類似ChatGPT的模型可以診斷癌症
指導治療選擇並預測多種癌症類型的生存率
哈佛醫學院的科學家設計了一種類似於ChatGPT的多功能人工智慧模型，可以對多種癌症執行一系列診斷任務。
研究人員表示，9月4日《自然》雜誌上描述的新人工智慧系統採用了許多當前的人工智慧方法來診斷癌症。
當前的人工智慧系統通常經過訓練來執行特定任務，例如檢測癌症的存在或預測腫瘤的遺傳特徵，而且它們通常只適合少數癌症類型。相比之下，新模型可以執行廣泛的任務，並已在19種癌症類型上進行了測試，使其具有與ChatGPT等大型語言模型相同的靈活性。
儘管最近出現了其他基於病理圖像的醫學診斷的基本人工智慧模型，但這被認為是第一個預測患者結果並在多個國際患者群體中得到驗證的模型。
該研究的高級作者、哈佛醫學院布拉瓦尼克研究所生物醫學信息學助理教授余坤興（Kun-Hsing Yu）表示：「我們的目標是創建一個靈活、多功能的類似ChatGPT的人工智慧平台，可以執行廣泛的癌症評估任務。」
「事實證明，我們的模型在與多種癌症的癌症檢測、預後和治療反應相關的多項任務中非常有用。"
該人工智慧模型通過讀取腫瘤組織的數字切片來檢測癌細胞，並根據圖像上看到的細胞特徵預測腫瘤的分子特徵，準確性比當前大多數人工智慧系統更高。
它可以預測多種癌症類型患者的生存率，並準確識別與患者對標準治療（包括手術、化療、放療和免疫治療）的反應相關的周圍組織（也稱為腫瘤微環境）的特徵。
最後，該團隊表示，該工具似乎能夠產生新的見解--它識別出以前未知的與患者生存相關的特定腫瘤特徵。
研究團隊表示，這些發現進一步證明人工智慧驅動的方法可以提高臨床醫生有效、準確評估癌症的能力，包括識別對標準癌症療法可能反應不佳的患者。
余說：「如果進一步驗證並廣泛部署，我們的方法和與我們類似的方法可以早期識別癌症患者，他們可能從針對某些分子變體的實驗治療中受益，這種能力在世界各地並不普遍可用。」
培訓和績效
該團隊的最新工作建立在Yu之前對評估結腸癌和腦腫瘤的人工智慧系統的研究基礎上。這些早期研究證明了該方法在特定癌症類型和特定任務中的可行性。
這個名為CHIEF（臨床組織病理學成像評估基金會）的新模型是在1500萬張未標記圖像上進行訓練的，這些圖像被分成感興趣的部分。然後，該工具在60，000張完整的組織切片圖像上進一步訓練，包括肺、乳腺、前列腺、結直腸、胃、食道、腎臟、大腦、肝臟、甲狀腺、胰腺、宮頸、子宮、卵巢、睪丸、皮膚、軟組織、腎上腺和膀胱。
該模型經過訓練以查看圖像的特定部分和整個圖像，使其能夠將區域的特定變化與整體上下文關聯起來。研究人員表示，這種方法使執行長能夠通過考慮更廣泛的背景而不僅僅關注特定區域來更全面地解釋圖像。
培訓結束後，該團隊在來自世界各地24家醫院和患者隊列的32個獨立數據集的19，400多張完整切片圖像上測試了CHIEF的性能。
總體而言，CHIEF在癌細胞檢測、腫瘤起源識別、預測患者結果以及識別與治療反應相關的基因和DNA模式等任務中的表現比其他最先進的人工智慧方法高36%。
由於其多才多藝的培訓，無論腫瘤細胞是通過活檢還是手術切除獲得，CHIEF的表現都同樣出色。無論使用什麼技術來滅活癌細胞樣本，都同樣準確。研究人員表示，這種適應性使CHIEF能夠在不同的臨床環境中使用，並且代表了超越當前模型的重要一步，當前模型通常只有在讀取通過特定技術獲得的組織時才會表現良好。
癌症檢測
CHIEF在癌症檢測方面實現了近94%的準確率，並且在包含11種癌症類型的15個數據集上顯著優於當前的人工智慧方法。在從獨立隊列收集的五個活檢數據集中，CHIEF對多種癌症類型（包括食道癌、胃癌、結腸癌和前列腺癌）的準確率達到了96%。
當研究人員在之前從未見過的手術切除的結腸、肺、乳腺、子宮內膜和宮頸腫瘤的切片上測試CHIEF時，該模型的準確率超過90%。
預測腫瘤的分子譜
腫瘤的遺傳構成擁有決定其未來行為和最佳治療的關鍵線索。為了獲得這些信息，腫瘤學家需要對腫瘤樣本進行DNA測序，但由於將樣本發送到專門的DNA測序實驗室所需的成本和時間，因此在全球範圍內對此類癌症組織的詳細基因組分析並不常規或統一進行。即使在資源豐富的地區，這個過程也可能需要數周的時間。於表示，人工智慧可以填補這一空白。
研究人員說，快速識別圖像上暗示特定基因組畸變的細胞模式可以為基因組測序提供一種快速且具有成本效益的替代方案。
通過觀察顯微鏡切片來預測腫瘤基因組突變，CHIEF的性能優於當前的人工智慧方法。這種新的人工智慧方法成功識別了與癌症生長和抑制相關的幾個重要基因的相關特徵，並預測了與腫瘤對各種標準療法的反應相關的關鍵基因的突變。
CHIEF還檢測到與結腸腫瘤對稱為免疫檢查點阻斷的免疫療法的反應程度相關的特定DNA模式。
在查看全組織圖像時，CHIEF識別出54個常見突變的癌症基因中的突變，總體準確率超過70%，優於最先進的基因組癌症預測人工智慧方法。對於特定癌症類型的特定基因，準確性更高。
該團隊還測試了CHIEF預測15個解剖部位與FDA批准的靶向療法反應相關突變的能力。CHIEF在多種癌症類型中實現了高準確性，包括檢測瀰漫性大B細胞淋巴瘤血癌中常見的EZH2基因突變時的準確率為96%。BRAF基因突變對甲狀腺癌的治療效果達到89%，NTRK 1基因突變對頸部癌的治療效果達到91%。
預測患者生存
CHIEF根據初步診斷時獲得的腫瘤組織病理學圖像成功預測了患者的生存率。對於研究的所有癌症類型和所有患者群體，CHIEF區分了長期和短期生存患者。
CHIEF比其他車型高出8%。在患有更晚期癌症的患者中，CHIEF的表現比其他人工智慧模型好10%。總而言之，CHIEF預測高死亡率和低死亡率風險的能力是通過來自17個不同機構的患者樣本進行測試和證實的。
提取腫瘤行為的新見解
該模型識別與腫瘤侵襲性和患者生存率相關的圖像模式。為了可視化這些感興趣的區域，CHIEF在圖像上生成了熱圖。當人類病理學家分析這些人工智慧衍生的熱點時，他們看到了反映癌細胞與周圍組織之間相互作用的有趣信號。
一個特徵是，長期倖存者的腫瘤區域免疫細胞數量比短期倖存者更多。於指出，這一發現是有道理的，因為免疫細胞的增加可能表明免疫系統已被激活來攻擊腫瘤。
當觀察短期倖存者的腫瘤時，CHIEF發現了感興趣的區域，其特徵是各種細胞成分之間的異常大小比例、細胞核上的非典型特徵、細胞之間的聯繫較弱以及該區域腫瘤周圍的結締組織較少。
這些腫瘤周圍還有更多垂死的細胞。例如，在乳腺腫瘤中，CHIEF將組織內壞死（或細胞死亡）的存在確定為感興趣區域。
另一方面，生存率較高的乳腺癌更有可能保留與健康組織相似的細胞結構。研究小組指出，與生存相關的視覺特徵和感興趣區域因癌症類型而異。
後續步驟
研究人員表示，他們計劃通過以下方式提高CHIEF的性能並增強其功能：
關於罕見和非癌症疾病的組織成像的額外培訓
包括細胞完全癌變前的癌前組織樣本
將模型暴露於更多分子數據，以增強其識別具有不同攻擊性的癌症的能力
經過訓練的模型可以預測除了標準治療之外，新癌症治療方法的利和副作用
欲了解更多內容，可以點擊視頻下方的連結
感謝您觀看此視頻。如果您喜歡，請訂閱並點讚。謝謝
原文：https://medicalxpress.com/news/2024-09-chatgpt-cancer-treatment-choice-survival.html
更多信息：癌症診斷和預後預測的病理基本模型，《自然》（2024）。DOI：10.1038/s41586-024-07894-z。期刊信息：自然
輸油管：