编者按：近年来，基于高维度患者数据（EHR、影像学数据、基因组数据、PROs等）构建的现代人工智能（AI）工具，正在重塑肿瘤学护理，帮助降低癌症死亡率并提高工作流程的效率和护理范围。然而，在AI算法的开发和部署阶段，数据相关问题和人为偏见影响了这些工具在真实世界环境中的表现，限制了它们在肿瘤学诊所中的应用和安全性。本文回顾了目前预测性AI在肿瘤诊断、预后、交互式生成型AI（如聊天机器人）的潜力与限制。

背景

AI领域两个超重要的概念是机器学习和深度学习，深度学习是机器学习的一个子集。机器学习厉害之处在于可以让算法自己从数据中学习和适应，而不需要我们教它怎么做。深度学习更突出一些，它用一堆算法模仿人脑的思考方式处理和分析数据。人工智能算法分为两大类：预测性AI和生成性AI。预测性AI工具通过学习训练数据中的模式来预测新场景下的结果。例如，用于从乳腺X光扫描中诊断乳腺癌的基于图像的分类工具就是一个预测性工具。生成性AI则创造出训练数据中没有明确出现的新输出，如与患者进行对话互动的AI聊天机器人。

诊断

在肿瘤学诊断领域，AI的应用已经展示了其在提早发现疾病、优化治疗方案和改善患者结果方面的巨大潜力。诊断性AI在肿瘤学中提供了高准确性的早期检测，提高了护理效率，并可以跨健康系统扩展。从自动化诊断中受益的两种癌症类型是皮肤癌和乳腺癌，AI技术通过学习大量图像数据，已能达到甚至超过专业医生的诊断准确性，减轻医生的工作负担。

在2021年获得FDA批准的71种与AI相关的设备中，大多数是用于癌症诊断的（超过80%），涵盖了癌症放射学（54.9%）、病理学（19.7%）和放射肿瘤学（8.5%）等领域。这些设备大多应用于实体肿瘤治疗，最常见的是乳腺癌（31%）和肺癌/前列腺癌（8.5%）。然而，AI工具的有效集成受到监管部门指导不足、算法的不可解释性、以及算法部署后监测不足等因素的限制。为了解决这些问题，可以通过扩大训练数据，包括所有人群的代表性图像，并通过不同角度、照射和设备获取的样本，以及通过重新训练模型以适应图像获取技术的变化来进行调试。

预后

在肿瘤学中，预测患者结果对于定制医疗计划和优化资源分配至关重要。然而，预测预后对于肿瘤医生而言是一个挑战，约有63%的医生高估了生存率，而17%的医生低估了生存率。医生在评估个别患者时依赖于临床先例和全国公布的人口统计数据（例如，5年中位生存率），这导致了过度概括和风险评估的不准确。不准确的预测会增加患者及其护理者的情感负担，不当的资源分配，会降低患者与医生之间的信任，并延迟关键的治疗或临终干预。

AI基于风险预测模型能够生成个性化的预后评估，帮助医生制定个性化临床决策。这些预后AI算法使用了非结构化数据（如电子健康记录中的临床笔记、放射报告和病理发现）以及结构化数据（如患者人口统计学信息、实验室结果和PRO），为每位患者提供深入且广泛的信息。这种数据的集成不仅提供了频繁、纵向的数据收集机会，还能持续跟踪患者的健康状况，使得AI工具能够为患者提供更准确的生存预测，进而优化治疗计划和资源分配。

在为晚期癌症患者优先考虑临终护理的临床场景中，预后AI模型已帮助优化目标一致的护理和医疗开支。例如，一个基于电子健康记录的机器学习算法能够以高度准确性（准确率：0.95–0.96）计算180天内的死亡风险，为高风险患者提供了个性化、数据驱动的预后评估，并且平均每天降低了75.33美元的临终护理开销，证明了预后AI模型在提高护理质量和减轻经济负担方面的有效性。

不过， AI模型的数据质量也影响预后AI工具在现实世界设置中的表现。需要强大的数据预处理、错误校正和标准化程序以及数据共享标准，以增强AI性能。

生成型AI技术（聊天机器人）

聊天机器人正逐渐成为支持患者教育、患者与医生沟通以及提供心理健康服务的重要工具。这些聊天机器人基于大型语言模型（LLM），能够处理大量文本数据，进行翻译、预测和内容生成。对于医生而言，LLM有潜力编码临床知识、自动化医疗文档处理、增强远程医疗互动并协助临床试验招募。然而，最近的研究显示，使用LLM进行癌症护理管理的技术在提供的信息质量和准确性方面仍然受限。例如，一项研究评估了OpenAI的商业LLM ChatGPT生成的针对乳腺癌、前列腺癌和肺癌治疗的建议是否与国家综合癌症网络（NCCN）的标准护理指南一致，结果发现约三分之一的治疗建议与NCCN指南不完全一致。这提示在使用LLM聊天机器人获取治疗信息时需要谨慎。LLM无法识别生成文本的源数据或确切的训练数据，因此可能传播错误信息，引起用户（即患者和医生）的困惑和不信任。

结论

人工智能在肿瘤学领域的应用为改善癌症患者的护理提供了前所未有的机会。尽管存在挑战，但通过跨学科合作、严格的监管措施和对技术的不断审视和改进，我们可以最大化AI的潜力，以实现更有效、更公平和更个性化的肿瘤学护理。