人工智能预测未来的胰腺癌

根据哈佛医学院和哥本哈根大学的研究人员与弗吉尼亚州波士顿医疗保健系统、丹娜—法伯癌症研究所和哈佛大学陈曾熙公共卫生学院合作领导的新研究，一种人工智能工具已经成功地在诊断前三年内识别出胰腺癌风险最高的人，仅使用患者的医疗记录。

研究人员说，8月<>日发表在《自然医学》上的研究结果显示，基于人工智能的人口筛查对于发现疾病风险较高的人很有价值，并且可以加快诊断在晚期治疗效果较差且结果令人沮丧时经常发现的疾病。胰腺癌是世界上最致命的癌症之一，预计其死亡人数还会增加。

目前，没有基于人群的工具来广泛筛查胰腺癌。那些有家族史和某些基因突变使他们易患胰腺癌的人以有针对性的方式进行筛查。但研究人员说，这种有针对性的筛查可能会错过这些类别之外的其他病例。

“临床医生每天面临的最重要的决定之一是谁处于疾病的高风险中，谁将从进一步的测试中受益，这也可能意味着更具侵入性和更昂贵的程序，具有自己的风险，”研究联合高级研究员Chris Sander说，他是HMS布拉瓦特尼克研究所系统生物学系的教员。“一种人工智能工具可以归零那些从进一步测试中受益最大的胰腺癌风险最高的人，这可能大大有助于改善临床决策。

Sander补充说，大规模应用这种方法可以加快胰腺癌的检测，导致早期治疗，改善结果并延长患者的寿命。

“许多类型的癌症，特别是那些难以早期识别和治疗的癌症，对患者，家庭和整个医疗保健系统造成不成比例的损失，”研究联合高级研究员Søren Brunak说，他是疾病系统生物学教授，也是哥本哈根大学诺和诺德基金会蛋白质研究中心的研究主任。“基于人工智能的筛查是改变胰腺癌轨迹的机会，胰腺癌是一种众所周知的难以早期诊断并在成功机会最高时及时治疗的侵袭性疾病。

在这项新研究中，人工智能算法在两个独立的数据集上进行训练，总共有来自丹麦和美国的9万条患者记录。研究人员“要求”人工智能模型根据记录中包含的数据寻找迹象。基于疾病代码的组合及其发生的时间，该模型能够预测哪些患者将来可能患上胰腺癌。值得注意的是，许多症状和疾病代码与胰腺没有直接关系或源于胰腺。

研究人员测试了不同版本的人工智能模型，以了解它们在不同时间尺度(6个月，一年，两年和三年)内检测疾病发展风险较高的人的能力。

总体而言，每个版本的AI算法在预测谁会患胰腺癌方面都比目前人群对疾病发病率的估计要准确得多 - 定义为特定时间段内人群中疾病发展的频率。研究人员表示，他们认为该模型在预测疾病发生方面至少与目前的基因测序测试一样准确，这些测试通常仅适用于数据集中的一小部分患者。

“愤怒的器官”

筛查某些常见的癌症，如乳腺癌、宫颈癌和前列腺癌，依赖于相对简单和高效的技术——分别是乳房 X 光检查、巴氏涂片检查和血液检查。这些筛查方法通过确保在最可治疗的阶段及早发现和干预，改变了这些疾病的结果。

相比之下，胰腺癌的筛查和测试更难，成本更高。医生主要关注家族史和基因突变的存在，虽然这是未来风险的重要指标，但经常会错过许多患者。人工智能工具的一个特别优势是，它可以用于任何和所有有健康记录和病史的患者，而不仅仅是那些已知家族史或疾病遗传易感性的患者。

研究人员补充说，这一点尤其重要，因为许多高风险患者甚至可能不知道他们的遗传易感性或家族史。

在没有症状且没有明确迹象表明某人患胰腺癌的高风险的情况下，临床医生可能会谨慎地推荐更复杂和更昂贵的测试，例如 CT 扫描、MRI 或内窥镜超声检查，这是可以理解的。当使用这些测试并发现可疑病变时，患者必须接受程序以获得活检。该器官位于腹部深处，难以接近，容易引起和发炎。它的易怒为它赢得了“愤怒的器官”的绰号。

研究人员说，识别胰腺癌风险最高的人的人工智能工具将确保临床医生测试正确的人群，同时避免其他不必要的测试和额外的程序。

在胰腺癌早期被诊断出的人中，约有44%的人在诊断后存活了五年，但只有12%的病例被早期诊断出来。研究人员估计，那些肿瘤已经生长到其起源部位之外的人的存活率下降到2%至9%。

“尽管手术技术，化学疗法和免疫疗法取得了显着进步，但存活率很低，”桑德说。“因此，除了复杂的治疗方法外，显然还需要更好的筛查，更有针对性的测试和早期诊断，而基于AI的方法作为这一连续统一体中的第一个关键步骤。

既往诊断预示未来风险

在目前的研究中，研究人员设计了几个版本的人工智能模型，并根据丹麦国家卫生系统6年来2万患者的健康记录对其进行了训练。在这些患者中，有41，23人随着时间的推移患上了胰腺癌。在训练过程中，该算法根据疾病轨迹识别指示未来胰腺癌风险的模式，即患者是否具有随时间按特定顺序发生的某些疾病。

例如，胆结石、贫血、2 型糖尿病和其他胃肠道相关问题等诊断预示着在评估后 3 年内患胰腺癌的风险更大。不那么令人惊讶的是，胰腺炎症在更短的时间内强烈预测了未来的胰腺癌。

研究人员警告说，这些诊断本身都不应被视为未来胰腺癌的指示性或致病性。然而，它们随时间推移发生的模式和顺序为基于人工智能的监测模型提供了线索，并可能促使医生更密切地监测那些风险较高的人或进行相应的测试。

接下来，研究人员在一组全新的患者记录上测试了表现最好的算法，这是一组以前从未遇到过的全新患者记录 - 美国退伍军人健康管理局数据集，其中包含近3万条记录，跨越21年，包含3，864名被诊断患有胰腺癌的人。该工具在美国数据集上的预测准确性略低。

这很可能是因为美国数据集是在较短的时间内收集的，并且包含的患者人口概况略有不同 - 丹麦数据集中的丹麦人口与退伍军人事务部数据集中的现任和前任军事人员。当在美国数据集上从头开始重新训练算法时，其预测准确性得到了提高。

研究人员说，这强调了两个要点：首先，确保人工智能模型在高质量和丰富的数据上进行训练。第二，需要访问国内和国际上汇总的大型代表性临床记录数据集。在缺乏这种全球有效的模型的情况下，人工智能模型应该在当地健康数据上进行训练，以确保它们的训练反映当地人口的特质。