人工智能助推人類癌癥治療進程
人工智能診治癌癥的機理
利用人工智能診治疾病是人類一個雄心勃勃
的計劃，而且，這一計劃早就有一些初步結果，
例如2007年，美國國際商業機器公司（IBM）就
推出了人工智能軟件——沃森醫生 （Watson）。
現在，人們特別希望利用人工智能去征服某些嚴
重危害人們生命和健康的疾病，如癌癥，而且也
已經進入實踐，并且有不小的收獲。
要讓人工智能診治癌癥，第一步需要人工
智能有像人一樣的感知，即知道周圍的環境，
尤其是生物體和人的機體環境，什么是正常的
機體，什么是異常的機體，甚至是癌變的機
體，尤其是只具有微小變化的機體，例如，只
有幾個發生癌變細胞的乳腺或肺。
第二步是，人工智能不僅要感知正常和異
常機體的不同，還要理解為何有這樣的不同，
是癌變引起的不同，還是其他疾病引起的不
同。最后第三步才是判斷和決策，即得出結
論，在感知和正確理解的基礎上，向醫生提供
對某個個體檢測的結果，是患癌還是沒有患
癌，抑或是患了其他疾病。
要讓人工智能感知和理解人體環境和器
官，就要讓其學習，包括利用大數據的機器學
合的，同時也是相互滲透的。大數據學習和處
理是人工智能的強項，可以達到比人類能力強
幾百倍幾千倍的快速數據運算、分析和理解。
而在癌癥診治的深度學習上，更需要人工智能
像人一樣進行學習，例如對通過物理和化學方
式拍攝的人體各種部位，以及深淺度不同組織
的圖像要有正確的感知和理解，如對 X 線圖
像、磁共振成像和 CT 掃描圖像的感知、解讀，
并得出結論，即診斷。
但是，人工智能的癌癥診治深度學習并不
僅限于對癌癥和正常組織圖像的解讀，而是包
括更多的深度學習的內容，例如，對癌癥標記
物和特異分子的識別。
癌癥診治的人工智能學習內容
2016年1月，美國總統奧巴馬宣布了“癌癥
登月計劃”，由副總統拜登全面負責。“癌癥登
月計劃”的其中一個項目就是讓人工智能進行
機器學習 （算法） 和深度學習，以識別癌癥。
為此，美國能源部與美國國家衛生研究院下屬
的國家癌癥研究所合作，提出了“高級癌癥計
算解決方案的聯合設計任務”，這個項目就是致
力于解決三個基于計算機學習的人工智能抗癌
難題。
首先是從認識癌癥的分子層面學習，要讓
人工智能了解 RAS/Raf 通路的蛋白質相互作
用。RAS基因在20世紀60年代被發現是致癌基
因，存在于30%的癌癥患者中。1982年，美國科
學家溫伯格等人從膀胱癌細胞中克隆得到第一
個人類癌基因，由于它和之前發現的鼠肉瘤病
毒基因C-RAS高度同源，因此被命名為RAS基
因。RAS 基因編碼產生的蛋白定位于細胞膜內
側，為GTP/GDP結合蛋白（GDP為鳥嘌呤二核
苷酸磷酸，GTP是鳥嘌呤三核苷酸磷酸），通過
GTP 與 GDP 的相互轉化來調節信號通路的傳
遞。由于RAS蛋白的相對分子量是21千道爾頓
（kDa），故又被稱為p21蛋白。
之后，人們又發現了 RAS 蛋白的直接效應
因子 Raf-1 蛋白激酶。Raf-1 激酶對細胞增殖、
細胞分化、細胞凋亡和細胞周期停滯有重要作
用，利用這些作用可以知道癌癥的發生、發
展，以及找到治療癌癥的藥物和方法。
“癌癥登月計劃”讓人工智能進行的第二個
學習任務是，進行臨床前的藥物篩查。這是一
種研發癌癥藥物的預測模型，在臨床試驗前進
行最大化的藥物篩選，為癌癥病人提供精準醫
療方案。具體而言是對臨床前和臨床試驗時的
癌癥數據進行篩選，結合小鼠模型中的新數
據，通過反饋循環讓實驗模型指導計算模型的
設計，建立腫瘤藥物反應的預測模型。其實，
這也是基于特殊數據和大數據的學習和分析。
“癌癥登月計劃”讓人工智能進行的第三個
學習任務是，學習和建立人口模型。這就要求
人工智能根據不同人群的生活方式、生活環
境、所患癌癥的種類、不同的醫療體系等，從
數百萬癌癥病人的病歷數據中自動分析，從而
獲取最佳治療策略。當然，海量病人的數據來
自美國國家衛生研究院、美國食品和藥物管理
局、制藥公司和第三方付款機構。
可以看到，美國的“癌癥登月計劃”中的
人工智能學習并不包含腫瘤圖像的識別，所以
人工智能診治癌癥的學習在不同的國家有不同
的內容。
人工智能幫助診治癌癥
人工智能對癌癥的識別和診斷首先體現于
對癌癥數據的解讀上，其中最重要的是對癌癥
基因和基因組的識別和解讀。
機器學習 （算法） 是人工智能的一個基本
內容，其中，數據的輸入、輸出、賦值等運算
可以讓人工智能對某一問題進行計算分析，從
而得出初步結果。對癌癥的診斷和治療也可以
利用這一點。加拿大西方大學的羅根等人研發
了一套算法，通過對基因數據的分析得出最可
能的有效治療癌癥的方案，并且讓該治療方案
變得更加個性化。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%