哈佛大学的研究人员建立了一个多模式人工智能系统来预测14种癌症

基于多种类型数据的多模式人工智能模型可以帮助医生更准确地筛选患有多种不同癌症的患者。

哈佛大学医学院布里格姆妇女医院的研究人员开发了一种能够识别14种癌症类型的深度学习模型。大多数人工智能算法都经过训练，可以从单一数据源（如医学扫描）发现疾病迹象，但这一算法可以从多个数据源获取输入。

预测某人是否有患癌症的风险并不总是那么简单，医生通常需要查阅各种类型的信息，如患者的医疗历史或进行其他检测以检测基因生物标志物。

机病理学系助理教授费萨尔·马哈茂德解释说，这些结果可以帮助医生在监测疾病进展时为患者找出最佳治疗方案，但他们对数据的解释可能是主观的。

他在一份声明中说：“专家分析许多证据来预测患者的表现。这些早期检查成为决定是否参加临床试验或特定治疗方案的基础。但这意味着这种多模式预测发生在专家层面。我们正试图通过计算解决问题。”。

马哈茂德和他的同事描述了一个由大量基于深度学习的算法组成的单一总体系统如何在多种形式的数据上进行训练，可以诊断多达14种不同的癌症。研究人员使用了来自癌症基因组图谱（TCGA）的训练数据，该图谱是一个公共资源，包含从5000多名真实患者获得的不同类型癌症的数据，以及其他数据源。

首先，使用来自整张幻灯片图像（WSI）和基于文本的基因组数据的细胞组织显微视图来训练两个单独的模型。然后将这些数据整合到一个单一系统中，以预测患者罹患不同类型癌症的风险是高还是低。研究人员称，该模型甚至可以帮助科学家找到或确认与某种疾病相关的遗传标记。

该团队在一篇论文中写道：“利用深度学习，分子生物标志物和从WSIs提取的形态学特征的多模式融合具有潜在的临床应用价值，不仅可以提高患者风险分层的准确性，还可以帮助发现和验证组织学和基因组生物标志物组合效应未知的多模式生物标志物。”周一发表在《癌症细胞》杂志上。

马哈茂德说，目前的研究是应用多模态模型预测癌症风险的概念证明。“我们需要用更多的数据训练这些模型，在大型独立试验队列中测试这些模型，并进行前瞻性研究和临床试验，以确定这些模型在临床环境中的有效性”。