文章编号：15408 / 更新时间：2024-03-03 07:17:40 / 浏览：次

脑胶质瘤是指来源于脑神经胶质细胞的肿瘤，是成年人最经常出现的原发性颅内肿瘤。我国脑胶质瘤年发病率为每10万人中有5～8例，5年病死率在全身肿瘤中仅次于胰腺癌和肺癌。但脑胶质瘤发病的外在机制尚不明了， 目前确定的两个风险起因是：泄露于高剂量电离辐射和与稀有综合征关系的高外显率基因遗传突变。

脑胶质瘤的规范疗法以手术切除为主，联合喷射治疗与经常使用化学药物替莫唑胺（TMZ）启动综合治疗。手术可以缓解临床症状，延伸生定期，但往往只可延伸患者约三个月的寿命，由于简直一切患者都会面对脑胶质瘤复发的疑问。医学界以后仍未厘清这套规范疗法为什么会促使脑胶质瘤好转。

图源：unsplash.com摄影师：RobinaWeermeijer

为了解开这个谜团，由香港科技大在校生命迷信部和化学及动物工程学系夏利莱夫人、生命迷信副传授王吉光指导的钻研团队，片面剖析了544位脑胶质瘤患者的肿瘤分子样本和临床数据，其中包含182名东亚患者，以辨识不同种类脑胶质瘤演变的基因组和转录组预测因子。关系成绩宣布在《迷信·转化医学》上。

透过大数据剖析，钻研团队发现一些与TMZ抗药性及脑胶质瘤极速好转关系的早期预测因子，比如患者在首次诊断时已发现某个基因的数量增多，或某个基因被适度激起，或某个基因缺失，他们前期肿瘤急剧好转的机率会更高。 发现这些脑胶质瘤复发的早期预测因子，将有助开发针对这种恶性肿瘤的精准治疗方案，为患者带来裨益。

团队进一步发现，东亚人的脑肿瘤基因突变，跟白人比拟有显著差异。例如东亚患者脑肿瘤产生7号染色体扩增和10号染色体缺失的机率较少，而产生MYC复制基因扩增的机率则相对较多。有一种较常在白人患者身上发现的脑胶质瘤高风险起因rs55705857(G)，却极少时机在东亚人群中产生。王吉光传授说， 这些钻研结果印证了为癌症患者制订团体化治疗方案的关键性。

图源：NationalCancerInstitute

为了更好地评价患者接受治疗的进程及结果，团队还开发了一套名为CELLO2的人工智能模型，用于初诊后评价患者的病情。经过训练的模型可以准确预测复发的肿瘤能否会在TMZ化疗下好转，并识别出高风险患者。这套模型放在一个地下的互动网站（CELLO2）上，向群众开明，网站还为患者和医生提供脑胶质瘤的常年追踪数据库。

论文的独特第一作者首都医科大学北京天坛医院传授暨北京市神经外科钻研所所长江涛传授示意： CELLO2是第一个可以经过原发肿瘤的分子特色预测复发肿瘤级别能否升高或耐药的有效工具，为临床治理患者和预估患者预后提供了关键参照。

未来，王吉光传授领衔的团队将继续整合更多患者数据，进一步提升机器学习模型，方案开发一个整合医学影像和多组学数据的人工智能平台，推进精准神经肿瘤学的开展。

图源：unsplash.com摄影师：MarkusSpiske

筹划制造

作者丨曾心月科普创作者

检查丨唐芹中华医学会迷信遍及部主任钻研员

责编丨祁媛

---

简述人工大脑的相关模型

人工神经网络从哪两个方面模拟大脑如下：

类脑智能又称为类脑计算，上世纪80年代末，美国科学家Carver Mead首次提出类脑计算的概念。类脑智能这一想法摆脱了传统的计算模式，模仿人类神经系统的工作原理，渴求开发出快速、可靠、低耗的运算技术。类脑智能是人工智能的终极目标，但研究类脑智能不可能复制人的大脑。

类脑智能是以计算建模为手段，受脑神经机制和认知行为机制启发，并通过软硬件协同实现的机器智能。类脑智能系统在信息处理机制上类脑，认知行为和智能水平上类人，其目标是使机器以类脑的方式实现各种人类具有的认知能力及其协同机制，最终达到或超越人类智能水平。

类脑人工智能主要包括以下几个方面的内容：

1、神经元模型：类脑人工智能采用的神经元模型与生物神经元相似，具有兴奋性和抑制性，可以产生类似于人脑的动态行为。

2、突触模型：类脑人工智能中的突触模型可以模拟突触的传递过程，产生类似于突触前后神经元之间的信息交流。

3、神经网络：类脑人工智能中的神经网络由大量的神经元和突触相互连接而成，通过模拟神经网络的学习和记忆能力，实现对人工智能的模拟和仿真。

4、计算模型：类脑人工智能中的计算模型具有高度的并行性和自适应性，可以处理大规模的数据和任务。

总之，类脑人工智能是一种模拟人脑的信息处理方式的人工智能技术，具有广泛的应用前景，如智能控制、图像识别、自然语言处理等领域。

什么是新一代人工智能？

新一代人工智能（AI）是指当前和未来发展中的最新技术和方法，旨在模拟和扩展人类智能。 它代表了对AI的新的理解、新的应用和新的研究方向。 以下是新一代人工智能的几个关键特征：1. 深度学习：深度学习是新一代人工智能的核心技术之一。 它使用大量的神经网络层次结构，通过训练模型来识别和理解复杂的模式和特征。 深度学习在图像识别、语音识别、自然语言处理等领域取得了重大突破。 2. 自主学习和迁移学习：新一代人工智能系统具有自主学习的能力，可以从数据中提取知识并不断改进性能。 迁移学习使得已经学到的知识和经验可以应用到新的问题和领域中，加速学习过程。 3. 多模态感知和理解：新一代人工智能系统可以同时处理多种感知输入，如图像、声音和文本等，并将它们整合起来进行综合理解和推理。 这使得人工智能系统能够更好地模拟人类的多模态感知能力。 4. 强化学习：强化学习是一种通过与环境互动来学习最优行为的方法。 新一代人工智能系统可以使用强化学习来进行决策和规划，从而在复杂和不确定的环境中实现自主行动。 5. 解释性和可解释性：新一代人工智能系统不仅能够提供结果和预测，还能够解释其决策和推理过程。 这使得用户能够理解AI系统的工作原理，并对其结果产生信任。 6. 道德和伦理考虑：新一代人工智能注重道德和伦理问题。 它强调人工智能系统的公平性、透明度和责任性，以及对隐私和数据安全的保护。 新一代人工智能的目标是构建更加智能、高效、灵活和人性化的AI系统，使其在各个领域都能够发挥更大的作用并与人类共同合作。

人工智能竟能预测癌症起源，癌症诊疗新纪元就此开启？

说到人工智能（AI），相信大家一定很熟悉吧。

随着 科技 的发展，人工智能已经运用到了我们生活的方方面面。

作为一种新兴的颠覆性技术，AI在手机、人脸识别、围棋等领域都有造诣。

但是，大家知道AI在医疗领域也有涉猎吗？

一直以来，“AI+医疗”都是科学家们研究的重点。

它不仅可以减轻医疗的负担，同时也可以减少误诊漏诊的发生。

那么接下来让我们去看看，AI在医疗领域的运用如何。

人工智能和癌症

1 原发不明癌症：找不到原发点的癌症

原发不明癌症（CUP，Cancer of unknown primary）即 肿瘤起源的原发性位点并不能确定。

在现代精准医疗诊疗体系中，有一类患者在就医时其肿瘤组织已经发生转移，且通过现有的检测方法无法找到其肿瘤组织的原发灶，从而无法对其进行标准化治疗，这部分患者生存期短，生存率低，我们称其为“原发不明癌症”患者。

2 用人工智能寻找肿瘤起源

2021年5月5日，哈佛医学院 Faisal Mahmood 团队在《Nature》发表的研究报告中显示，科学家们开发出了一种人工智能（AI）系统，能利用常规获得的组织学切片来 准确寻找转移性肿瘤 的起源，同时还能产生一种“鉴别诊断”策略，用于对原发性不明癌症患者进行诊断。[1]

用TOAD算法

寻找癌症

人工智能（AI）尤其是深度学习（DL）能够大批量地处理高维数据，在哈佛医学院的研究中，AI就能够利用患者组织学切片来寻找转移性肿瘤的起源，同时还能针对原发不明原因的癌症患者产生一种鉴别诊断策略。

这种 基于深度学习的算法 被称之为TOAD算法，能同时识别肿瘤到底是原发性的还是转移性的，还能 预测其起源的位点 。

研究人员利用约2.2万个肿瘤病理学切片来训练该模型，随后在6500个已知的原发病例中检测TOAD算法，并分析越来越复杂的转移性癌症病例，以此来建立针对原发不明癌症的AI模型。

对于已知原发性起源的肿瘤而言，该模型能准确地在83%的时间里正确识别癌症，并在96%的时间里将诊断列入前三名的预测结果中。

然后，研究团队在317个原发灶不明癌症中测试了该AI模型，结果发现该AI模型的诊断与病理学家的一致率为63%，前三名诊断一致率为82％。

AI+医疗

未来的路还很长

AI医疗在未来的

3大发展优势

癌症诊断：

减少诊断“假阳性”

在诊断方面，传统方式是通过计算机辅助检测系统（CAD）进行诊断，这需要专家对数据进行预处理和筛选，以及手工定义诊断规则和相关图像特征，由于过分依赖专家预先设定的标准参数进行诊断，所以容易出现假阳性的情况。

而AI深度学习算法则 可以依靠海量数据自主学习专家的诊断方法，独立自主地处理图像并对疾病进行诊断。

自动提取图像特征：

发现肉眼难以观察到的改变

因为专家在常规阅片时，难以识别如此之多的定量资料，而AI能够同时处理大规模定量资料并建立相关性，并且每一次分析具有可重复性。

例如，肺部的良、恶性结节相似度高，难以肉眼准确区分。

AI能够自动提取影像学生物标志物特征， 检测出人眼难以发现的微小结节， 同时降低假阳性，进而对肺部结节进行鉴别，并将肿瘤风险评估、鉴别诊断、预后预测及治疗疗效相联系。

肿瘤监测及治疗疗效预测：

辅助专家实时监测肿瘤

在肿瘤治疗疗效的监测中，肿瘤体积的变化是重要的评价指标。当肿瘤体积明显缩小时，肉眼可以识别，但如果只是肿瘤质地改变、瘤内异质性改变时，肉眼难以识别。

AI则可以通过处理治疗不同时间节点的MRI/CT图像，学习并提取相应肿瘤质地及异质性改变特征，准确识别肿瘤改变的区域，并给出肿瘤内部变化的热点图，进而辅助临床专家对治疗疗效进行判定。[2]

AI医疗未来3大难点

数据可及性：

缺少数据支撑

可靠的AI模型需大量高质量训练数据支撑，但很多医院或研究机构出于研究保密或患者隐私保护，很难实现数据共享，数据的“孤岛现象”是困扰AI临床应用的关键问题。

模型泛化性：

数据无法通用

泛化性指模型对未训练数据的预测能力，即A医院数据获得的模型在B医院预测的准确性。

模型的泛化性主要受限于数据本身的一致性和数据标签注释的主观性。

不同的拍照设备、光照条件和个体间差异将影响图像数据的一致性，不同的检验仪器、检验试剂也对临床数据影响较大。

结果可解释性：

无法显示参数运算过程

AI尤其是DL因为其内部决策过程被成千上万的训练参数所掩盖，所以实践中AI算法的权重和特征通常是不可解释的，因此，临床医师很难充分把握模型的工作过程和具体影响因素。[3]

当然，以上研究结果只是使用全切片图像来进行人工智能辅助的癌症起源预测的第一步，目前AI在肿瘤领域的应用尚处于初步 探索 阶段。

相信将来会有越来越多的AI医疗数据来建立算法，同时随着AI在不同疾病上的应用经验积累，我们期待AI在诊断水平上会有更大的提升，未来或有望让诊断过程标准化并改善当前的癌症诊断策略。

参考文献：

[2]袁紫旭, 徐挺洋, 姚建华,等. 人工智能在恶性肿瘤诊治中的应用[J]. 中华实验外科杂志, 2019, 36(2):203-207.

[3]Zhu W, Xie L, Han J, et al. The Application of Deep Learning in Cancer Prognosis Prediction[J]. Cancers (Basel), 2020, 12(3): 603. DOI:10.3390/cancers

相关标签： 最新钻研！新人工智能模型可预测脑胶质瘤治疗效果、

本文地址：https://www.rixiy.com/article/ccf069635e1d0586cfae.html

上一篇：年轻人的救命神器怎样这么让人上头的相对必...
下一篇：冬至放七天冬至放假几天?...