作者：斯坦福大学医学院 2025 年 1 月 13 日
斯坦福研究人员将该模型命名为 MUSK，代表具有统一掩模建模的多模态变压器。 MUSK 与目前人工智能在临床护理环境中的使用方式存在明显偏差，研究人员相信它将改变人工智能指导患者护理的方式。 “MUSK 可以准确预测患有多种不同类型和阶段的癌症的患者的预后，”放射肿瘤学副教授李瑞江医学博士说。 “我们设计 MUSK 的原因是，在临床实践中，医生从不只依赖一种类型的数据来做出临床决策。我们希望利用多种类型的数据来获得更多洞察并更准确地预测患者的治疗结果。” 李是斯坦福癌症研究所的成员，也是该研究的资深作者，该研究于 1 月 8 日发表在《自然》杂志上。博士后学者向金喜博士和王喜跃博士是该研究的主要作者。
尽管人工智能工具在临床中的使用越来越多，但它们主要用于诊断（该显微镜图像或扫描是否显示癌症迹象？）而不是用于预后（此人可能的临床结果是什么，哪种疗法对于个人最有效）。
部分挑战是需要根据大量标记数据（例如，带有癌性肿瘤的肺组织切片的显微镜载玻片）和配对数据（以下是来自患者的临床记录）来训练模型肿瘤是由谁获得的）。但精心策划和注释的数据集很难获得。
现成的工具 用人工智能术语来说，MUSK 就是所谓的基础模型。在大量数据上预先训练的基础模型可以通过额外的训练来定制，以执行特定的任务。由于研究人员将 MUSK 设计为使用不符合训练人工智能的传统要求的不成对的多模态数据，因此计算机在初始训练期间可用于“学习”的数据池扩大了几个数量级。有了这个先机，任何后续训练都可以使用更小、更专业的数据集来完成。实际上，MUSK 是一种现成的工具，医生可以对其进行微调以帮助回答特定的临床问题。 “最大的未满足的临床需求是医生可以用来指导患者治疗的模型，”李说。 “这个病人需要这个药吗？或者我们应该专注于另一种治疗方法？目前，医生使用疾病分期和特定基因或蛋白质等信息来做出这些决定，但这并不总是准确的。”
研究人员从国家数据库癌症基因组图谱中收集了组织切片的显微切片、相关的病理学报告和后续数据（包括患者的情况），其中涉及 16 种主要癌症类型，包括乳腺癌、肺癌、结直肠癌、胰腺、肾脏、膀胱、头部和颈部。他们利用这些信息来训练 MUSK 来预测特定疾病的生存率，或者在规定的时间段内未死于特定疾病的人的百分比。 对于所有癌症类型，MUSK 在 75% 的时间内准确预测了患者的疾病特异性生存率。相比之下，基于一个人的癌症分期和其他临床风险因素的标准预测在 64% 的情况下是正确的。 在另一个例子中，研究人员训练 MUSK 使用数千位信息来预测哪些肺癌或胃癌和食道癌患者最有可能从免疫治疗中受益。
“目前，是否给予患者某种特定类型的免疫疗法的主要决定取决于该患者的肿瘤是否表达一种名为 PD-L1 的蛋白质，”Li 说。 “这是一种仅由一种蛋白质组成的生物标志物。相比之下，如果我们可以使用人工智能来评估数百或数千位多种类型的数据，包括组织成像，以及从临床记录中收集的患者人口统计数据、病史、既往治疗和实验室测试，我们可以做更多准确地确定谁可能受益。” 对于非小细胞肺癌，MUSK 在约 77% 的情况下正确识别出从免疫疗法中受益的患者。相比之下，基于 PD-L1 表达预测免疫治疗反应的标准方法只有约 61% 的正确率。 准确预测黑色素瘤复发.
当研究人员训练 MUSK 来识别哪些黑色素瘤患者在初次治疗后五年内最有可能复发时，也得到了类似的结果。在这种情况下，模型的正确率约为 83%，比其他基础模型生成的预测准确率高出约 12%。 “MUSK 的独特之处在于能够将未配对的多模态数据纳入预训练中，与其他模型所需的配对数据相比，这大大增加了数据规模，”李说。 “我们观察到，对于所有临床预测任务，集成多种类型数据的模型始终优于仅基于成像或文本数据的模型。利用这些类型的不成对的多模态数据与 MUSK 等人工智能模型，将是人工智能帮助医生改善患者护理能力的重大进步。”
参考文献：“精准肿瘤学的视觉语言基础模型”作者：Jinxi Shang、Xiyue Wang、Xiaoming Zhang、Yinghua Xi、Feyisope Eweje、Yi Jiang Chen、Yuchen Li、Colin Bergstrom、Matthew Gopaulchan、Ted Kim、Kun-Hsing Yu、Sierra Willens、Francesca Maria Olguin、Jeffrey J. Nirschl、Joel Neal、Maximilian Diehn、Sen Yang 和 Ruijian Li，1 月 8 日2025，自然。 DOI：10.1038/s41586-024-08378-w 哈佛医学院的研究人员对这项工作做出了贡献。 该研究由美国国立卫生研究院（拨款 R01CA222512、R01CA233578、R01CA269599、R01CA285456、R01CA290715 和 R01DE030894）和斯坦福以人为中心的人工智能研究所资助。 原文连接: https://scitechdaily.com/stanfords-new-ai-predicts-cancer-outcomes-with-unmatched-accuracy/ 2025年1月13日, 顾震帝整理.