近日，顶尖学术期刊《自然》上线了一项有关癌症诊断的重要研究。

 

与以往不同的是，来自美国加州大学圣迭戈分校的科学家，通过训练人工智能从血液中鉴定微生物的遗传物质，不仅可以识别出癌症，还能对不同类型的癌症做出区分。

 

“这是一个很有前景的方向，改变了传统的检测方法，而且运用人工智能技术，使得海量的检索和比对工作得以快速而准确地完成。”南京信息工程大学教授徐军评价道。

 

微生物与肿瘤微环境息息相关

 

菌群与人体的关系毫无疑问是十分密切的。有科学家估计，在每个人的身体中细菌的数量占到了人体所有活细胞的90%。此外，我们体内还有许多病毒存在。

 

这些常驻人体的微生物几乎参与了人体的一切生命活动，所以，它们的核酸片段(DNA或RNA)也就经血液游荡在我们体内。

 

近年来，许多研究证据显示，人体微生物对多种类型的肿瘤有“贡献”。科学家猜想，这些微生物在癌症中所起的作用也许比我们已知的更多。因为以前的癌症研究工作，忽略了人体癌细胞与微生物可能有复杂的相互作用。

 

这也就提供了一种全新的检测癌症的思路：用正常人血液中与癌症患者血液做对比，其中的微生物是否会有差别呢?

 

于是，美国加州大学圣迭戈分校的科学家有了一个大胆的设想：分析血液中来自微生物的遗传物质，可以根据其特征模式来识别体内的肿瘤。

 

如果在过去，这种设想真的只能是想想罢了，“这是因为细菌的数量十分庞大，检测它们的基因序列将是一个海量工程。”徐军说，但是得益于基因测序技术的发展，现在测序的费用与时间都在大幅下降，同时微生物的基因测序也能够运用AI技术，效率能大大提升。

 

徐军告诉记者，疾病的检测、诊断和治疗是一个非常复杂的过程，需要借助多方面信息，比如图像数据、基因数据、分子和蛋白的表达，患者的病史、遗传背景、家族史等其他数据化信息，以及患者的临床数据，微生物的核酸特征等等。大数据和机器学习技术的加入，从基因层面、细胞层面、以及微生物层面展现患者个体化的信息。

 

“我们对这些问题理解越深刻，治疗疾病的成功率就越高。”徐军说，在没有AI技术之前，尽管我们能够采集大量的数据，但是由于能力限制，能够获取的知识很有限。比如尽管我们能够破译人类的基因，但是目前90%以上的信息我们还不能理解对疾病的诊断和治疗有什么作用。

 

人工智能测癌可靠性有多高

 

研究人员在几千份样本中找到相应的微生物特征后，把工作交给了人工智能。通过相应的机器学习模型来挖掘大量数据，把特定的微生物序列特征与特定的癌症相匹配。

 

“机器学习的方式主要有监督学习和非监督学习，从这个项目公开的信息来看，采用的是监督学习模式。”徐军分析说，监督学习的特点是人类会把知识传授给计算机，计算机根据样本的特征进行学习，接下来就能够自动区分疾病或者健康的样本。

 

另一种非监督学习将能够使得机器具备更高的智能，即人类没有给计算机提示，计算机通过归纳的样本之间的规律和模式，突破了以往需人类干预才可学习的局限。

 

“现在还有一种新的非监督学习模式——对抗学习，其特点是人类设计出两个模型，一个用于制造伪装数据，另一个用于鉴别伪装，在你来我往中实现互赢，最后达到纳什均衡状态。”徐军认为，我国拥有大量的疾病数据，医学和人工智能领域之间如果能够长期深入合作，将能够更好地为患者服务。

 

从此项研究的结果来看，这套AI模型在实际诊断中是可靠的。科学家让AI对100名患者的样本血浆进行分析，并与69名健康无癌个体的血样进行比较。机器学习模型不仅可以区分患癌和无癌的样本，还能区分不同类型的癌症：以86%的敏感性识别出肺癌患者，对于无肺部疾病的个体没有出现假阳性报告，并且以81%的准确率区分出前列腺癌和肺癌。

 

“达到这个准确率具备了参考价值，但需要注意的是，这个结果可能是在理想的条件下得到的，论文作者可能也剔除了许多不规范的样本和数据。”徐军认为，这还是一项早期的概念验证研究，应用到临床还需要做大量工作。

 

专家认为，AI和大数据的加入，可以完成更加复杂的任务。比如基因序列的读取，是人的眼睛和智力水平基本上无法完成的，而人工智能和大数据技术的广泛使用将能够很好地解决这个问题。

 

徐军告诉记者，人工智能技术在医学领域得到广泛的关注，它并不是偶然发生的，而是建立在近年来以机器学习为代表的深度学习技术取得了巨大突破的基础上。

 

“2019年，《自然·医学》出版了一期特刊，该特刊的12篇论文全部和人工智能相关，这说明人工智能技术和医学结合的爆发点已经到来。”徐军说，以人工智能技术为核心的机器能够极大地弥补人类的不足。

 

但徐军也指出，人类医生的优势是冷冰冰的机器无法代替的，机器不具备人对疾病的认知和理解，同时，治疗的过程不仅仅是数据处理过程，更重要的是医生和患者之间的沟通和互动。医生对于患者的关怀和安慰是机器无法做到的，而这在治疗过程中有时非常关键。因此，未来最好的模式是机器与医生协同开展工作。