人工智能 (AI) 是全球范圍內日益增長的趨勢。許多高科技行業正在采用人工智能，目的是讓行業受益，無論是時間、金錢還是準確性方面的利益。人工智能正在成為化學和制藥科學不可或缺的一部分。一方面，你有人工神經網絡為公司提供設計和合成新藥的方法。另一方面，機器學習算法提供了一種以更高的準確度檢測患者體內癌細胞的方法。我們在這里談論后者。

現代癌癥檢測方法

多年來，科學家們使用了許多方法來測試和觀察癌癥，但顯微鏡和其他成像技術一直是一些關鍵方法。科學家在沒有任何計算機幫助的情況下在顯微鏡下觀察并得出結論的日子已經一去不復返了。近年來，許多計算機軟件程序使科學家能夠觀察成像樣本（包括細胞）的形狀、大小和形態。然而，許多這些程序仍然需要人工輸入來表征興趣點（在本例中為癌細胞）的起始位置和停止位置。這些成像方法專為一系列分析設備而設計，從簡單的實驗室臺式顯微鏡到 MRI 掃描儀。

因此，雖然有有效的癌癥診斷方法——這就是為什么人類作為一個整體在識別和理解這種疾病方面變得更好——但這些方法中的大多數仍然容易出現人為錯誤。即使是一個小錯誤也可能導致誤診。機器學習是最近幾年出現的一種潛在解決方案。迄今為止，結果表明能夠分析成像樣本并高度準確地查明癌細胞的存在。

幾種化學傳感器可以檢測患者是否患有癌癥。雖然臨床醫生可以檢查患者血液中的特定生物標志物，但生物樣本本身就很復雜。雖然測試可以檢測特定的生物標志物，但生物樣本本身就很復雜，對人體生物體液的分析有時會產生容易出錯的結果。因此，臨床醫生可以將機器學習算法與早期預警化學測試結合使用，以消除測試的“噪音”并分析感興趣的數據點，以確定患者是否患有癌癥。

癌細胞特征

癌細胞表現出某些區別于健康細胞的特征。這些特征通常是確定患者是否患有癌癥的一種方式，以及患者患有疾病時血液中存在的特定生物標志物。特別是從成像的角度來看，健康細胞和癌細胞的物理特征是從物理上判斷患者是否患有癌癥的一種更簡單的方法。

例如，相同類型的正常健康細胞往往具有相同的形狀和大小——通常本質上是球形/橢圓形，除非它們是特化細胞——癌細胞往往具有截然不同（即更隨機）的形狀和大小，它可以突出更健康的細胞。此外，在健康的細胞系統中，細胞的分裂往往是受控的，細胞的排列是有組織的。另一方面，癌細胞分裂的速度要快得多，而且往往非常雜亂無章。

癌細胞具有的另一個特征是它們往往具有大的、形狀可變的細胞核，而健康細胞只有一個小的、形狀規則的細胞核。此外，癌細胞內往往會丟失一些特征——這就是它們危險的原因，因為這種特征的丟失是癌細胞無法像健康細胞一樣執行特定功能的原因。只要軟件有足夠的數據，機器學習算法就可以使用、分析和比較健康細胞和癌細胞的所有這些差異和特征。

將機器學習應用于癌癥成像

機器學習算法提供了一種更好地分析癌細胞并確定患者體內是否存在癌細胞的方法。機器學習算法的工作原理是獲取歷史數據并將其與當前分析的數據相匹配。將歷史數據與新數據進行比較的能力使算法能夠檢測系統是否正常——在本例中為健康細胞——或者是否存在異常——即癌細胞。

為此，機器學習算法需要從以前的研究中獲取數據，其中包括癌細胞和健康細胞的不同大小、形狀和表面形態。通過這樣做，算法可以快速輕松地識別圖像中哪些細胞是健康的，哪些細胞可能是癌變的。通過提供分析細胞的準確和統計方法，算法在確定細胞是否確實癌變或是否需要進行進一步測試以確認一個人是否患有癌癥時減少了人為錯誤。

早期預警護理點設備

但機器學習可以幫助癌癥診斷的不僅僅是成像方法。近年來，已經創建了許多早期預警床旁設備，可以更早地檢測出患者是否患有癌癥。許多這些設備都基于微流體系統，其中內部涂有特定的表面受體/功能化，這些受體會附著在任何癌細胞上。因此，受體確實需要針對所針對的癌癥，但這些系統本質上充當一系列護理點納米傳感器，可以提供早期預警信號，使臨床醫生能夠更早地治療疾病，并在轉，增加生存的機會。

那么，機器學習從何而來？可以從這些平臺（以及一般的化學測試）收集相當多的數據。試圖找出不同數據集之間的趨勢以提供準確的診斷并不是最簡單的任務——因為這些趨勢的范圍從細胞的大小和形態到基因表達以及細胞群內的生長/分裂程度。

床旁設備可以與成像方法相結合，從化學角度分析數據，并在分析樣本的同時對樣本進行成像。因此，通過將圖像分割成切片，并使用機器學習算法，上述原理得以實現關于破譯健康細胞和癌細胞之間差異的方法也可以應用于某些即時醫療設備。因此，未來有可能結合化學和影像診斷方法來創建能夠提供定量和定性分析的平臺。

機器學習是癌癥診斷的未來嗎？

機器學習是癌癥診斷的未來嗎？這是一個開放式問題，在這個階段有一個開放式答案。機器學習和其他 AI 算法引起了極大的興趣和工作，整個醫療和制藥行業都對此感興趣。機器學習在未來的癌癥診斷中具有廣闊的前景，因為它對化學測試和成像方面都有好處。范圍很廣，機器學習在臨床層面上可能在一個領域比另一個領域更有用。

機器學習和人工智能算法的使用雖然在不斷增長，但仍處于起步階段。盡管許多部門開始更多地采用它，但由于圍繞誤診和患者福利的潛在問題，醫學界必須更多地審查技術。然而，有一種對癌癥和其他疾病進行更準確分析的動力。機器學習提供了這方面的潛力和消除人類偏見的好處。

顯然，醫學診斷還需要考慮倫理方面的問題，人工智能方法可能仍需要訓練有素的臨床醫生的人工輸入來確認結果。否則，如果出現誤診或軟件問題，任何類型的技術都可能發生這種情況。雖然醫療技術可能會失敗，但在大多數臨床環境中通常會有人工支持來糾正錯誤。因此，盡管機器學習可以提供所有分析，但從倫理的角度來看，可能仍然需要人工輸入。

如果我們能夠處理倫理方面的考慮，并且使算法準確可靠，那么我們就沒有理由看不到機器學習在未來以某種形式被用于癌癥診斷。但是，只有時間才能證明醫療專業人員在腫瘤學和更廣泛的臨床環境中采用 AI 的程度。

利亞姆·克里奇利 ( Liam Critchley ) 是一名作家、記者和傳播者，專門研究化學和納米技術以及分子水平的基本原理如何應用于許多不同的應用領域。利亞姆最出名的可能是他的信息豐富的方法以及向科學家和非科學家解釋復雜的科學主題。Liam 在與化學和納米技術交叉的各個科學領域和行業發表了 350 多篇文章。

Liam 是歐洲納米技術工業協會 (NIA) 的高級科學傳播官，過去幾年一直在為全球的公司、協會和媒體網站撰稿。在成為一名作家之前，利亞姆完成了化學與納米技術和化學工程的碩士學位。

除了寫作之外，利亞姆還是美國國家石墨烯協會 (NGA)、全球組織納米技術世界網絡 (NWN) 的顧問委員會成員，以及英國科學慈善機構 GlamSci 的董事會成員。Liam 還是英國納米醫學學會 (BSNM) 和國際先進材料協會 (IAAM) 的成員，以及多個學術期刊的同行評審員。

審核編輯黃宇