医生们希望癌症治疗的未来是个人化的：利用基因组学，他们将能够为患者匹配最能对抗其肿瘤的药物或治疗方案。然而，肿瘤基因组学信息往往并未与患者接受特定治疗后的情况数据联系起来。这使得研究人员难以针对个体患者定制治疗方案。“有时，唯一已知的信息是具有特定病理的患者的存活时间，即使是这样也未必知晓，”波士顿达纳-法伯癌症研究所的医学肿瘤学家Kenneth Kehl说。“‘哪些突变可以预测对特定治疗的获益’这类问题比人们预想的要更具挑战性。”
为了缓解这些挑战，Kehl参与了一个团队，该团队开发了一种机器学习算法，可以从电子健康记录中的医生和放射科医生笔记中提取信息，以识别特定患者的癌症是如何进展的。他们的工具在《JAMA Oncology》期刊上本周发表，未来可能有助于识别可能从临床试验或其他特定干预措施中获益的患者——这是将人工智能引入肿瘤学更大努力的一部分。
关于癌症患者肿瘤进展的大部分信息都包含在放射科医生的书面笔记中，他们检查扫描图像并追踪癌症状态的变化。由于这是原始文本——而不是下拉菜单中的选项或电子表格中的数据点——大多数分析方法无法提取相关信息。本研究创建的工具利用了语言机器学习的改进来识别电子健康记录中的这些细节。
机器学习系统能够像人类读者一样识别癌症结局，而且速度快得多。人类读者每小时只能阅读三份患者记录。该工具可以在大约10分钟内分析数千名癌症患者的整个队列。
Kehl表示，理论上，该工具可以用来审查一个机构所有患者的健康记录，识别出符合条件并需要临床试验的患者，并根据其疾病特征为他们匹配最佳治疗方案。“可以大规模地找到患者，”Kehl说。
对于这个特定的工具，癌症患者的扫描最初是由人类放射科医生读取的。但人工智能和机器学习也可以读取图像，研究表明它们可以像人类放射科医生一样有效地分析肿瘤扫描。在本月发表的另一项研究中，放射科医生和人工智能专家合作开发了一种算法，可以确定甲状腺上的肿块是否应该进行活检——并且发现该机器学习工具的建议与使用美国放射学会（ACR）系统的专家放射科医生的建议相似。
评估甲状腺肿块可能非常耗时，并且放射科医生在使用ACR系统时可能会遇到挑战。杜克大学放射学和电气与计算机工程副教授、该研究的作者Maciej Mazurowski说：“我们想看看深度学习是否能够自动做出这些决定。”
Mazurowski表示，在这些工具能够取代放射科医生之前，人工智能和扫描分析还有很多工作要做，但最近的研究表明，人工智能有可能达到放射科医生的水平。“最终的问题是，即使我们能证明它们与人类一样有效，它们将在多大程度上被采纳到医疗系统中。这不仅仅是它是否有效。”
Kehl表示，视觉分析在医学和肿瘤学领域比文本分析进展得更远，但两者都可以成为将机器学习融入常规护理实践的组成部分。他表示，例如，将机器对扫描的解释整合到整体电子健康记录分析中是可能的。“这意味着我们要看我们从图像本身获得多少信息，从人类解释中获得多少信息，以及模型从图像中获得什么，”他说。“最佳策略仍然未知。”
Kehl表示，未来人工智能似乎有可能帮助识别和监测癌症的进展。“关键在于如何将人工智能（包括成像、病理和健康记录）普遍融入临床工作流程，”Kehl说。
