Cancer Cell综述｜AI用于肿瘤学中的多模态数据集成

今日，在Cancer Cell顶刊上发表了一篇题为"Artificial interlligence for multimodal data integration in oncology"的综述文章。

作者介绍了用于多模态数据融合和关联发现的 AI 方法和策略的概要。概述了 AI 可解释性的方法和通过多模式数据互连进行 AI 驱动探索的方向，以及研究了临床应用中的挑战并讨论新兴的解决方案。

肿瘤学中的人工智能方法

人工智能方法可以分为监督、弱监督或无监督。为了突出每个类别的特定概念，作者在计算机视觉框架中展示了应用于数字病理学的所有方法。

监督方法：手动提取的特征方法，表征学习方法。

弱监督方法：图卷积网络，多实例学习，视觉transformers。 无监督方法：自监督方法，无监督特征分析。

多模态数据融合

包括前期融合过程，后期融合过程，中期融合过程。

多模式可解释性

多模态数据互联

展望与讨论

人工智能有可能对从预防到干预的整个肿瘤学领域产生影响。人工智能模型可以探索复杂多样的数据，以确定与癌症高风险相关的因素，从而支持大规模筛查和预防护理。 这些模型可以进一步揭示不同模式之间的关联，以帮助从容易获得的数据中识别诊断或预后生物标记物，从而改善患者风险分层或临床试验的选择。以类似的方式，这些模型可以识别现有生物标记物的非侵入性替代物，以最小化侵入性操作。预测模型可以在干预之前预测风险因素或不良治疗结果，以指导患者管理。 人工智能模型可以进一步分析从个人可穿戴设备或纳米技术获得的信息，以寻找治疗毒性或耐药性的早期迹象，其他重大应用尚待实现。 与任何伟大的医学进步一样，需要通过临床研究和前瞻性试验进行严格的验证和检查，以验证人工智能模型的承诺。 人工智能在推进肿瘤学领域中的作用不是自主的；相反，正是模型和人类经验之间的伙伴关系将推动进一步的进步。人工智能模型具有局限性和挑战性；然而，这些不应该吓唬我们，而应该激励我们。随着癌症发病率的增加，我们有义务利用人工智能方法提供的益处，加快发现并将进展转化为临床实践，为患者和医疗服务提供者服务。 文献

[1] Artificial interlligence for multimodal data integration in oncology https://www.cell.com/cancer-cell/fulltext/S1535-6108(22)00441-X