图片来源@视觉中国

7月15日，坐拥美国最强病理数据的初创公司Paige.ai最近发布了一个重磅消息，这家人工智能癌症检测及治疗初创公司宣布在《Nature Medicine》上发表论文，证实其AI病理系统对于前列腺癌、皮肤癌及乳腺癌的检测率已经达到了“近乎完美”的准确率，宣布这是“世界首个临床级别的病理学AI应用”。

与此同时，在刚刚过去的六月，三大医学影像及医学仪器方向会议接连举行：2019核医学大会（SNMMI 2019)、WSGR医疗仪器大会、医学影像信息学会（SIIM 2019），会上不约而同地都集中讨论了用AI对付癌症的新技术。

MedTech Innovator大会，许多癌症诊断与治疗的创业公司分享了癌症诊疗的新进展

不管是行业的新消息，还是重量级大会上的种种进展，都在展现一个重要趋势：在未来癌症诊疗中，AI会是最重要的技术手段之一。

在医学昌明的今天，癌症仍旧是不治之症，每年夺走全球超过800万人的生命。世界卫生组织去年9月发布的报告称，全球1/5的男性和1/6的女性在一生中会患上癌症，1/8的男性和1/11的女性将死于癌症。

中国作为世界上人口最多、癌症发病率较高的国家，癌症治疗仍有很长的路要走：国家癌症中心统计数据，中国癌症患者经治疗的5年存活率约为30%，仍然远远低于欧美等发达国家的70%-80%。

2018年初，著名医学杂志《柳叶刀》（Lancet）杂志发表了第三轮全球癌症生存分析（CONCORD-3），中国肺癌、肝癌、胰腺癌三大癌症的5年存活率均在20%以下，儿童脑癌，急性淋巴细胞白血病以及淋巴瘤等儿童癌症5年生存率在50%以下，而美国、加拿大、卡塔尔等国的5年生存率可以达到80%甚至90%以上。

而在这条布满荆棘的必经之路上，人工智能可以在三个方面帮助我们：预防、诊断、治疗。

AI影像协助癌症预防及早期筛查

面对癌症这个“重病之王”，迄今为止，人们对付它的最强武器还是预防及早期筛查。

这是因为提前筛查能够有效降低发病率。《华盛顿邮报》报道中写道，如今在发达国家，预防工作正在帮助降低各种癌症（包括肺癌和宫颈癌）的发病率。

而AI技术能够让早期筛查的效率和准确率提高，进一步帮助人们做好癌症预防。以大肠癌为例，肠息肉对其早期诊断至关重要，因为息肉可能恶化为癌症。2017年，达特茅斯教授Bruno Korbar实现了从肠道组织染色图鉴别可能致癌的肠道息肉的CNN（卷积神经网络），精确度达到93%。

以Paige.ai为例，他们研发的AI系统通过深度学习技术，在数年时间内，用四个国家里超过15000名癌症患者的45000张癌症病理影像进行训练，最终得到了优秀的诊断准确率。

病理切片固然是癌症诊断的金标准，但局限于其有创性，以及病理探测的局部性，在潜在疾病人群中使用病理探测的方法来实现常规定期的癌症早期筛查是不可行的。医学影像方法，包括CT、PET以及MRI，基于其全面角度探测以及无创的特点，便成为癌症早期筛查的有力工具。目前在医院影像领域，已经有不少相关的AI研究和产业转化在开展中。

2019年的Google I/O上，谷歌产品经理Lily Peng展示了谷歌在肺癌提前检测上的成果————在所有癌症中，肺癌的致死率最高，“不幸的是，80%的肺癌都难以在早期筛查出来”。

Lily Peng展示谷歌肺癌提前检测的成果

通过美国国家癌症研究所及西北大学提供的肺癌病理图像，谷歌训练了一个检测恶性肿瘤能力的神经网络，能力与训练有素的放射学医生持平甚至更高。结果显示，AI系统通过扫描患者确诊肺癌前一年的CT，就能找到癌症迹象。对于这样的患者来说，提前筛查意味着40%的生存率提升。

此前，癌症早期筛查时常引发争论：大量的早期癌症筛查也意味着更多的误诊率、浪费的医疗费用以及过度治疗。不难想象，在AI提升癌症影像质量和效率、提升早期筛查准确率后，这个问题也可能会迎刃而解。

早期筛查趋势：提升成像质量、降低有害因素

在刚刚闭幕的2019 SNMMI年会上颁发的年度图像奖中，来自德国海德堡大学医院的新型68Ga-FAPI 示踪剂PET可以提供清晰的肿瘤轮廓、高度的图像对比度。其研究表明，68Ga-FAPI  PET/CT显像在28种不同的肿瘤中具有良好的显像特性，尤其是肉瘤癌、食道癌、乳腺癌、胆管癌和肺癌。

FAPI（fibroblast activation protein inhibitor）全称为成纤维细胞激活蛋白（FAP）抑制剂，这些成纤维细胞最多能组成肿瘤组织的90%以上，而在正常细胞中无表达或过低，所以FAP能有效地用于识别肿瘤。

“68Ga-FAPI的高吸收率使其对许多癌症类型有用，特别是在传统的18F-FDG PET / CT面临局限的情况下，”德国海德堡德国癌症研究中心及海德堡大学医院核医学教授Uwe Haberkorn博士表示。 “例如，低级别肉瘤通常有较低水平的18F-FDG，导致良性和恶性病变之间的重叠。在乳腺癌中，18F-FDG PET / CT常用于复发后的图像检测，但通常不推荐用于早期癌症检测。对于食道癌，18F-FDG PET / CT对淋巴结分期的敏感性通常只有低到中等。”

提升影像质量、降低有害因素是癌症早期筛查最重要的趋势。最新的一篇发表在Cell Stem Cell上的研究文章显示，CT检查可能会增加肿瘤风险————50mGy的电离辐射（大致相当于做几CT检查的剂量）虽不会明显造成细胞基因突变，却会增加那些携带了p53突变、具有癌变潜力的细胞的竞争力。降低辐射有害因素势在必行。

今年SNMMI年会上，低辐射剂量、高成像速度的全身PET成像硬件系统也是大会的关注重点，受到全球分子影像的研究学者及临床医生的广泛关注。

比如钛媒体此前报道过的深透医疗（Subtle Medical），主攻加速医学影像成像，能够让PET（核医学影像、正电子发射计算机断层扫描）减少放射试剂剂量4倍以上，再通过深度学习技术完成影像增强，达到诊断级别。换句话说，他们能让对于诊断癌症非常重要的PET影像模态变得更有效率、放射性更小。

值得一提的是，深透医疗的产品不单可以在全身的肿瘤早期筛查中提高采集速度和降低辐射剂量，在神经退行性疾病，比如阿兹海默症上，也有相同的效用。此前，其产品已通过美国FDA审批，并获欧洲CE Mark，目前正在美国数家医院和影像中心临床商业化。

深透医疗联合创始人、斯坦福大学医学院教授Greg Zaharchuk博士在SNMMI大会上专题报告AI在核医学中的应用与价值，介绍相关实验室以及深透医疗在基于深度学习的PET图像重建/增强方面的技术进展

“目前医学影像的AI产业化应用方面，大部分公司都集中在产业链的下游，即医学影像的辅助诊断（CAD，Computer Aided Diagnosis）。深透医疗聚集了一批拥有深度数学、物理、计算机及临床医学背景的医学影像资深研究工作者，将研发重点集中在了产业链的上游，即图像的重建和优化。”深透医疗CEO Enhao Gong表示。

在前不久发布的《医学影像AI白皮书》中，产业和临床研究专家就提出，“医疗影像标准化、结构化数据严重不足。标准的影像数据……是医疗影像AI发展的基础”。而AI影像公司的加入，有助于给行业带来更加标准的影像数据，为未来图像辅助诊断、医学影像AI肿瘤早期筛查奠定基础。

如何用AI治疗癌症？

虽然大部分癌症在确诊之后都会进入困难模式，但是AI在这个阶段仍有用武之地。

面对癌症，过去人类主要有三大治疗武器：手术、化疗、放疗，目的是去除病灶。顾名思义，手术是通过物理方式来切除病灶，化疗是通过服用、注射药物等方式来控制癌症，放疗则是使用高剂量的辐射来尝试杀死癌细胞。一般来说，根据不同的病种和病程，这些治疗方式会混合使用。

不难想象，在放疗中，辐射对于病人的健康组织也会有伤害，如果剂量更加“个性化”，就能减少对病人的负面影响。

前段时间Cleveland Clinic在知名医学刊物《柳叶刀》发布论文，介绍了他们搭建一个AI框架，来指导944名肺癌患者治疗过程的经验。结合病人的CT（Computerized tomography，X射线计算机断层成像）和EHR（Electronic health record，电子病历），他们利用机器学习技术训练的AI系统能够告诉他们建议的放疗剂量，让放疗真正做到个性化，最终可以把副作用降到最低，让治疗的失败率降低到5%以下。

与此同时，靶向疗法、免疫疗法等精准治疗方式近年逐渐兴起，前者通过干扰癌变所需特定分子来进行治疗，后者通过激活患者自身的免疫系统来治疗癌症。

在传统疗法中，MRI能帮助放疗技术更加精准地攻击病灶。这件事情传统医疗公司已经在做——美国医疗器械公司View Ray，通过提供特殊的MRI设备，能够做到在放疗过程中用MRI追踪病灶，让放疗更加精准。而AI技术可能能够再推进一步。

比如中国的柏视医疗，其鼻咽癌放疗临床靶区自动勾画系统可同时自动勾画GTV（肿瘤区）和CTV（临床靶区），将单个鼻咽癌患者的靶区勾画时间从2-4小时缩短到10分钟内，勾画效果接近于鼻咽癌放疗专家的水平。

“人工智能将大大提高靶区勾画精准度，减少医生勾画时间，实现医疗局部痛点的一个突破性进步，并进一步满足医生临床需求，为患者提供最优化的治疗方案。”柏视CEO沈烁对钛媒体表示。

癌症之所以致死率极高，就在于它在疯狂生长下不断往其他身体器官转移的可能性。而AI还能用于更好地识别癌症转移，提高手术治疗的成功率。病理学家Andrew H. Beck创办了PathAI，开发的其中一种软件就能帮助识别淋巴结中的转移迹象以及是否存在癌细胞等简单测定。

AI同样能对最新的免疫疗法提供帮助。

“我们的工具将真正改善诊断的准确性与治疗效果，病理学将成为人工智能真正彻底改变的第一个医学领域。”在IEEE的一次采访中，Beck这样谈到PathAI正在做的事情。除了识别转移细胞以外，PathAI的软件绘制的现有组织类型图中，展现了癌症发展的上皮细胞；他们制作的免疫细胞图，则可以展示新的免疫治疗药物对肿瘤的治疗效果。

不难想象，更好的病理影响分析有助于判断每位癌症患者肿瘤性质，并为治疗方案提供指导意见。

不过，AI行业与医疗行业的特性，也意味着未来仍有多层级的困难需要克服：

首先，大部分深度学习技术都对数据的质量有较高要求，对于没有这类数据基础的初创公司来说，数据很可能是一个很大的门槛。Paige.ai能够做到如此大量的癌症数据训练，得益于斯隆-凯特琳癌症中心（MSKCC）独家授权的400多万个包含病理学信息和电子病理的档案；深透医疗创始人则来自斯坦福相关实验室，拿到了斯坦福及斯坦福医院的专利及数据授权。

其次，医疗机构往往相对保守，在现有的治疗流程上引进新技术的应用，可能需要较长时间的测试与磨合。

过去的数个世纪里，人类对癌症束手无策：物理切除，大换血甚至用山羊粪、青蛙来“以毒攻毒”；现代医学技术和AI技术的进步让我们得以在这个最可怕的死神面前有了真正的武器，或许有一天，宝贵的生命流逝地能慢一点、再慢一点，癌症也最终成为一种可控制、甚至可治愈的疾病。（本文发自硅谷，首发钛媒体，作者/丁诗贝）