人工智能在非小细胞肺癌患者护理中的作用

　　肺癌仍然是全球最常被诊断的癌症，也是与癌症相关的死亡率的主要原因。由于临床症状的表现较晚且筛查程序有限，因此诊断为肺癌的患者中多达57％出现转移。从组织学的角度来看，所有新发肺癌病例中约有85％被归类为非小细胞肺癌，有10％为小细胞肺癌，其余5％为其他变异。
　　 大多数非小细胞肺癌可以分为3个主要类别：鳞状细胞癌，腺癌和大细胞癌组织亚型。在为患者制定个性化治疗计划时，除了组织学，临床和人口统计学信息外，医生还必须整合基因组学，蛋白质组学，免疫组化和成像等广泛数据，这可能具有挑战性并导致不良结果。此外，有许多因素限制了及时进行这些检查的时间，包括高成本和患者护理连续性方面的延迟可用性。
　　 这引起了对开发诸如机器学习，人工智能子领域之类的计算方法的兴趣，以通过提供洞察力来改善患者治疗效果和整个患者工作流程的医疗服务来改善医疗管理。机器学习是通过机器算法对数据进行的分析和解释，该算法允许对信息进行分类，预测和分段，以提供人眼或认知无法轻易获得的见解。尽管机器学习算法是20多年前开发的，但是最近在医疗保健中应用算法的浪潮显示出将其用于推进癌症治疗的巨大潜力。
　　 鉴于人工智能在癌症护理中的使用越来越多，本文将对正在开发用于检测和治疗非小细胞肺癌的机器学习应用程序以及当前临床适应面临的挑战进行回顾。
　　 在当前的临床实践中，当患者在筛查或被认为与肺癌诊断一致的体征和症状时出现可疑病变时，才开始癌症诊断。用于评估癌症的存在和程度的成像方式包括计算机断层扫描，单光子发射计算机断层扫描，磁共振成像和脱氧葡萄糖正电子发射断层扫描计算机断层扫描。这些放射学程序本质上是部分定量的，并且在主观上与临床图像相结合。放射科医生可以轻松获得有关人眼可见病变的信息。但是，合理地质疑图像中是否存在其他信息。为了增加从医学图像中获得的信息并协助放射线医生，已经开发了计算机辅助诊断系统，该系统分为两类：计算机辅助检测系统，可帮助确定病变的位置。医学图像和计算机辅助诊断系统，用于区分良性和恶性肿瘤。
　　 计算机辅助检测系统和计算机辅助诊断系统都是突破性的和重要的研究领域，但至今都没有那么精确，因此缺乏广泛的临床采用。计算机辅助诊断系统缓慢整合到临床工作流程中可能与技术和临床需求的不匹配有关。例如，计算机辅助检测系统能够将肺壁，实质和细支气管与结节区分开，同时检测固体，非固体和空洞结节，灵敏度高达89％。因此，计算机辅助检测系统可用于检测结节，但不适用于结节表征。另一方面，计算机辅助诊断可用于表征，但不适用于肿瘤检测。例如，计算机辅助诊断系统使用根据专家的看法设计的形态特征，强度值和图像纹理，这些特征是从数学上提取的定量描述符来对恶性结节与良性结节进行分类的。可量化的视觉特征现在通常称为放射特征。计算机辅助检测系统可用于检测结核，但无法对其进行表征。尽管计算机辅助诊断系统擅长表征，但它们缺乏检测肿瘤的能力。使用机器学习方法检测和诊断肺结节的新方法能够检测和诊断小至3毫米的肿瘤。这些结果令人鼓舞，因为它们为放射科医生提供了一种检测和诊断的自动化工具。然而，图像处理技术从图像中表征结节的能力不断受到审查。机器学习算法旨在提取和解释的临床信息包括结节的钙化模式，内部结构，边缘，小叶，球形度，投机性和质地。这些信息对于患者护理至关重要，并且该领域的未来工作将需要对所提出的方法进行临床试验并验证其在现实世界中的性能。仍然需要检查用于特征提取的机器学习算法，以确定用于实现此目标的最佳值。
　　 对于中心性肺癌，支气管镜检查是诊断的重要工具。与其他成像技术相比，使用支气管镜的一个优势是可以通过活检同时获得诊断标本。对于纵隔肿瘤，可使用支气管内超声检查和经支气管针吸术进行活检。对于支气管镜检查为阴性的周围病变，可以进行经胸针穿刺。直到最近，肺癌的早期诊断还依赖于在内窥镜检查过程中检查支气管粘膜并进行活检的病理分析。但是，最近出现了诸如纤维共聚焦荧光显微镜之类的一些技术，这些技术将这一探索领域扩展到了远端肺和细胞水平。该技术使用2毫米的工作通道，并实时生成人体呼吸道的体内显微图像。通过使用机器学习方法，可以提取通过纤维共聚焦荧光显微镜获得的图像特征并将其用于区分恶性肿瘤的良性。该方法在体内的应用提供了对病变的实时分析，识别率高达90％。该技术是有前途的，目前正在研究其用于识别癌前支气管病变进展的不同等级，例如原位化生、异型增生、癌。还可以对拍摄的视频进行评分，以预测癌症和其他肺部疾病的图像特征。摆在面前的挑战是如何区分每个年级和疾病的特征。考虑到其提供的微观评估，该技术本身也存在局限性。一次评估整个肺的一个微观区域是不切实际的，数字图像分析可能是解决此问题的方法。需要进一步研究以确定该技术是否可以诊断涉及支气管粘膜的其他疾病，并建立要使用的机器学习方法的图像库。该技术很有希望，因为它可能会在将来提供肺活检的替代方法。
　　 如果要在临床环境中采用计算机辅助的检测，诊断和临床决策支持系统，这将是向前迈出的关键一步。机器学习高度依赖于用于训练算法的数据质量。数据收集过程中存在的限制是数据采样和标签不一致。理解算法将要解决的问题是至关重要的。因此，重要的是不仅要关注验证数据的数量和质量，还要考虑数据科学家需要创建可靠的，稳定的工具。
　　 在晚期非小细胞肺癌中，通常无法进行手术，化学放疗是护理的标准。放射肿瘤学是结合机器学习工具的一个吸引人的领域，这有几个原因。放射治疗系统会通过频繁的CT扫描从每位患者中产生大量精心整理的数据，数据质量异常高，并且部门经常使用数字记录和验证系统来存储有关治疗历史的所有信息。原始数据可提供有关剂量-体积直方图，治疗量，各部分之间的时间，总治疗时间，剂量率和车载系统生成的图像的详细信息。利用这些数据，可以设计机器学习系统以自动选择所有内容，从辐射束的最佳角度到剂量-体积直方图预测。数据可进一步用于追踪放射线和毒性水平，以帮助开发临床决策支持工具并防止放射线诱发的并发症，例如肺炎。总体而言，对这些数据的利用可用于创建综合预测模型，从而提供安全，高效的个性化放射治疗。
　　 越来越多地使用人工智能来更好地理解和治疗非小细胞肺癌。在临床实践中算法的实施仍然面临障碍。医疗保健中的人工智能监管标准和指南仍有待建立。美国食品和药物管理局正在积极评估算法在临床实践中的使用。
　　 机器学习对于解决大多数科学中的复杂问题已经变得无处不在。出国看病服务机构介绍了机器学习在非小细胞肺癌患者连续护理中的各种应用。医生处理大量数据，从微观细胞特征到宏观生理学和影像学研究，以及最近越来越多的“组学数据”。大量数据的分析非常复杂，并且机器学习正在发展成为一种基本工具，可以帮助医生应对这一挑战以更好地了解患者。因此，肿瘤学家，放射科医生和外科医生应继续将机器学习工具集成到非小细胞肺癌的临床护理连续体中，并成为商业和技术领域已经发生的数字革命的一部分。计算机辅助诊断将有助于识别早期疾病并改善患者预后。机器学习的最终目标是提供一致，及时和个性化的治疗策略。随着时间的推移，一旦前瞻性研究中验证了这些工具，患者和医生将受益于将机器学习方法应用于临床实践。