人工智能在肿瘤领域应用现状及发展前景 - 肿瘤学杂志杂志社投稿_期刊论文发表|版面费|电话|编辑部- 肿瘤学杂志

一、稿件要求： 1、稿件内容应该是与某一计算机类具体产品紧密相关的新闻评论、购买体验、性能详析等文章。要求稿件论点中立，论述详实，能够对读者的购买起到指导作用。文章体裁不限，字数不限。 2、稿件建议采用纯文本格式(*.txt)。如果是文本文件，请注明插图位置。插图应清晰可辨，可保存为*.jpg、*.gif格式。如使用word等编辑的文本，建议不要将图片直接嵌在word文件中，而将插图另存，并注明插图位置。 3、如果用电子邮件投稿，最好压缩后发送。 4、请使用中文的标点符号。例如句号为。而不是.。 5、来稿请注明作者署名(真实姓名、笔名)、详细地址、邮编、联系电话、E-mail地址等，以便联系。 6、我们保留对稿件的增删权。 7、我们对有一稿多投、剽窃或抄袭行为者，将保留追究由此引起的法律、经济责任的权利。二、投稿方式： 1、请使用电子邮件方式投递稿件。 2、编译的稿件，请注明出处并附带原文。 3、请按稿件内容投递到相关编辑信箱三、稿件著作权： 1、投稿人保证其向我方所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我方所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我方所投之作品不得同时向第三方投送，即不允许一稿多投。若投稿人有违反该款约定的行为，则我方有权不向投稿人支付报酬。但我方在收到投稿人所投作品10日内未作出采用通知的除外。 5、投稿人授予我方享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、投稿人委托我方声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

人工智能在肿瘤领域应用现状及发展前景

作者:

关键词:

摘要：

1 引言

恶性肿瘤已占我国居民死因的23.91%，且发病率逐年升高，成为世界关注的健康问题[1]。人工智能(Artificial Intelligence，AI)在医疗卫生领域应用不断发展，2017年国务院正式印发的《新一代人工智能发展规划》中明确指出要推广智能医疗，建立快速精准的智能医疗体系，探索建设智慧医院并加强群体智能健康管理[2]。肿瘤是医疗健康领域的重要攻关难题，各国学者纷纷探索AI与肿瘤筛查、诊断、治疗、护理和康复等领域的结合应用。本文就AI在肿瘤领域的技术方法和应用现状进行综述，探讨其面临的机遇与挑战，以期为AI助力肿瘤诊疗和护理提供参考。

2 肿瘤领域使用的AI技术

2.1 机器学习

即计算机借助算法模拟或实现人类学习行为，通过获取新知识或技能，重新组织已有知识结构使之不断改善自身性能的一种技术[3]。该技术不断学习标准化的多来源数据，如医学文献、医疗电子信息系统、医学检验数据等，持续减少错误的发生并提高解决问题的效率，以帮助解决更多临床问题。在肿瘤病理学影像诊断中应用广泛，如基于超声图像对乳腺癌亚型进行分类[5]等。

2.2 自然语言处理

即基于机器学习技术来实现人与计算机之间自然语言有效通信的技术，与人机交互领域相关[6]。IBM公司的沃森医生(Watson for Oncology，WFO)可使用自然语言与肿瘤患者进行实时人机互动[7]。自然语言处理技术也可与社交媒体结合，帮助肿瘤患者进行决策的同时促进患者个性化诊疗与情感需求的满足[7]。

2.3 自动规划

一种问题求解技术，将问题分解成若干子问题并进一步解决，最终实现预期目标[8]，在肿瘤个性化治疗和护理方案制定中有一定应用，如利用该技术将DTI功能像与MRI结构像相结合，进行脑干肿瘤术前路径自动规划设计，有效引导医生在术中规避重要的组织区域，降低手术风险[9]。

2.4 语音处理

研究语音发声过程、语音信号统计特性、语音自动识别、机器合成以及语音感知等各种处理技术的总称[10]。可通过该技术对颞叶胶质瘤术后患者的发声以及语音内容进行识别和处理，以评估患者手术恢复情况[11]，还可对喉癌患者语音粗糙度进行识别以评估放疗后患者声音恢复情况[12]。

2.5 专家系统

主要通过一种知识表达模式将肿瘤专家知识和经验存入计算机，再对输入的事实(如患者诊疗信息等)进行推理，模拟医学专家诊断疾病，做出类似人类的判断和决策[13]。WFO是目前较为成功的专家系统，其他还有可进行癌症患者病史总结、为患者提供治疗方案建议和健康管理咨询的专家系统[6]。

2.6 人工神经网络

即模仿人类神经活动进行分布式并行信息处理的算法数学模型，可基于系统复杂程度，优化调整内部大量节点之间相互连接关系，从而达到处理信息的目的，具有自学习和自适应能力，深度卷积神经网络模型是常用的技术模型[14-15]。人工神经网络多用于肿瘤患者的影像诊断，通过图像处理技术对肿瘤图像进行压缩、增强、复原、匹配、描述和识别，辅助医生进行诊断。

3 具体应用

3.1 风险评估

肿瘤受基因及个体所处环境影响，传统肿瘤风险评估可能存在误差且缺乏个体特异性。Pergialiotis V等[16]利用人工神经网络和分类回归树预测绝经后妇女患子宫内膜癌风险，准确率达85.4%。Nematollahi M等[17]利用机器学习决策树模型，根据临床和影像特征预测胶质母细胞瘤患者生存率，准确率高达85.1%。由此可见AI在肿瘤风险评估中已有一定应用，但评估预测模型准确率还有提升空间，未来AI与患者个体基因检测技术、电子医疗记录、生活数据等多来源数据结合，将进一步提高肿瘤风险评估的准确性和特异性。

3.2 诊断

3.2.1 实验室常见肿瘤实验室检查包括常规检查、血清学检查、免疫学检查、流式细胞分析术以及基因诊断等。AI在辅助肿瘤细胞水平诊断上具有较高的准确率，如Moshavash Z等[18]利用决策支持系统从血液显微图像中诊断急性白血病，最终准确率在细胞水平上达98.10%。Saeedizadeh Z等[19]应用计算机辅助诊断方法从显微图像中对骨髓瘤细胞进行自动识别，识别敏感度达96.52%，特异性93.04%，精密度95.28%，能够有效地辅助多发骨髓瘤的诊断。

3.2.2 影像 AI图像智能识别技术可较大幅度提高肿瘤影像诊断准确性，有效降低医生主观错误。目前AI技术已在肺癌、乳腺癌、前列腺癌等肿瘤的影像诊断中得到广泛应用，如Patel等[20]利用AI算法提取乳腺X线摄影的关键特征并与乳腺癌亚型进行相关性分析，诊断准确率高达99%。Le MH等[21]利用基于多模态卷积神经网络技术在多参数MRI中自动诊断前列腺癌，灵敏度可达89.85%，特异性高达95.83%。

文章来源：《肿瘤学杂志》网址: http://www.zlxzzzz.cn/qikandaodu/2021/0312/401.html