AI可以潜在地从血液检测中发现比目前可能更多的预警信号。
这是关于AI如何改变医学研究和治疗的六部分系列报道中的第三篇。
“卵巢癌是一种罕见、资金不足且致命的疾病，”位于纽约的全球慈善机构卵巢癌研究联盟（Ocra）负责人Audra Moran说。
像所有癌症一样，越早发现越好。
大多数卵巢癌始于输卵管，因此当它到达卵巢时，可能已经扩散到其他部位。
“在出现任何症状前五年，可能是检测卵巢癌以影响死亡率的最佳时机，”Moran女士表示。
但新的血液检测方法正在出现，这些方法利用人工智能（AI）的力量来发现癌症的早期迹象。
不仅仅是癌症，AI还可以加快对肺炎等潜在致命感染的其他血液检测速度。
纽约纪念斯隆-凯特琳癌症中心的生物医学工程师Daniel Heller博士一直在训练AI识别卵巢癌的早期迹象。
他的团队开发了一种测试技术，该技术使用纳米管——直径约为人类头发丝的五万分之一的碳管。
大约20年前，科学家们开始发现可以发出荧光的纳米管。
在过去十年中，研究人员学会了如何改变这些纳米管的性质，使它们对血液中的几乎所有物质都能作出反应。
现在，可以在血液样本中放入数百万个纳米管，它们会根据粘附在其上的物质发出不同的光波长。
但仍然存在解释信号的问题，Heller博士将其比喻为寻找指纹匹配。
在这种情况下，指纹是一种分子结合到传感器上的模式，具有不同的敏感性和结合强度。
但这些模式对于人类来说太微妙了，无法辨认。
“我们可以查看数据，但完全无法理解，”他说。“只有通过AI才能看到不同的模式。”
解码纳米管数据意味着将数据加载到机器学习算法中，并告诉算法哪些样本来自患有卵巢癌的患者，哪些来自没有患病的人。
这包括来自患有其他形式癌症或可能与卵巢癌混淆的其他妇科疾病的人的血液。
使用AI开发卵巢癌血液检测的一个主要挑战是这种癌症相对罕见，这限制了用于训练算法的数据量。
而且，即使是这些数据也大多被分散在治疗过这些患者的医院中，研究人员之间的数据共享非常有限。
Heller博士将用仅几百名患者可用的数据训练算法描述为一次“孤注一掷”。
但他表示，AI的准确性超过了目前可用的最佳癌症生物标志物——而这只是第一次尝试。
该系统正在进行进一步的研究，以查看是否可以通过使用更大数量的传感器和更多患者的样本进行改进。更多的数据可以改善算法，就像自动驾驶汽车的算法可以通过更多的道路测试得到改进一样。
Heller博士对这项技术寄予厚望。
“我们希望对所有妇科疾病进行初步筛查——因此当有人因某种症状前来就诊时，我们能否给医生提供一个工具，迅速告诉他们更有可能是癌症还是不是，或者是这种癌症而不是那种。”
Heller博士表示，这可能还需要“三到五年”的时间。
位于加州的Karius公司拥有一个包含数十亿数据点的微生物DNA数据库。
AI不仅在早期检测方面有潜在用途，在加快其他血液检测方面也有帮助。
对于癌症患者来说，患上肺炎可能是致命的，由于约有600种不同的病原体可以引起肺炎，医生必须进行多次测试以确定感染。
但新型血液检测方法简化并加速了这一过程。
Karius首席执行官Alec Ford表示：“在我们的测试之前，肺炎患者在入院第一周内需要进行15到20次不同的测试来确定其感染——这大约需要20,000美元的测试费用。”
Karius拥有一个包含数十亿数据点的微生物DNA数据库。患者测试样本可以与该数据库进行比较，以识别确切的病原体。
Ford先生表示，没有AI这是不可能实现的。
一个挑战是研究人员目前并不完全理解AI可能在测试生物标志物和疾病之间建立的所有联系。
过去两年中，Slavé Petrovski博士开发了一个名为Milton的AI平台，该平台使用英国生物银行数据中的生物标志物来识别120种疾病，成功率超过90%。
在如此庞大的数据中找到模式是只有AI才能做到的事情。
“这些通常是复杂的模式，可能不仅仅是一个生物标志物，而是必须考虑整个模式，”Petrovski博士说，他是制药巨头阿斯利康的研究员。
Heller博士在他的卵巢癌研究中也使用了类似的模式匹配技术。
“我们知道传感器会与血液中的蛋白质和小分子结合并作出反应，但我们不知道哪些蛋白质或分子是特定于癌症的，”他说。
更广泛地说，数据或缺乏数据仍然是一个缺点。
“人们不愿意分享他们的数据，或者没有机制来分享，”Moran女士说。
Ocra正在资助一个大规模的患者登记项目，该项目包含允许研究人员在其数据上训练算法的患者的电子医疗记录。
“现在还处于早期阶段——我们仍在AI的蛮荒时期，”Moran女士说。
(全文结束)