史丹福醫學的人工智能模型準確預測癌症預後及治療效益
史丹福醫學已開發出一種人工智能模型，能準確預測癌症患者的預後及治療反應。這是首個利用多種影像及語言數據來評估癌症患者健康狀況的模型，已在多種癌症類型中顯示出潛力，包括肺癌、胃食道癌及黑色素瘤。
在過去幾年，研究人員創造了一系列實驗性人工智能模型，這些模型能檢查影像數據中微小的癌症徵兆，這些徵兆是醫生和放射科醫生可能容易忽略的。早期測試顯示，這些模型的效果非常顯著。例如，由麻省理工學院及麻薩諸塞州總醫院癌症中心開發的Sybil模型，能以86%至94%的準確率預測患者的一年肺癌發展，而哈佛醫學院的胰腺癌預測模型則能以88%的準確率映射患者的三年預後。另一個麻省理工學院的模型甚至能檢測出最危險的乳腺癌徵兆，以防止患者過度治療。
儘管這些模型都非常出色，但它們有一個共同的不足之處：只能同時分析一種數據。每個模型只能查看MRI掃描、CT掃描、X光影像或顯微鏡切片，然後在該數據集中識別問題區域。即使是微軟的多診斷人工智能模型，雖然可以接受多達九種影像數據，但仍需分開檢查這些影像類型。
史丹福醫學的模型MUSK（多模態變壓器與統一掩模建模的縮寫）能同時查看多種數據。研究人員在《自然》期刊的論文中指出，MUSK的訓練基於5000萬幅病理影像和來自超過11,500名患者的10億個“文本標記”。這些影像展示了不同形式的癌症，包括X光、顯微鏡檢查及CT和MRI掃描，而文本標記則代表與各種癌症診斷相關的語言醫療數據——例如檢查記錄、專家之間的溝通等。
MUSK能同時分析多種數據的能力，模擬了醫生如何評估病人的影像結果及健康記錄。這也讓MUSK能協助醫生預測預後，而不是進行診斷，後者是大多數醫療人工智能模型的重點。
根據史丹福醫學的報導，MUSK在訓練的16種主要癌症類型中，能準確預測患者疾病特異性生存率的成功率達75%。這比醫生的平均準確率（約64%）提高了11%。MUSK還能以77%的準確率正確識別哪些非小細胞肺癌患者能從免疫療法中受益（超過醫生61%的準確率），並以83%的準確率預測哪些黑色素瘤患者在初次治療後五年內最有可能復發。
“最大的臨床需求是能夠幫助醫生指導患者治療的模型，”該研究的高級作者及放射腫瘤科醫生李瑞江表示。“這位患者需要這種藥物嗎？還是我們應該專注於另一種療法？如果我們能利用人工智能評估數百或數千個多類型數據，包括組織影像、患者人口統計學、病歷、以往治療及臨床記錄中的實驗室檢測，我們就能更準確地判斷誰可能受益。”
這項研究的意義不僅在於模型的準確性，更在於它對未來癌症治療的潛在影響。隨著人工智能技術的不斷進步，這樣的模型可能會成為醫療決策的重要工具，幫助醫生不僅在治療方案的制定上做出更精確的判斷，同時也能減少患者的過度治療。這不僅提高了治療的針對性，還可能降低醫療資源的浪費，從而提升整體醫療系統的效能。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
