计算机视觉推进癌症检测和治疗

计算机视觉是人工智能的一个分支，它使算法能够理解和解释图像和视频中的视觉数据。在癌症研究中，它越来越多地被用于分析病理切片、显微镜样本和医学扫描中的复杂视觉信息。这些工具可以简化冗长的工作流程，帮助资源不足的团队实现目标，并最终改善患者护理。

增进对肿瘤驱动因素的了解

在基于活检的癌症诊断之后，病理学家通常会进行 RNA 测序，以发现助长肿瘤生长的基因组变化。这些知识对于研究和定制个性化疗法都至关重要。然而，目前的方法成本高、速度慢，因此需要寻找更有效的替代方法。

为了解决这个问题，一个研究小组开发了一种人工智能工具，可以直接从标准活检显微镜图像中预测肿瘤细胞内的基因活动。他们在一个庞大的数据集上训练了自己的模型，该数据集包含 16 种癌症类型的 7500 多个样本，并辅以健康细胞的图像进行对比。

研究小组设计的工具清晰易用。它能生成活检的可视化地图，突出显示预测的基因活动模式。这样，研究人员就能准确定位肿瘤内部的空间变化。利用一种常见的细胞染色技术，人工智能成功地从染色图像中识别出了15000多个基因的表达模式。

结果显示，人工智能的基因活动预测与实际测量结果之间的相关性超过 80%。在特定癌症类型的较大数据集上进行训练后，模型的准确性普遍提高。

进一步的实验证明了该算法在评估乳腺癌患者基因组风险评分方面的潜力。那些被确定为高风险的患者复发的频率更高，复发的时间更短。

人工智能不断带来令人瞩目的医学突破，例如检测 COVID-19 的系统准确率高达 99%。虽然这些工具功能强大，但它们必须增强而不是取代专业知识。完全依赖人工智能可能会影响患者的治疗效果。

确定最佳治疗方案

癌症患者往往要承受巨大的压力和治疗带来的副作用，而这些治疗可能对他们的具体病情没有最佳疗效。虽然恶心等副作用可以忍受，但如果早期疗效不佳，患者继续治疗的意愿就会降低。

更快地确定最佳个性化治疗方法对每个人都有好处。标准的护理计划包括分析 CT 和 MRI 扫描，其中每个像素都是以灰度显示的单个数据点。人工智能提供了更详细的视图。一种先进的工具可以分析每个像素多达 30,000 个特征，并评估小至 400 平方微米的组织样本--大约相当于人类五根头发的宽度。

利用捐赠的样本，该工具展示了它的价值。在膀胱癌样本中，它识别出了一个负责形成三级淋巴结构的特化细胞群，而三级淋巴结构与更好的免疫疗法反应相关。在胃癌样本中，它能准确区分癌细胞和健康组织粘膜，帮助临床医生更好地评估癌症的扩散情况。

研究人员相信，这项技术可以指导肿瘤学家针对不同癌症采取最有效的治疗方法。通过从标准诊断图像中提取更丰富的数据，它还有可能加速研究。

加速药物开发

将新的抗癌药物推向市场是一个长达数年的过程，在很大程度上取决于临床试验的成功与否。伦敦的一个团队最近创建了一种人工智能方法，用于评估药物如何有效地到达细胞靶点。将重点放在最有希望的候选药物上可以改善治疗效果，加快监管部门的审批速度。

该团队利用几何深度学习分析了近 10 万张黑色素瘤细胞图像的三维形状。与以往对切片上的细胞进行二维分析不同，这种方法研究的细胞更加逼真。它能捕捉治疗是如何改变细胞形状的，并揭示细胞群之间的变异性。

该工具检测特定药物效果的准确率超过 99%。它甚至可以识别针对不同蛋白质的药物所引起的形状变化。

通过揭示生化变化，人工智能可以突出新抗癌药物的潜在靶点。这项创新可以将临床前试验阶段从三年压缩到三个月，并有可能将临床试验缩短长达六年。它将有助于确定最有可能受益的患者，并更快地了解副作用。

简化癌症分析工作流程

虽然人工智能增强了癌症研究的许多方面，但大多数工具都专注于单一任务。这迫使医疗专业人员学习多个系统。为了提高可用性，一些团队正在开发综合性的多用途解决方案。

一个小组建立了一个类似于 ChatGPT 的模型，其通用性足以处理 19 种癌症类型的评估任务。它加快了检测、预后评估和治疗反应监测的进程。开发人员称，这是首个成功预测和验证不同国际患者群体预后的模型。

人工智能分析肿瘤样本的数字切片，检查分子特征，并识别癌细胞。它还能评估肿瘤周围的组织，从而显示治疗效果。测试证明，它比现有工具更准确。值得注意的是，它首次将特定的肿瘤特征与患者生存率的提高联系起来，可能会开辟新的研究途径。

该模型最初是在 1,500 万张未标记的图像上进行训练的，并按感兴趣的区域进行了分割。然后，使用来自 19 种癌症类型的 60,000 张整张图像对其进行了改进，使其能够进行全面的图像分析。

该工具在来自 32 个独立全球数据集（代表 24 个患者队列和医院）的 19,400 张全切片图像上进行了严格测试。这确保了它在实际临床环境中的稳定性。

最大限度地提高生物医学成像的洞察力

生物医学显微镜对癌症研究至关重要，但分析这些图像需要花费数天时间。一个研究小组开发了一种新型计算机视觉技术来简化这一过程。它利用机器学习分析样本，发现癌症肿瘤的共同特征。

该工具通过同时检查肿瘤的多个区域，并将它们合成为一个有凝聚力的分析来实现高效率。其他方法则是将大型肿瘤图像分割成小块，然后分别进行分析。鉴于这些图像可能包含多达十亿个像素，标准方法非常耗时。

开发人员设想，未来临床医生可以从肿瘤图像中获得近乎即时的诊断结果。这些信息可以在手术过程中实时传递给外科医生，以便根据最新数据做出决策。

与领先的基线技术相比，这一新工具的性能提高了近4%，在某些测试中达到了接近88%的准确率。研究人员强调了它的广泛适用性，因为它可以用于任何肿瘤类型和显微镜检查方法。

利用计算机视觉推动癌症研究向前发展

人工智能驱动的计算机视觉在提升癌症研究的影响力、促进科学发现和改善患者预后方面具有巨大潜力。上述例子说明了其多样化的应用。专业人员应整合这些技术，以补充和扩展他们来之不易的专业知识，而不是将其作为人类判断的无懈可击的替代品。