人工智能將如何改變現(xiàn)有腫瘤學(xué)研究

2025-01-08 12:01

人工智能（AI）正迅速成為推動(dòng)腫瘤學(xué)研究的關(guān)鍵力量，深度學(xué)習(xí)（DL）是一種人工智能范式，對(duì)癌癥腫瘤學(xué)的研究和臨床實(shí)踐產(chǎn)生了重大影響。DL模型已被訓(xùn)練來(lái)分析不同類(lèi)型的數(shù)據(jù)，包括顯微鏡圖像和放射學(xué)圖像、基因組數(shù)據(jù)、蛋白質(zhì)結(jié)構(gòu)和電子健康記錄，這些都是癌癥研究和腫瘤學(xué)實(shí)踐中常見(jiàn)的大規(guī)模數(shù)據(jù)。DL方法已被證明在解決特定的預(yù)定義問(wèn)題方面非常有效，并顯示出超越人類(lèi)圖像識(shí)別能力的卓越性能。目前，已有數(shù)百種經(jīng)監(jiān)管機(jī)構(gòu)批準(zhǔn)的基于DL的醫(yī)療器械可以在美國(guó)和歐盟應(yīng)用于臨床。

深度學(xué)習(xí)模型正在推進(jìn)腫瘤學(xué)研究，但還需要人類(lèi)參與來(lái)執(zhí)行復(fù)雜的多步驟工作流程。未來(lái)由大型語(yǔ)言模型授權(quán)的自主人工智能代理通過(guò)在生物醫(yī)學(xué)研究中實(shí)現(xiàn)多步推理的規(guī)劃、執(zhí)行和優(yōu)化，將進(jìn)一步推動(dòng)和改變?nèi)祟?lèi)腫瘤學(xué)的研究進(jìn)程。

DL模型向多模態(tài)模型的轉(zhuǎn)變

目前的DL模型已經(jīng)可以同時(shí)合并多種數(shù)據(jù)類(lèi)型，例如，一個(gè)整合病理圖像和遺傳數(shù)據(jù)的模型來(lái)預(yù)測(cè)個(gè)人患癌的風(fēng)險(xiǎn)。這種模型可以通過(guò)利用跨數(shù)據(jù)模態(tài)的互補(bǔ)或協(xié)同信息來(lái)提高預(yù)測(cè)性能。然而，即使是這樣的DL模型，本質(zhì)上仍然是單一目的的。這意味著它們被設(shè)計(jì)來(lái)解決一個(gè)特定的任務(wù)，例如預(yù)測(cè)癌癥患者的生存時(shí)間。在復(fù)雜的腫瘤學(xué)領(lǐng)域，這是一個(gè)關(guān)鍵的局限。

研究和臨床護(hù)理中的工作流程通常包含數(shù)千項(xiàng)任務(wù)——有些常見(jiàn)，有些罕見(jiàn)，但同樣重要。研究人員經(jīng)常需要分析不同的數(shù)據(jù)類(lèi)型，包括各種顯微圖像、基因組數(shù)據(jù)集和文本信息。同樣，臨床醫(yī)生和腫瘤學(xué)家必須解釋一系列疾病的許多數(shù)據(jù)模式，如健康記錄、組織病理學(xué)圖像、基因組測(cè)序和臨床圖像。為了利用人工智能模型來(lái)解決涉及多個(gè)任務(wù)的問(wèn)題，研究人員必須建立適當(dāng)?shù)牧鞒蹋瑢⒍鄠€(gè)步驟連接在一起，以預(yù)先指定和預(yù)先編程的方式解決不同的任務(wù)。而為每項(xiàng)任務(wù)探索、選擇和優(yōu)化單個(gè)軟件工具既費(fèi)時(shí)又低效。因此，腫瘤學(xué)研究中的單任務(wù)DL具有內(nèi)在的局限性。

目前，隨著多模態(tài)基礎(chǔ)模型的出現(xiàn)，DL領(lǐng)域正在發(fā)生范式轉(zhuǎn)變。這些基礎(chǔ)模型是使用自監(jiān)督學(xué)習(xí)技術(shù)在異構(gòu)數(shù)據(jù)類(lèi)型上訓(xùn)練的，這與特定任務(wù)的訓(xùn)練模型不同。在這種方法中，模型可以暴露于各種數(shù)據(jù)形態(tài)，如圖像和文本，而不受預(yù)定義任務(wù)的約束。這意味著我們不需要特定任務(wù)的人類(lèi)數(shù)據(jù)注釋?zhuān)梢岳么罅吭谘芯亢团R床實(shí)踐中無(wú)處不在的未標(biāo)記知識(shí)。這使得該模型能夠?qū)W習(xí)不同類(lèi)型信息的通用表示和模式，并通過(guò)適用于大量現(xiàn)成的任務(wù)而變得具有多用途屬性。

然而，腫瘤學(xué)研究中現(xiàn)有的多用途模型仍然受到迭代人類(lèi)互動(dòng)需求的限制——人類(lèi)仍然需要探索、選擇并參與幾個(gè)模型，將它們組合到復(fù)雜的工作流程中。例如，為了找到潛在的腫瘤藥物靶點(diǎn)，研究人員可以使用AlphaFold4等程序分析基因組突變對(duì)蛋白質(zhì)結(jié)構(gòu)的影響；借助“檢索增強(qiáng)生成”在PubMed等出版物數(shù)據(jù)庫(kù)中搜索現(xiàn)有文獻(xiàn)；以及與癌癥基因組圖譜、人類(lèi)細(xì)胞圖譜或SwissProt等綜合數(shù)據(jù)庫(kù)的交叉參考結(jié)果。通過(guò)使用AutoDock等開(kāi)源工具，研究人員可以進(jìn)行分子對(duì)接研究，以設(shè)計(jì)潛在的候選藥物。然而，對(duì)于開(kāi)放式生物醫(yī)學(xué)問(wèn)題，沒(méi)有標(biāo)準(zhǔn)的或預(yù)先指定的過(guò)程，每個(gè)問(wèn)題都可能有不同的數(shù)據(jù)模式和不同的多步迭代分析路徑。為了解決給定的任務(wù)，人類(lèi)科學(xué)家必須嘗試不同的工具和序列組合。因此，發(fā)現(xiàn)和推理的過(guò)程通常很難系統(tǒng)化和自動(dòng)化。研究人員經(jīng)常需要將不同的AI模型組裝到流程中，最終，我們?nèi)匀恍枰軌蚬芾韼缀趺恳徊焦ぷ髁鞒痰娜耍Q定哪些工具適合給定的輸入數(shù)據(jù)，以及何時(shí)部署它們以實(shí)現(xiàn)最終目標(biāo)。

多模態(tài)模型向AI自主代理模型的轉(zhuǎn)變

上述挑戰(zhàn)可以形式化為一個(gè)問(wèn)題，由一個(gè)稱(chēng)為自主代理的人工智能模型來(lái)解決和優(yōu)化。代理了解其任務(wù)的總體目標(biāo)，識(shí)別所提供工具的特征和功能，如生物信息學(xué)工具、數(shù)據(jù)庫(kù)搜索或其他人工智能模型，并能夠選擇應(yīng)該使用哪些工具、在什么時(shí)間使用哪些數(shù)據(jù)。因此，它能夠規(guī)劃一個(gè)工作流程，通過(guò)該流程執(zhí)行總體計(jì)劃。人工智能代理可以經(jīng)歷“試錯(cuò)”，記住它，從而在一個(gè)稱(chēng)為自我反思的過(guò)程中接受訓(xùn)練，迭代優(yōu)化計(jì)劃：當(dāng)代理一步一步地執(zhí)行每項(xiàng)任務(wù)時(shí)，它通過(guò)工具獲得新知識(shí)，并可以改進(jìn)其行為。初步證據(jù)表明，人工智能代理可以解決腫瘤學(xué)中的一些科學(xué)問(wèn)題或醫(yī)學(xué)問(wèn)題。

在十年前，人們不可能訓(xùn)練出有用的多用途人工智能代理，但大型語(yǔ)言模型（LLM）出現(xiàn)正在改變這一領(lǐng)域。LLM通過(guò)利用大量文本進(jìn)行操作，使其能夠?qū)ξ谋咎崾旧蛇m當(dāng)?shù)捻憫?yīng)。更改提示會(huì)更改LLM響應(yīng)，并允許使用單個(gè)預(yù)訓(xùn)練模型執(zhí)行多個(gè)任務(wù)。LLM可以擴(kuò)展到多模態(tài)，并對(duì)其他模態(tài)進(jìn)行文本描述。例如，將病理圖像數(shù)據(jù)與病理報(bào)告相結(jié)合會(huì)產(chǎn)生一個(gè)視覺(jué)語(yǔ)言模型，該模型既可以口頭描述也可以定量分析病理圖像。LLM通過(guò)允許人工智能代理將高級(jí)任務(wù)分解為幾個(gè)子目標(biāo)，以類(lèi)似于人類(lèi)可能認(rèn)為的思維鏈的方式逐步推理，這些功能提高了這種可能性，即配備LLM的自主代理，在人類(lèi)研究人員的不同程度的監(jiān)督和迭代下，有朝一日可以參與整個(gè)藥物發(fā)現(xiàn)和開(kāi)發(fā)過(guò)程。

多個(gè)AI代理也可以協(xié)同工作。這種多智能體系統(tǒng)為計(jì)算機(jī)協(xié)同解決問(wèn)題提供了可能性。不同的代理，每個(gè)代理都有自己的特定重點(diǎn)或?qū)I(yè)領(lǐng)域，可以參與計(jì)算對(duì)話(huà)，類(lèi)似于人類(lèi)研究團(tuán)隊(duì)中的不同觀點(diǎn)。例如，一個(gè)代理可能被設(shè)計(jì)為批判性地評(píng)估提出的假設(shè)，而另一個(gè)代理則可能被訓(xùn)練來(lái)探索不同數(shù)據(jù)點(diǎn)之間的潛在聯(lián)系。為了實(shí)現(xiàn)這些可能性，我們需要開(kāi)發(fā)算法來(lái)有效地訓(xùn)練代理。此外，我們需要精心策劃的基準(zhǔn)數(shù)據(jù)集來(lái)評(píng)估代理在解決復(fù)雜問(wèn)題時(shí)的性能。

AI在腫瘤學(xué)和臨床研究中的應(yīng)用前景

總體而言，人工智能可能有助于腫瘤學(xué)研究和臨床實(shí)踐的各個(gè)領(lǐng)域。他們可能有助于解釋復(fù)雜的多模式患者數(shù)據(jù)，為治療計(jì)劃的討論提供信息，幫助綜合最近的研究結(jié)果以支持臨床決策，并通過(guò)分析潛在結(jié)果和患者隊(duì)列特征，為臨床試驗(yàn)的設(shè)計(jì)和改進(jìn)做出貢獻(xiàn)。隨著癌癥研究和腫瘤學(xué)中人工智能代理工作的進(jìn)展，發(fā)布適用于這些工具的指導(dǎo)和規(guī)則將非常重要。對(duì)于研究人員來(lái)說(shuō)，仔細(xì)嚴(yán)格地評(píng)估人工智能代理的實(shí)際性能和局限性至關(guān)重要。從技術(shù)角度來(lái)看，人工智能系統(tǒng)中更強(qiáng)的多模式基礎(chǔ)模型和代理能力可以協(xié)同幫助解決癌癥研究和腫瘤學(xué)中的真實(shí)應(yīng)用案例。未來(lái)，可以期待人工智能將深度參與腫瘤學(xué)研究，加速新藥的研發(fā)，促進(jìn)個(gè)性化醫(yī)療的實(shí)施，不斷推動(dòng)腫瘤學(xué)研究領(lǐng)域的知識(shí)發(fā)現(xiàn)和創(chuàng)新。

參考文獻(xiàn)：

1.How AI agents will change cancerresearch and oncology. Nat Cancer.2024 Dec;5(12):1765-1767.

原文標(biāo)題 : 人工智能將如何改變現(xiàn)有腫瘤學(xué)研究