哈佛大学开发的新人工智能工具可预测结肠癌的生存率和治疗反应

哈佛大学开发的新人工智能工具可预测结肠癌的生存率和治疗反应结肠癌是一种影响大肠（结肠）的癌症。它是全世界第三大最常见的癌症，也是美国癌症死亡的第二大原因。结肠癌的症状可能包括腹痛、肠道习惯的改变和直肠出血。拥有一个能够回答此类问题的工具可以帮助临床医生和患者驾驭这种狡猾的疾病，即使在具有类似疾病特征并接受相同治疗的人群中，这种疾病的表现也往往不同--并且最终可以使每年被结直肠癌夺走的100万条生命中的一些人免于死亡。关于该团队工作的报告最近发表在《自然通讯》杂志上。研究人员说，该工具是为了加强而不是取代人类的专业知识。研究报告的共同第一作者、HMS的Blavatnik研究所生物医学信息学助理教授Kun-HsingYu说："我们的模型能完成人类病理学家仅靠图像观察无法完成的任务。Yu领导了一个由病理学家、肿瘤学家、生物医学信息学家和计算机科学家组成的国际团队。"Yu补充说："我们预期的不是取代人类的病理专业知识，而是增强人类病理学家能做的事情。我们完全期待这种方法将增强目前的癌症管理的临床实践。"研究人员提醒说，任何一个病人的预后都取决于多种因素，没有一个模型可以完美地预测任何特定病人的生存。然而，他们补充说，如果临床医生根据该工具的评估预测病人的预后较差，那么这个新模型可能有助于指导他们更密切地随访，考虑更积极的治疗，或推荐测试实验性疗法的临床试验。研究人员指出，该工具在我国和世界各地资源有限的地区可能特别有用，因为这些地区可能不容易获得先进的病理学和肿瘤基因测序。这款新工具超越了许多当前的人工智能工具，它们主要执行复制或优化人类专业知识的任务。相比之下，新工具可以检测和解释显微镜图像上人眼无法辨别的视觉模式。该工具被称为MOMA（代表多组学多队评估），可免费提供给研究人员和临床医生。广泛的训练和测试该模型从近2000名结直肠癌患者身上获得的信息进行了训练，这些患者来自不同的国家患者队列，共包括45万名参与者--健康专家随访研究、护士健康研究、癌症基因组图谱计划和美国国立卫生研究院的PLCO（前列腺、肺、结直肠和卵巢）癌症筛选试验。在训练阶段，研究人员向模型提供了关于患者年龄、性别、癌症阶段和结果的信息。他们还向模型提供了关于肿瘤的基因组、表观遗传学、蛋白质和代谢概况的信息。然后，研究人员向该模型展示了肿瘤样本的病理图像，并要求它寻找与肿瘤类型、基因突变、表观遗传学改变、疾病进展和患者生存有关的视觉标记。研究人员随后测试了该模型在"真实世界"中的表现，给它提供了一组它以前没有见过的来自不同病人的肿瘤样本的图像。他们将其性能与实际的病人结果和其他可用的临床信息进行了比较。该模型准确地预测了患者诊断后的总生存期，以及其中有多少年是无癌症的。该工具还准确地预测了个别病人对不同疗法的反应，其依据是病人的肿瘤是否存在特定的基因突变，使癌症更容易或更不容易进展或扩散。在这两个方面，该工具的表现都超过了人类病理学家和目前的人工智能模型。研究人员说，随着科学的发展和新数据的出现，该模型将进行定期升级。Yu说："对于任何人工智能模型，我们持续监测其行为和性能是至关重要的，因为我们可能会看到疾病负担分布的转变，或有助于癌症发展的新环境毒素。重要的是在新的和更多的数据出现时用这些数据来增强模型，以便其性能永远不会落后。"辨别蛛丝马迹的模式新模型利用了肿瘤成像技术的最新进展，这些技术提供了前所未有的细节，但人类评估人员仍然无法辨别。基于这些细节，该模型成功地确定了肿瘤的侵略性如何以及它对特定治疗的反应可能性如何的指标。仅仅基于图像，该模型还指出了与特定基因突变的存在或不存在有关的特征--这通常需要对肿瘤进行基因组测序。测序可能既费时又费钱，特别是对那些没有常规服务的医院来说。研究人员说，正是在这种情况下，该模型可以在资源有限的环境中或在没有肿瘤组织可用于基因测序的情况下为治疗选择提供及时的决策支持。在将该模型部署到诊所和医院使用之前，应该在一项前瞻性的随机试验中对其进行测试，评估该工具在最初诊断后一段时间内对实际患者的表现。这样的研究将为该模型的能力提供黄金标准的证明，通过直接比较该工具在现实生活中仅使用图像的表现与人类临床医生的表现，后者使用的知识和测试结果是该模型无法获得的。该模型的另一个优势是其透明的推理。如果使用该模型的临床医生询问它为什么做出某个预测，该工具将能够解释它的推理和它使用的变量。这一特点对于提高临床医生对他们使用的人工智能模型的信心非常重要。衡量疾病的发展和最佳治疗该模型准确地指出了与生存差异有关的图像特征。例如，它确定了三种预示着更坏结果的图像特征：肿瘤内的细胞密度更大。肿瘤细胞周围存在结缔支持性组织，称为基质。肿瘤细胞与平滑肌细胞的相互作用。该模型还确定了肿瘤基质内的模式，表明哪些病人更有可能活得更久而不复发。该工具还准确地预测了哪些患者会从一类被称为免疫检查点抑制剂的癌症治疗中受益。虽然这些疗法对许多结肠癌患者有效，但有些患者没有可衡量的好处，而且有严重的副作用。该模型因此可以帮助临床医生定制治疗方案，并使那些不会受益的患者免于受益。该模型还成功检测了与结肠癌相关的表观遗传变化。这些变化--当被称为甲基的分子附着在DNA上并改变该DNA的行为方式时就会发生--已知会使抑制肿瘤的基因沉默，导致癌症迅速生长。该模型识别这些变化的能力标志着它能够为治疗选择和预后提供信息的另一种方式。...PC版：https://www.cnbeta.com.tw/articles/soft/1357487.htm手机版：https://m.cnbeta.com.tw/view/1357487.htm

人工智能模型改善了乳腺手术中癌症肿瘤的切除效果

人工智能模型改善了乳腺手术中癌症肿瘤的切除效果早期乳腺癌的首选治疗方法是保乳手术，即乳房部分切除术，并结合放疗。手术中必须切除所有癌变乳腺组织，以防止癌症复发。检查的方法是检查切除组织的外缘，确保不含癌细胞，即"阴性边缘"。对组织进行乳房X射线照相术（标本乳房X射线照相术）是确保阴性边缘的广泛手段，因为它可以在手术室内进行，并能提供即时反馈。然而，乳腺标本造影可能并不准确，如果后来发现癌细胞，就需要进一步手术切除更多组织。北卡罗来纳大学（UNC）医学院的研究人员开发了一种人工智能模型，可以实时预测乳腺癌手术中癌变组织是否已被完全切除。该研究的通讯作者之一克里斯塔琳-加拉格尔（KristalynGallagher）说："有些癌症你能感觉到，也能看到，但我们看不到可能存在于切除组织边缘的微小癌细胞。其他癌症则完全是微观的。这种人工智能工具可以让我们更准确地实时分析手术切除的肿瘤，并增加手术中切除所有癌细胞的机会。这将避免患者再次接受第二次或第三次手术。"为了向人工智能模型"传授"阴性和阳性边缘是什么样的，研究人员使用了切除术后立即拍摄的821张标本乳腺X光图像，并与病理学家的最终标本报告相匹配。超过一半（53%）的图像边缘呈阳性。他们还向模型提供了患者的人口统计学数据，如年龄、种族、肿瘤类型和肿瘤大小。用于教授人工智能模型的阴性和阳性标本乳腺X射线照相图像示例Chen等人/UNCHealth他们发现，人工智能模型的灵敏度为85%，特异度为45%，接收者工作特征曲线下面积(AUROC)为0.71。灵敏度衡量的是模型检测阳性实例的能力，而特异性衡量的是模型正确识别的真正阴性实例的比例。AUROC衡量模型的整体性能，提供一个介于0和1之间的值，其中0.5表示随机猜测，1表示完美性能。研究人员表示，与人类解读的准确性相比，人工智能模型的表现与人类不相上下，甚至更好。从这个角度来看，以前的研究发现，乳腺标本成像的灵敏度在20%到58%之间，AUROC在0.60到0.73之间。该研究的第一作者凯文-陈（KevinChen）说："思考人工智能模型如何利用计算机视觉支持医生和外科医生在手术室中的决策是一件有趣的事情。我们发现，人工智能模型在识别阳性边缘方面与人类不相上下，甚至略胜一筹"。该模型有助于识别乳腺密度较高患者的边缘。在乳房X光照片上，密度较高的乳腺组织和肿瘤都呈现为亮白色，因此很难区分健康组织和癌变组织。研究人员说，他们的人工智能模型可用于资源较少的医院，如专科外科医生、放射科医生或病理学家，以便在手术室做出快速、明智的决定。共同通讯作者肖恩-戈麦斯（ShawnGomez）说："这就像是为那些可能没有现成专业知识的医院提供了一层额外的支持。外科医生可以得到在成百上千张图像上训练出来的模型的支持，而不是做出最佳猜测，并能立即得到手术反馈，从而做出更明智的决定。"该人工智能模型还处于早期阶段，研究人员将继续用更多的乳腺X射线图像对其进行训练，以提高其辨别边缘的准确性。在应用于临床之前，该模型还需要进一步的研究验证。这项研究发表在《肿瘤外科年鉴》（AnnalsofSurgicalOncology）杂志上。...PC版：https://www.cnbeta.com.tw/articles/soft/1386661.htm手机版：https://m.cnbeta.com.tw/view/1386661.htm

新型人工智能工具改变了乳腺癌的治疗方法和预后

新型人工智能工具改变了乳腺癌的治疗方法和预后人工智能工具能够识别出目前被归类为高风险或中度风险但成为长期幸存者的乳腺癌患者。这意味着他们的化疗时间或强度可以缩短。这一点非常重要，因为化疗会带来令人不快的有害副作用，如恶心，或更罕见的对心脏的损害。目前，病理学家通过评估患者组织中的癌细胞来确定治疗方法。但研究显示，非癌细胞的模式对预测结果非常重要。这是第一项使用人工智能对浸润性乳腺癌的癌细胞和非癌细胞进行全面评估的研究。"我们的研究证明了非癌成分在决定患者预后方面的重要性，"该研究的通讯作者、西北大学范伯格医学院病理学副教授李-库珀（LeeCooper）说。"生物学研究已经知道了这些元素的重要性，但这些知识还没有有效地转化到临床应用中"。这项研究将于今天（11月27日）发表在《自然医学》杂志上。2023年，约有30万美国妇女将被诊断为浸润性乳腺癌。大约每八名美国妇女中就有一人在一生中会被诊断出患有乳腺癌。在诊断过程中，病理学家会对癌变组织进行复查，以确定组织的异常程度。这一过程被称为分级，主要针对癌细胞的外观，几十年来基本保持不变。病理学家确定的分级有助于决定患者将接受何种治疗。许多乳腺癌生物学研究表明，非癌细胞，包括免疫系统细胞和为组织提供形态和结构的细胞，在维持或抑制癌症生长方面发挥着重要作用。库珀及其同事建立了一个人工智能模型，从数字图像中评估乳腺癌组织，测量癌细胞和非癌细胞的外观以及它们之间的相互作用。西北大学罗伯特-H-卢里综合癌症中心成员库珀说："病理学家评估这些模式具有挑战性，因为人眼很难对它们进行可靠的分类。人工智能模型测量这些模式，并以一种让病理学家清楚人工智能决策过程的方式向病理学家展示信息"。"人工智能系统分析患者乳腺组织的26种不同属性，生成总体预后评分。该系统还能生成癌细胞、免疫细胞和基质细胞的单项评分，以便向病理学家解释总体评分。例如，对某些患者来说，良好的预后评分可能是由于其免疫细胞的特性，而对另一些患者来说，良好的预后评分可能是由于其癌细胞的特性。病人的护理团队可以利用这些信息制定个性化的治疗方案。采用这种新模型可以为被诊断为乳腺癌的患者提供与其疾病相关的更准确的风险估计，使他们有能力对自己的临床治疗做出明智的决定。此外，该模型还有助于评估治疗反应，根据组织的显微外观随时间的变化情况来升级或降级治疗。例如，该工具也许能识别病人的免疫系统在化疗过程中针对癌症的有效性，从而缩短化疗时间或降低化疗强度。库珀说："我们还希望这种模式能够减少在社区环境中确诊的患者的不平等。这些患者可能无法接触到乳腺癌专科病理学家，而我们的人工智能模型可以帮助全科病理学家评估乳腺癌"。这项研究是与美国癌症协会（ACS）合作进行的，该协会通过癌症预防研究建立了一个独特的乳腺癌患者数据集。该数据集代表了来自美国超过423个县的患者，其中许多人是在社区医疗中心接受诊断或治疗的。这一点非常重要，因为大多数研究通常使用大型学术医疗中心的数据，而这些数据只代表了美国人口的一部分。在这次合作中，西北大学开发了人工智能软件，而美国癌症协会和国家癌症研究所的科学家则提供了乳腺癌流行病学和临床结果方面的专业知识。为了训练人工智能模型，科学家们需要在患者组织的数字图像中生成数十万个由人类生成的细胞和组织结构注释。为此，他们创建了一个由几大洲的医学生和病理学家组成的国际网络。这些志愿者在数年时间里通过网站提供这些数据，使人工智能模型能够可靠地解读乳腺癌组织图像。接下来，科学家们将对这一模型进行前瞻性评估，以验证其临床用途。这与西北医学中心将在未来三年内过渡到使用数字图像进行诊断的时间相吻合。科学家们还在努力开发适用于更多特定类型乳腺癌（如三阴性或HER2阳性）的模型。浸润性乳腺癌包括几种不同的类型，不同类型乳腺癌的重要组织模式可能会有所不同。库珀说："这将提高我们预测结果的能力，并将为乳腺癌的生物学研究提供进一步的见解。"...PC版：https://www.cnbeta.com.tw/articles/soft/1400159.htm手机版：https://m.cnbeta.com.tw/view/1400159.htm

国产眼科人工智能大模型在广州发布

国产眼科人工智能大模型在广州发布国产眼科人工智能大模型“ChatZOC”日前在广州发布，该大模型由中山大学中山眼科中心和华为技术有限公司共同研发，可实现综合处理复杂临床信息、模拟医患问答、辅助科研等功能，助力提升患者服务效率。据研发团队介绍，该大模型可以综合处理复杂临床信息，助力医患病情沟通，辅助医生诊疗；同时，可为患者提供全天候眼健康咨询服务，经研究团队测试，在相同人力时，ChatZOC辅助模式下的患者服务效率可提升75%。此外，该大模型还可应用于医学教学和科研。（新华财经）

【OpenAI将用新方法来训练模型，以对抗人工智能“幻觉】

【OpenAI将用新方法来训练模型，以对抗人工智能“幻觉】6月1日消息，OpenAI发布的最新研究论文显示，该公司正在用一种新的方法来训练人工智能(AI)模型，以对抗人工智能“幻觉”。人工智能幻觉指的是人工智能模型生成内容的能力，这些内容不是基于任何现实世界的数据，而是模型自己想象的产物。人们担心这种幻觉可能带来的潜在问题，包括道德、社会和实际问题。OpenAI的研究人员在报告中表示，即使是最先进的人工智能模型也很容易产生谎言，它们在不确定的时刻往往表现出捏造事实的倾向。而这些幻觉在需要多步骤推理的领域尤其严重，因为一个逻辑错误就足以破坏一个更大的解决方案。该公司提出的新策略是：训练人工智能模型时，奖励每个正确的推理步骤，而不仅仅是简单地奖励正确的最终结论。根据研究人员的说法，这种方法被称为“过程监督”，而不是结果监督，它可能会提高人工智能的性能与准确性，因为这种策略鼓励模型更多地遵循类似人类的“思维链”。

CODE-AE人工智能模型可以准确预测人类对新药物化合物的反应

CODE-AE人工智能模型可以准确预测人类对新药物化合物的反应从确定一种潜在的治疗化合物到美国食品和药物管理局(FDA)批准一种新药是一个艰巨的旅程，它可能需要十多年的时间，耗资超10亿美元。纽约市立大学研究生中心的一个研究小组已经开发出一种新型的人工智能模型，它可以显著提高药物开发过程的准确性并减少时间和成本。PC版：https://www.cnbeta.com/articles/soft/1328181.htm手机版：https://m.cnbeta.com/view/1328181.htm