CHIEF 确定了感兴趣的区域，这些区域的特征是各种细胞成分之间的异常大小比例、细胞核上更多的非典型特征、细胞之间的弱连接以及该区域中较少存在的结缔组织肿瘤周围。
这些肿瘤周围也有更多的垂死细胞。例如，在乳腺肿瘤中，CHIEF 将组织内坏死（或细胞死亡）的存在确定为感兴趣的区域。
另一方面，存活率较高的乳腺癌更有可能保留类似于健康组织的细胞结构。研究小组指出，与生存相关的视觉特征和感兴趣区域因癌症类型而异。
后续步骤
研究人员表示，他们计划通过以下方式改进 CHIEF 的性能并增强其功能：
对罕见疾病和非癌症疾病的组织图像进行额外培训
包括细胞完全癌变之前的癌前组织样本
让模型接触更多的分子数据，以增强其识别具有不同侵袭性水平的癌症的能力
训练模型除了标准治疗之外还可以预测新型癌症治疗的益处和副作用
更多内容，可以点开视频下方的链接
谢谢观看本视频。要是喜欢，请订阅、点赞。谢谢
原文：https://medicalxpress.com/news/2024-09-chatgpt-cancer-treatment-choice-survival.html
更多信息：癌症诊断和预后预测的病理基础模型， Nature (2024)。 DOI：10.1038/s41586-024-07894-z 。 期刊信息： 《自然》
