近年来，科学家们逐渐开始使用人工智能技术深耕癌症研究领域，与此同时他们也取得了很多重要研究成果，本文中，小编就对相关研究成果进行整理，分享给大家！
近年来，科学家们逐渐开始使用人工智能技术深耕癌症研究领域，与此同时他们也取得了很多重要研究成果，本文中，小编就对相关研究成果进行整理，分享给大家！
【1】Nat Commun：利用人工智能成功预测癌症患者对免疫疗法的反应
doi：10.1038/s41467-022-31535-6
作为一种新的癌症治疗方法，免疫疗法激活人体的免疫系统来对抗癌细胞，而不使用化疗或放疗。它比传统的抗癌药物有更少的副作用，因为它只利用人体的免疫系统攻击癌细胞。此外，由于它利用了免疫系统的记忆和适应性，从它的治疗效果中受益的患者会有持续的抗癌效果。
近期开发的免疫检查点抑制剂（immune checkpoint inhibitor， ICI）已经极大地改善了癌症患者的生存率。然而，癌症免疫疗法的问题是，只有大约30%的癌症患者从它的治疗效果中获益，而且目前的诊断技术不能准确预测患者对这种治疗的反应。
在这种背景下，来自韩国浦项科技大学和延世大学等研究机构的研究人员在一项新的研究中通过使用基于网络的机器学习，提高了预测患者对免疫检查点抑制剂作出反应的准确性。相关研究结果于2022年6月28日发表在Nature Communications期刊上。这些作者通过分析700多名三种不同癌症（黑色素瘤、胃癌和膀胱癌）患者的临床结果以及患者癌症组织的转录组数据，发现了新的基于网络的生物标志物。通过利用基于网络的生物标志物，他们成功开发出可以预测抗癌治疗反应的人工智能方法。他们进一步证实这种基于新发现的生物标志物的治疗反应预测优于基于常规抗癌治疗生物标志物（包括免疫治疗靶标和肿瘤微环境标志物）的预测。
【2】Nature：利用人工智能确定了癌症中的21种拷贝数标记
doi：10.1038/s41586-022-04738-6
在一项新的研究中，来自英国癌症研究学院、伦敦大学学院、弗朗西斯-克里克研究所、美国加州大学圣地亚哥分校和瑞典隆德大学等研究机构的研究人员利用人工智能（AI）研究并分类了癌症起始和生长时基因组---细胞的完整遗传密码---中DNA变化的大小和规模。相关研究结果于2022年6月15日在线发表在Nature期刊上。
利用人工智能，这些作者确定了21种常见的缺陷，这些缺陷发生在癌症起始和生长时的DNA结构、顺序和拷贝数上。一类称为拷贝数标记（copy number signature）的常见缺陷可能帮助指导医生进行反映肿瘤特征的治疗。
当你观看美国流媒体播放平台Netflix时，会产生关于你观看的电影和电视剧类型的数据，你观看它们的频率，以及你是否给它们一个“大拇指”或“小拇指”。Netflix使用一种算法来分析这些大量的数据，在你观看的内容中找到模式，然后在你滚动浏览Netflix时推荐新的电影和电视剧。在伦敦大学学院的Nischalan Pillay博士和加州大学圣地亚哥分校的Ludmil Alexandrov博士的领导下，这些作者构建出一种类似的算法，可以筛选出成千上万行的基因组数据，挑出染色体如何组装和排列的共同模式。然后，该算法可以对出现的模式进行分类，并帮助科学家们确定癌症中可能出现的缺陷类型。
拷贝数标记在人类癌症中的分布
图片来源：Nature, 2022, doi:10.1038/s41586-022-04738-6。
doi：10.1038/s41392-022-00994-0
靶向药物治疗作为肿瘤治疗的前沿之一，具有疗效高、副作用少、患者耐药低等优点。然而，现有的靶向治疗有几个缺点，例如少数可用药的靶点，对患者人群的覆盖不有效，以及缺乏对患者耐药性的替代反应。因此，寻找新的治疗靶点并评价其可药性成为当前靶向药物治疗的肿瘤研究热点。由于疾病的复杂性，我们很难全面了解癌症的发病机制，目前大多数靶向药物都是基于实验验证的假说开发的，该假说可以解释癌症发生的可能机制，但忽略了疾病的其他事实。因此，这些疗法可能会对正常组织产生不良影响，甚至会给患者带来严重的副作用。
近日，来自四川大学的研究者们在Signal Transduction and Targeted Therapy杂志上发表了题为“Artificial intelligence in cancer target identification and drug discovery”的综述性文章，该研究揭示了人工智能模型为我们提供了一个定量框架，以研究网络特征与癌症之间的关系，从而识别潜在的抗癌靶点，并发现新的候选药物。
人工智能是从生物网络中识别新的抗癌靶点和发现新药物的先进方法，因为这些网络可以有效地保存和量化癌症等人类疾病相关细胞系统组件之间的相互作用。在这里，研究者回顾和讨论如何使用人工智能方法来识别新的抗癌靶点和发现药物。首先，研究者描述了用于抗癌新靶点研究的人工智能生物分析的范围。其次，回顾和讨论了常用的基于网络和基于机器学习的人工智能算法的基本原理和理论。最后，研究者展示了人工智能方法在癌症目标识别和药物发现中的应用。
【4】Nat Med：科学家有望利用人工智能技术来准确诊断人类的前列腺癌
doi：10.1038/s41591-021-01620-2
如今人工智能（AI）技术已经显示出了在活检中诊断前列腺癌的前景，然而，其结果仅限于个别研究，缺乏多国环境的验证；而且竞争已经被证明是医学成像创新研究领域的加速器，但其影响常常因缺乏可重复性和独立验证而受到了一定的阻碍。近日，一篇发表在国际杂志Nature Medicine上题为“Artificial intelligence for diagnosis and Gleason grading of prostate cancer： the PANDA challenge”的研究报告中，来自拉德堡德大学医学中心等机构的科学家们通过研究共同完成了一项关于用于诊断和对前列腺癌进行评级的人工智能技术的全面国际验证，研究人员发现，AI系统或能与病理学家一样，识别并对来自不同国家的组织样本中的前列腺癌进行识别和分级，因此AI系统或许有望作为一种辅助工具引入到前列腺癌的诊断和治疗过程中去。
国际认证是通过一种名为PANDA的比赛来进行的，该比赛历时3个月，其能挑战1000多名AI专家所开发的用于对前列腺癌准确分级的系统。研究者Kimmo Kartasalo博士说道，比赛开始仅10天，研究人员就开发出了与普通病理学家相匹配的算法，而组织PANDA比赛或能揭示竞赛如何能够加速快速的创新过程，从而在AI的帮助下解决医疗保健中的具体问题。
当前前列腺癌诊断的一个问题在于，即使是针对相同的组织样本，不同的病理学家也会得出不同的结论，这意味着疗法决策是基于不确定的信息而制定的；研究者认为，利用AI技术或许在提高重现性方面有着非常大的潜力，也就是说，无论哪个病理学家进行评估，都能提高组织样本评估的一致性，从而就会导致更为准确的疗法选择。研究人员在早期研究中发现，AI系统能指示是否组织样本中包含癌症，同时还能评估活检组织中肿瘤组织的数量，并对前列腺癌的严重程度进行分级，AI系统能与国际病理学家相媲美。然而，在医疗领域中实时AI技术的主要挑战在于，AI系统通常对用于训练系统的数据不同的数据高度敏感，因此在应用于其它医院和其它国家时可能就不会产生可靠和稳健的结果。
图示为前列腺癌细胞。
图片来源：NIH Image Gallery
【5】Nat Commun：科学家有望利用人工智能技术来诊断人类结直肠癌
doi：10.1038/s41467-021-26643-8
机器辅助的病理性识别一直专注于监督式学习（SL，Supervised Learning），而SL受到了显著的注释瓶颈的影响。近日，一篇发表在国际杂志Nature Communications上题为“Accurate recognition of colorectal cancer with semi-supervised deep learning on pathological images”的研究报告中，来自中国中南大学等机构的科学家门通过研究发现，人工智能技术（AI）或能从组织扫描结果中准确检测并诊断结直肠癌，其效果要比病理学家好很多。相关研究结果或有望帮助研究人员检测是否AI能作为一种有力的工具来帮助病理学家紧跟对其服务不断增长的需求。
病理学家会定期评估和标记数千张组织病理学图片从而帮助判断某个个体是否患有癌症，但其平均的工作量就会大幅增加，有时可能也会因为过于疲惫而造成意外的误诊。研究者Hong-Wen Deng教授说道，尽管进行的很多工作都是重复性的，但大多数的病理学家都很繁忙，因为其工作需求很大，而全球缺乏大量合格的病理学家，尤其是在发展中国家，这种情况尤为严重。本文研究就为解决目前的现状带来了革命性的变革，研究人员成功利用人工智能技术以一种成本效益的方式识别并诊断了结直肠癌，这或许最终有望改善病理学家的工作效率并减少其工作量。
这篇研究报告中，研究人员从中国、德国和美国的8803名受试者和13个独立的癌症研究中心收集了超过1.3万张结直肠癌图像，利用这些由技术人员随机选择的图像，研究人员构建了一种由机器辅助的病理识别程序，这或许就能使计算机识别出揭示结直肠癌的图像，结直肠癌是引发欧洲和美国人群因癌症死亡的最常见的原因。研究者Deng说道，这项研究的挑战在于复杂的大图像尺寸、复杂的形状、纹理和核染色的组织学改变；但最终研究结果表明，当研究者利用人工智能技术诊断结直肠癌时，其所表现出的性能堪比真正的病理学家，甚至在很多情况下要比真正的病理学家表现更好。
【6】Nat Commun：新型人工智能血液检测技术或能高效识别出肺癌患者 准确率高达90%以上！
doi：10.1038/s41467-021-24994-w
对机体游离DNA（cfDNA）评估的无创手段能为癌症检测和干预提供很好的机会；近日，一篇发表在国际杂志Nature Communications上题为“Detection and characterization of lung cancer using cell-free DNA fragmentomes”的研究报告中，来自约翰霍普金斯大学医学院等机构的科学家们通过研究开发了一种新型人工智能血液检测技术，其能在来自约800名患癌或不患癌个体的样本中检出超过90%的肺癌病例。
这种名为DELFI（对早期截留片段的DNA评估，DNA evaluation of fragments for early interception）的检测技术能发现循环在血液中的癌细胞脱落的DNA片段的独特模式，研究人员将这一技术应用到了来自丹麦、荷兰和美国的796名个体机体所采集的血样中，结果发现，DELFI技术能准确区分出肺癌患者和非肺癌患者。将这种检测技术与临床风险因素、蛋白质生物标志物结合起来，随后利用计算机断层扫描成像，DELFI技术就能帮助检测出94%的各期和各亚型的癌症患者；这其中就包括91%的早期或侵入性较低的I/II期癌症患者和96%的晚期III/IV期癌症患者。
肺癌是引发癌症死亡最常见的原因之一，每年全球大约会有200万人因肺癌而死亡；然而仅有不到6%的存在肺癌风险的美国人群会接受推荐的低剂量计算机断层扫描筛查，尽管预测可以避免数以万计的患者死亡，但全球接受筛查的人群少之又少；这或许是多种原因所造成的；包括对调查假阳性成像结果的潜在危害的担忧、辐射暴露或担心侵入性手术所产生的并发症等。很显然，开发替代性的无创检测技术或能改善高风险个体的癌症筛查，并最终改善一般人群的癌症筛查，而这是目前临床上迫切需要解决且未得到满足的一项挑战；研究者相信，针对肺癌的血液检测或液体活检或许是增强筛查工作的一个好方法，因为其很容易就能做到，而且可以被广泛使用，且具有一定的成本效益。
【7】Sci Rep：新型人工智能技术或有望实时检测患者机体中的癌变组织
doi：10.1038/s41598-021-90089-7
将吲哚菁绿（ICG，indocyanine green）与近红外内窥镜技术（near-infrared endoscopy）技术相结合能够增强手术中组织微灌注的实时评估能力，同时还能动态揭示肿瘤组织与正常组织的区别，尤其是通过视频软件荧光分析的技术。近日，一篇发表在国际杂志Scientific Reports上题为“Digital dynamic discrimination of primary colorectal cancer using systemic indocyanine green with near-infrared endoscopy”的研究报告中，来自都柏林大学等机构的科学家们通过研究开发了一种新型外科技术，其能利用人工智能技术来在手术中实时检测癌变组织，这或能从根本上改善患者的治疗结局。
文章中，研究者所开发的新方法揭示了他们如何利用数码相机和染料相结合，在手术过程中来观察活体组织中组织的癌变过程。这或许就能帮助外科医生在手术中观察到癌症的确切范围，从而确保通过手术切除最大的癌变组织。研究者Ronan Cahill教授说道，如果癌症能被完全探查出来，那么其更有可能在一次手术中就被治愈，或者我们就能利用组合型疗法来确保降低病人的癌症复发风险以及并发症产生风险。
在介入过程中对癌症进行动态学数码判别意味着外科手术医生能更好地在第一时间为个别病人进行完善正确的介入。如今研究人员正在开发的工具能直接部署和使用软件来帮助用户轻松地解释结果，而并不必进一步发展专业性的知识。此前，外科医生在实验室对组织类型进行正式鉴别之前或许还需要相当长的等待时间。通过间隔放射成像评估对疗法反应时也会出现这种延迟；相比之下，本文中，研究人员共同开发的新方法不仅能通过外观，还能通过其行为来检测癌变组织，这就能使其与附近的正常组织有效区分开来。
近红外内窥镜下全身吲哚菁绿对原发性结直肠癌的数字动态鉴别。
图片来源：Dalli, J., et al. Sci Rep 11, 11349 (2021). doi：10.1038/s41598-021-90089-7
【8】Nature：新型人工智能系统或能改善多种人类复杂转移性癌症的诊断
doi：10.1038/s41586-021-03512-4
原发不明癌症（CUP，Cancer of unknown primary）是一组非常神秘的癌症诊断形式，即肿瘤起源的主要原发性位点并不能被确定，这对于科学家们而言是一项巨大的挑战，因为现代的治疗方法主要针对原发性肿瘤；最近的研究集中在使用基因组学和转录组学来识别肿瘤的起源；然而基因组的检测并不总是能奏效，而且在较低资源环境中缺乏一定的临床渗透性。
为了改善复杂转移性癌症患者的诊断，日前，一篇发表在国际杂志Nature上题为“AI-based pathology predicts origins for cancers of unknown primary”的研究报告中，来自哈佛医学院等机构的科学家们通过研究开发出了一种人工智能系统，其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。
在1%-2%的癌症病例中，研究人员无法确定肿瘤起源的原发性位点，由于很多现代癌症疗法都会靶向作用原发性肿瘤，针对原发不明癌症的诊断技术往往相对缺乏，而且患者的中位总生存期仅为2.7-16个月，为了能够进行更为具体的诊断，癌症患者通常必须接受广泛的诊断，其中包括额外的实验室检测、活组织检查和内窥镜检查程序，这无疑中就会延误患者的治疗。
这项研究中，研究人员开发的人工智能系统就能够帮助改善复杂转移性癌症患者的诊断，尤其是在低水平资源的地区；其能利用常规获得的组织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。文章通讯作者Faisal Mahmood指出，几乎每一名接受癌症诊断的患者都会有一张组织学切片，这在一百多年来一直是诊断的标准，本文研究就为科学家们提供了一种方法来利用普遍获得的数据和人工智能的强大力量，帮助改善这些通常需要大量诊断工作的复杂癌症病例的诊断。
【9】Science子刊：利用人工智能预测哪些女性将可能患乳腺癌
doi：10.1126/scitranslmed.aba4373
一个由来自美国、瑞典的成员组成的研究小组表示已经开发出一种人工智能(artificial intelligence， AI)系统，可以在肿瘤出现前数年预测乳腺癌，并发表在Science Translational Medicine杂志上。近年来，人工智能应用已经在医学诊断领域取得了非凡的进展。它们可以通过训练数千个例子来寻找癌症或其他疾病，然后应用到实际案例中。在这项新的研究中，该团队描述了他们如何开发和训练他们的系统，以及在测试时它的工作效果如何。
多年来，科学家一直在寻找确定乳腺癌风险的方法。一些基因组学研究鉴定出一些列增加患病风险的变异。其他研究也使用各种因素和分析来预测风险，但迄今为止，它们还没有被证明足够准确。在这项新的研究中，研究人员使用了多年来多次筛查的女性的乳房X光照片数据。他们训练该系统来研究最终患上乳腺癌的女性的乳房X光片，然后利用该系统根据自己的乳房X光片数据来预测未来患乳腺癌的风险。
研究小组将该系统命名为Miria，对该系统的测试持续了5年——足够的时间来确定在研究开始时接受测试的女性是否会患上乳腺癌。研究人员发现，Mirai正确预测了41.5%在5年内发展为肿瘤的女性患者，而其他预测方法的测试结果接近36%。值得注意的是，测试包括了来自多个种族的女性，研究小组发现Mirai在所有种族的女性身上都表现得很好，这表明该系统可以用于不同的人群。
【10】Nat Commun：科学家有望利用人工智能技术预测能有效杀灭癌细胞的药物组合
doi：10.1038/s41467-020-19950-z
日前，一篇刊登在国际杂志Nature Communications上的研究报告中，来自阿尔托大学等机构的科学家们通过研究表示，利用人工智能技术或有望预测哪些药物组合能够有效杀灭癌细胞。当临床医生治疗晚期癌症患者时，他们经常需要使用组合性的抗癌疗法，而除了癌症外科手术外，患者还经常会接受放疗、药物疗法或两种疗法同时治疗。
药物能与针对特定癌细胞的药物相结合进行使用，如果能够减少单一药物的剂量，那么组合性药物疗法通常就能够改善疗法的治疗效率并能减少药物有害的副作用，然而，对药物组合的实验性筛查往往非常缓慢且昂贵，因此研究人员常常不能发现联合疗法的全部好处；本文研究中，研究人员在一种新型机器学习方法的帮助下，或许就能识别出最佳的药物组合来选择性地杀灭携带特殊遗传组成或功能组成的癌细胞。
研究者Juho Rousu说道，我们开发了一种机器学习模型，其能够准确预测多种癌症药物的组合如何杀灭多种类型癌细胞；我们能利用从此前研究中（此前研究主要调查药物和癌细胞之间的关联）获得的大量数据来训练这种新型的AI模型，利用机器学习的模型实际上是一种类似于学校数学的多项式函数，但却又非常复杂。这种模型能够发现药物与癌细胞之间的关联，而这种关联此前研究人员并没有观察到过；同时该模型还能够给出非常精确的结果，比如，在实验中所谓的关联系数的值超过了0.9，这就表明了非常高的可靠性，而在实验测定中，0.8-0.9的相关系数被认为是非常可靠的结果。
