美國哈佛醫(yī)學院、斯坦福大學和布萊根婦女醫(yī)院等機構合作，帶來了全新一代的腫瘤診斷AI，它能在多達19種癌癥類型中發(fā)揮腫瘤診斷、腫瘤微環(huán)境定位、治療策略引導、生存率預測等多種能力，并且預測準確性要優(yōu)于過往的AI診斷系統(tǒng)。（Nature. 2024年9月4日在線版）

人工智能（AI）正為腫瘤診斷領域帶來了越來越多的革新，借助一些已有的腫瘤病理性圖像，AI通過識別和訓練之后就能夠判斷新的組織樣本是否存在腫瘤，也能預測腫瘤組織的侵襲性、增殖能力。現(xiàn)有的腫瘤診斷AI可在少數(shù)的腫瘤類型中實現(xiàn)一定程度的診斷和預測，但這還遠非AI的全部實力。

以往，腫瘤診斷AI往往基于特定方法、樣本的組織病理學圖像進行訓練，因此面對來自不同方法獲得的圖片，不同人群、癌癥類型的樣本作用就有限了。但新研究展示的全新AI模型——CHIEF（臨床組織病理學圖像評估基礎），它的訓練過程更為復雜。

首先它需要經(jīng)過1500萬張沒有經(jīng)過任何標記的圖片訓練，隨后CHIEF還要接受6萬多張全視野組織切片的訓練，樣本包括肺部、胃部、結(jié)腸、大腦、肝臟、胰腺、皮膚和腎上腺等19種組織，這主要是讓CHIEF能夠?qū)⑻囟ú课坏淖兓c完整組織聯(lián)系起來，而不僅僅只局限對某一個小區(qū)域的了解和預測。

完成了上述訓練后，研究者嘗試讓CHIEF對來自全球24個醫(yī)院，32個獨立數(shù)據(jù)庫中的近2萬張全視野病理組織切片圖進行了分析。與目前最先進的深度學習方法相比，CHIEF完成各類任務的表現(xiàn)總體提升了36.1%，包括癌細胞檢測，腫瘤起源辨別，預測癌癥患者治療效果，以及分辨與治療反應相關的基因和DNA模式。

而在癌癥檢測方面，面對包含11種癌癥類型的15個數(shù)據(jù)庫樣本時，CHIEF的預測評價指標AUROC（接受者操作特征曲線下面積，用于判斷模型準確率）可達到0.9397（AUROC越接近于1，表明模型能更好地區(qū)分正負樣本）；相同的任務下，已有的深度學習模型的AUROC在0.80到0.84之間。對于其他任務，比如預測之前從未見過的手術切除組織病理切片圖，CHIEF的AUROC也可以超過0.9。

腫瘤基因組構成能決定腫瘤的特性、演化以及對治療的敏感程度。而CHIEF也能以優(yōu)于當下AI的準確性來識別測試樣本中的基因特征，包括與癌細胞生長、抑制相關的基因模式，此外CHIEF在觀察全組織圖像時，還可識別出54種常見的癌癥基因突變。

在人類患者中，CHIEF也可有效地預測患者的死亡風險，且它還發(fā)現(xiàn)與生存期較短的患者相比，生存期長的患者腫瘤中含有更多的免疫細胞，這些免疫細胞有助于幫助攻擊腫瘤。而CHIEF在生存期短的患者腫瘤中發(fā)現(xiàn)了一些異常特征，比如細胞間連接減弱，細胞核有更多非典型特征。

研究者指出，CHIEF模型在跨越多類型腫瘤中的任務中展現(xiàn)出卓越的效能，研究者希望它能像ChatGPT一樣表現(xiàn)出更廣泛的作用。為此，研究者將繼續(xù)給CHIEF進行更多的組織圖像訓練，同時增加一些癌前病變樣本，進一步提升CHIEF在腫瘤診斷和預測分析中的準確性。

（編譯 王微微）