机器学习可以帮助未来的癌症诊断

人工智能 (AI) 是全球范围内日益增长的趋势。许多高科技行业正在采用人工智能，目的是让行业受益，无论是时间、金钱还是准确性方面的利益。人工智能正在成为化学和制药科学不可或缺的一部分。一方面，你有人工神经网络为公司提供设计和合成新药的方法。另一方面，机器学习算法提供了一种以更高的准确度检测患者体内癌细胞的方法。我们在这里谈论后者。

现代癌症检测方法

多年来，科学家们使用了许多方法来测试和观察癌症，但显微镜和其他成像技术一直是一些关键方法。科学家在没有任何计算机帮助的情况下在显微镜下观察并得出结论的日子已经一去不复返了。近年来，许多计算机软件程序使科学家能够观察成像样本（包括细胞）的形状、大小和形态。然而，许多这些程序仍然需要人工输入来表征兴趣点（在本例中为癌细胞）的起始位置和停止位置。这些成像方法专为一系列分析设备而设计，从简单的实验室台式显微镜到 MRI 扫描仪。

因此，虽然有有效的癌症诊断方法——这就是为什么人类作为一个整体在识别和理解这种疾病方面变得更好——但这些方法中的大多数仍然容易出现人为错误。即使是一个小错误也可能导致误诊。机器学习是最近几年出现的一种潜在解决方案。迄今为止，结果表明能够分析成像样本并高度准确地查明癌细胞的存在。

几种化学传感器可以检测患者是否患有癌症。虽然临床医生可以检查患者血液中的特定生物标志物，但生物样本本身就很复杂。虽然测试可以检测特定的生物标志物，但生物样本本身就很复杂，对人体生物体液的分析有时会产生容易出错的结果。因此，临床医生可以将机器学习算法与早期预警化学测试结合使用，以消除测试的“噪音”并分析感兴趣的数据点，以确定患者是否患有癌症。

癌细胞特征

癌细胞表现出某些区别于健康细胞的特征。这些特征通常是确定患者是否患有癌症的一种方式，以及患者患有疾病时血液中存在的特定生物标志物。特别是从成像的角度来看，健康细胞和癌细胞的物理特征是从物理上判断患者是否患有癌症的一种更简单的方法。

例如，相同类型的正常健康细胞往往具有相同的形状和大小——通常本质上是球形/椭圆形，除非它们是特化细胞——癌细胞往往具有截然不同（即更随机）的形状和大小，它可以突出更健康的细胞。此外，在健康的细胞系统中，细胞的分裂往往是受控的，细胞的排列是有组织的。另一方面，癌细胞分裂的速度要快得多，而且往往非常杂乱无章。

癌细胞具有的另一个特征是它们往往具有大的、形状可变的细胞核，而健康细胞只有一个小的、形状规则的细胞核。此外，癌细胞内往往会丢失一些特征——这就是它们危险的原因，因为这种特征的丢失是癌细胞无法像健康细胞一样执行特定功能的原因。只要软件有足够的数据，机器学习算法就可以使用、分析和比较健康细胞和癌细胞的所有这些差异和特征。

将机器学习应用于癌症成像

机器学习算法提供了一种更好地分析癌细胞并确定患者体内是否存在癌细胞的方法。机器学习算法的工作原理是获取历史数据并将其与当前分析的数据相匹配。将历史数据与新数据进行比较的能力使算法能够检测系统是否正常——在本例中为健康细胞——或者是否存在异常——即癌细胞。

为此，机器学习算法需要从以前的研究中获取数据，其中包括癌细胞和健康细胞的不同大小、形状和表面形态。通过这样做，算法可以快速轻松地识别图像中哪些细胞是健康的，哪些细胞可能是癌变的。通过提供分析细胞的准确和统计方法，算法在确定细胞是否确实癌变或是否需要进行进一步测试以确认一个人是否患有癌症时减少了人为错误。

早期预警护理点设备

但机器学习可以帮助癌症诊断的不仅仅是成像方法。近年来，已经创建了许多早期预警床旁设备，可以更早地检测出患者是否患有癌症。许多这些设备都基于微流体系统，其中内部涂有特定的表面受体/功能化，这些受体会附着在任何癌细胞上。因此，受体确实需要针对所针对的癌症，但这些系统本质上充当一系列护理点纳米传感器，可以提供早期预警信号，使临床医生能够更早地治疗疾病，并在转，增加生存的机会。

那么，机器学习从何而来？可以从这些平台（以及一般的化学测试）收集相当多的数据。试图找出不同数据集之间的趋势以提供准确的诊断并不是最简单的任务——因为这些趋势的范围从细胞的大小和形态到基因表达以及细胞群内的生长/分裂程度。

床旁设备可以与成像方法相结合，从化学角度分析数据，并在分析样本的同时对样本进行成像。因此，通过将图像分割成切片，并使用机器学习算法，上述原理得以实现关于破译健康细胞和癌细胞之间差异的方法也可以应用于某些即时医疗设备。因此，未来有可能结合化学和影像诊断方法来创建能够提供定量和定性分析的平台。

机器学习是癌症诊断的未来吗？

机器学习是癌症诊断的未来吗？这是一个开放式问题，在这个阶段有一个开放式答案。机器学习和其他 AI 算法引起了极大的兴趣和工作，整个医疗和制药行业都对此感兴趣。机器学习在未来的癌症诊断中具有广阔的前景，因为它对化学测试和成像方面都有好处。范围很广，机器学习在临床层面上可能在一个领域比另一个领域更有用。

机器学习和人工智能算法的使用虽然在不断增长，但仍处于起步阶段。尽管许多部门开始更多地采用它，但由于围绕误诊和患者福利的潜在问题，医学界必须更多地审查技术。然而，有一种对癌症和其他疾病进行更准确分析的动力。机器学习提供了这方面的潜力和消除人类偏见的好处。

显然，医学诊断还需要考虑伦理方面的问题，人工智能方法可能仍需要训练有素的临床医生的人工输入来确认结果。否则，如果出现误诊或软件问题，任何类型的技术都可能发生这种情况。虽然医疗技术可能会失败，但在大多数临床环境中通常会有人工支持来纠正错误。因此，尽管机器学习可以提供所有分析，但从伦理的角度来看，可能仍然需要人工输入。

如果我们能够处理伦理方面的考虑，并且使算法准确可靠，那么我们就没有理由看不到机器学习在未来以某种形式被用于癌症诊断。但是，只有时间才能证明医疗专业人员在肿瘤学和更广泛的临床环境中采用 AI 的程度。

利亚姆·克里奇利 ( Liam Critchley ) 是一名作家、记者和传播者，专门研究化学和纳米技术以及分子水平的基本原理如何应用于许多不同的应用领域。利亚姆最出名的可能是他的信息丰富的方法以及向科学家和非科学家解释复杂的科学主题。Liam 在与化学和纳米技术交叉的各个科学领域和行业发表了 350 多篇文章。

Liam 是欧洲纳米技术工业协会 (NIA) 的高级科学传播官，过去几年一直在为全球的公司、协会和媒体网站撰稿。在成为一名作家之前，利亚姆完成了化学与纳米技术和化学工程的硕士学位。

除了写作之外，利亚姆还是美国国家石墨烯协会 (NGA)、全球组织纳米技术世界网络 (NWN) 的顾问委员会成员，以及英国科学慈善机构 GlamSci 的董事会成员。Liam 还是英国纳米医学学会 (BSNM) 和国际先进材料协会 (IAAM) 的成员，以及多个学术期刊的同行评审员。

审核编辑黄宇