登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《人工智能及其在肿瘤学方面的潜力》

  • 来源专题：重大新药创制—研发动态
  • 编译者： 杜慧
  • 发布时间：2018-11-26

  • 医药学中与人工智能（AI）相关的主要有虚拟人工智能和物理人工智能两个分支。虚拟组件包括机器学习（ML）和算法，而物理AI包括用于提供护理的医疗设备和机器人。人工智能已成功用于肿瘤分割，组织病理学诊断，跟踪肿瘤发展和预后预测。由新加坡国立大学开发的CURATE.AI，可自主决定药物最佳剂量以维持持久有效以让患者恢复完全正常的生活。随着谷歌和微软等高科技跨国公司的参与，人工智能在医疗保健领域非常有前景。

136浏览量
原文链接
相关报告

  • 《ESMO 2023：人工智能是肿瘤学的“新目标”》
    • 来源专题：战略生物资源
    • 编译者：李康音
    • 发布时间：2023-10-31
    • 本文内容转载自“智药局”微信公众号。原文链接: https://mp.weixin.qq.com/s/aELFPPL7A9PVTFVWX0m9tg 欧洲肿瘤内科学会年会 (ESMO) 是欧洲最负盛名和最具影响力的肿瘤学会议。2023 年 ESMO 大会于 10 月 20 日-24 日在西班牙马德里举行，超过3300名肿瘤学家到场交流，涵盖了肿瘤领域的基础研究、转化研究以及最新的临床研究进展。今年的大会上，也聚集了马德里的医生和深度学习专家，讨论人工智能在该领域的挑战和进展。在会议上，专家们发问：“ 我们是否进入了大数据和人工智能的肿瘤学新时代？” 五大应用领域 肿瘤学中的人工智能有五大应用领域，包括转化肿瘤学（临床前实验）、癌症成像、临床结果、临床决策和人工智能系统还有望简化分子病理学实验室的工作流程。 辅助药物设计 智药局注意到，本届ESMO中有多家AI药企携最新的管线参与会议。例如英矽智能携QPCTL小分子抑制剂亮相，分享多癌种研究数据。Exscientia也带来 LSD1 和 MALT1 抑制剂的新临床前数据，目前已经进入临床管线中。除此之外，还有药企分享借助人工智能和生物信息平台改善细胞疗法的结果。“经过多年的负面研究和高毒性率，由于嵌合抗原受体设计的改进、特异性的上调以及可能的下调，新的分子技术和生物信息学平台似乎有助于产生具有更积极结果的增强细胞疗法。”丹麦哥本哈根大学医院国家癌症免疫治疗中心的 Inge Marie Svane 教授说。 例如，大会介绍了来自BioNtech的一种非工程新抗原特异性 T 细胞产品 (BNT221) 治疗难治性转移性黑色素瘤的 I 期首次人体研究的中期结果。这项疗法使用通过白细胞分离术从个体患者身上收集的外周血单核细胞来创建个性化的 BNT221，其中包含针对患者肿瘤特异性的多种新抗原的 T 细胞反应。BioNtech使用生物信息学平台预测每位患者的免疫原性新抗原产物，然后用于在离体诱导过程中启动、激活和扩展来自 CD4+ 和 CD8+ 区室的记忆和从头 T 细胞反应。结果显示，9 名患者在淋巴细胞清除化疗后接受单次输注 BNT221，没有观察到剂量限制性毒性以及与淋巴细胞清除相关的输注后 3-4 级血液学毒性。9 名患者中有 4 名检测到肿瘤缩小。通过 TCR 测序分析，在一名接受测试的患者中观察到肿瘤浸润的证据。虽然到目前为止只有少数患者接受了治疗，因此预测反应的程度或持久性还为时过早，但令人鼓舞的是，注入的新抗原特异性 T 细胞浸润了肿瘤病变，这意味着它们能够瞄准肿瘤。 生成新疗法的生物信息学平台正在迅速塑造研究格局，但仍需要正确定义其评估和批准。 诊断癌症成像 癌症成像和预测生物标志物识别是 2023 年 ESMO 大会上提出的研究报告中执行地最好的任务。近年来，人工智能应用已从研究转向临床实践，多种人工智能工具现已获得美国 FDA 批准或在欧洲获得 CE 标志，还有许多其他工具目前正在评估中。在 2023 年 ESMO 大会上，展示了多种人工智能工具的性能数据，强调了它们在一系列应用中的优势。例如一项研究表明，开发用于肺结节分析的人工智能工具首次证明了在CT图像上预测磨玻璃结节（GGNs）患者肺癌风险的能力，用来帮助对GGN患者展开干预性措施。AI工具评估了来自169个癌症和347个良性结节的CT图像时，与两个参考模型相比，它显示出积极预测GGN恶性肿瘤的能力略高，受试者工作特征曲线（AUC）下的面积为89.1%，而86.5%和80.9%。此外，该工具排除了48.7%的良性模块（100%灵敏度）的恶性肿瘤，而参考模型的恶性肿瘤为14.1%和16.7%。 人工智能系统还有望简化分子病理学实验室的工作流程。AIMMeR 的评估就是一个例子，这是一种人工智能工具，用于自动确定大会上提出的 II/III 期 CRC 患者的免疫组织化学图像中的错配修复 (MMR) 蛋白状态。该分析包括来自 SCOT 试验的 2,000 多个病例，比较了基于奥沙利铂的辅助化疗 3 个月和 6 个月，AIMMeR 在识别 MMR 缺陷方面表现出很高的准确性，证明了该队列的预后和预测价值。 识别临床结果/预测生物标志物 ESMO中还探讨了人工智能在识别临床结果的预测生物标志物方面的作用。在第一个项目中，对深度学习 AI 框架 NaroNet 进行了评估，以确定可预测 53 名接受免疫检查点抑制剂治疗的晚期黑色素瘤患者的疗效和毒性结果的生物标志物。在治疗前的肿瘤标本中，NaroNet 确定了两个肿瘤微环境邻域，它们均与 3-4 级免疫相关不良事件（均 p=0.008）和疾病进展（均 p=0.009）显著相关。研究作者提出，这些社区有可能作为治疗前的生物标志物，以识别可能受益于替代治疗方案的患者。 在第二项研究中，对接受检查点抑制剂和化疗的转移性结直肠癌 (CRC) 患者的全切片图像中的肿瘤浸润淋巴细胞 (TIL) 进行了人工智能分析，以预测对免疫肿瘤药物的反应。在此分析中，Lunit SCOPE IO 工具有效地表征了肿瘤微环境，并揭示了几种免疫相关生物标志物和结果之间的关联。研究人员得出结论，基于人工智能的肿瘤微环境评估，特别是肿瘤内 TIL 密度，与复发性晚期头颈鳞状细胞癌 ICI 的良好治疗结果相关。该研究已经发布在《临床肿瘤学杂志》(JCO) 上。 专家 指出：“正如这两项研究所示，将人工智能模型应用于数字化(H&E) 染色样本，强调了它们提取具有生物学和临床意义的见解的潜力。”“这可能具有深远的影响，特别是在癌症免疫治疗领域，因为它能够预测治疗反应、进展风险和免疫治疗相关副作用的风险。” 新的黄金 尽管人工智能和数据科学在ESMO上不算主角，大家更关心的是药物的临床阶段数据，尤其是ADC药物。但仍需承认的是，AI已经成为不可忽视的力量，正在改变癌症研究的某些领域。当下，已经有基于人工智能的平台帮助药物的更快地进行临床前研究，影像和病理诊断，以及分析电子健康记录和医学成像设备中常规收集的数据。例如，在癌症遗传学领域，出具患者与靶向治疗的基因组报告很多都是通过人工智能识别的。在本届大会中，发布了《ESMO 肿瘤学真实世界证据报告指南（GROW）》旨在指导该领域的科学报告，也涵盖了基于人工智能的技术主题，这并非巧合。 作为临床试验的补充，由先进数据分析支持的现实世界研究变得越来越普遍，并且也开始在药物研发阶段，被监管机构使用。为了训练算法，公司需要大量数据，因此获取数据已成为一种商业模式。包括私人生活、实验室测试、生物样本和诊断数据。在AI赋能肿瘤学的当下，医院生成的数据可以被视为新的黄金。 未来，这些由算法构建的模型会帮助患者带来更多的疗法，减轻医生的负担，以及更好的患者护理和监管。
    526浏览量
    原文链接

  • 《人工智能在撰写医学摘要方面胜过人类》
    • 来源专题：人工智能
    • 编译者：袁晨
    • 发布时间：2024-06-11
    • 医生每天会见数十名患者，并根据在这些会议中收集的笔记、患者描述、测试结果和诊断信息，提出关键的健康相关建议。所有这些文本信息通常都集中在患者的电子健康记录(EHR)中。电子健康记录中大量的信息已经成为现代医学的一个转折点。大多数医生现在依靠长篇笔记和医疗记录的简短摘要来管理病人的护理。 “医疗文件的临床负担很高，而且耗时。这对病人有影响，”Dave Van Veen说，他是电气工程博士候选人，也是《自然医学》杂志上一项新研究的第一作者，他正在探索人工智能辅助总结的可能性。“医生照顾病人的时间更少，而且在总结电子病历信息时，总是有出错的可能。” 在这项研究中，Van Veen和斯坦福大学的同事们将8种大型语言模型(LLM)应用于临床文本，并测试了它们与人类医学专家的总结能力。研究人员表示，医生往往更喜欢人工智能生成的摘要，而不是人类生成的摘要。 “人工智能通常会生成与医学专家撰写的摘要相当或更好的摘要。这项研究的资深作者、放射学教授、生物医学数据科学教授Akshay Chaudhari说:“这表明LLM有潜力融入临床工作流程，减少文档负担。”“这种技术的发展和验证可能会让临床医生花更多的时间在病人身上，而不是在电子病历上。” 同类相较 即使对经验丰富的医疗专业人员来说，总结医疗记录也是一项困难、重要和注重细节的工作。 “我们认为人工智能在辅助方面有很大的潜力，可以加快医生的工作量，减少错误。更多的时间和更高的准确性可以带来更好的病人护理，”Van Veen说。 在他们的研究中，Chaudhari、Van Veen和同事们与8位已建立的法学硕士合作，并使他们能够总结一系列文本医学信息——放射学报告、患者问题、进展记录和医患对话。然后，在盲测中，一个由10名医生组成的小组将表现最好的法学硕士生成的摘要与人类医学专家生成的摘要进行比较，并根据“完整性、正确性和简洁性”对摘要进行评级。 Van Veen说:“在大多数情况下，适应性最好的法学硕士的总结被评为比人类创造的总结好或更好。”几乎有一半的时间(45%)，评估者认为人工智能生成的摘要至少和人工生成的摘要一样好。超过三分之一的时间(36%)，他们认为他们“优越”。 不容犯错 知道人工智能的“幻觉”倾向——本质上，就是编造不真实的信息——研究人员热衷于探索人工智能是否会在他们的总结中引入虚构的信息。如果是这样，考虑到医疗环境的严重后果，这将是对人工智能的巨大打击。 “事实证明，人类有时也会犯错，最好的模型虽然不完美，但比人类医学专家产生的虚假信息更少，”Van Veen说。“法学硕士课程非但不会带来不准确的信息，反而可能最终减少临床实践中的虚假信息。” Van Veen和他的同事们现在将对他们的模型进行微调，并最终将人工智能辅助应用到现实世界的临床环境中。 “拭目以待吧。我们即将在现实环境中测试LLM，帮助医生在文件上花费更少的时间，这样他们就可以为病人提供更好的护理。
    106浏览量
    原文链接