人工智能助力未来--MDT模式下的黑色素瘤精准化管理实践与思考

多学科协作诊疗(MDT)模式是恶性肿瘤诊疗的发展方向,也是实践精准医学的最好模式。但是,随着医学向数据密集型科学发展,现有的MDT模式已无法处理指数级增长的医学数据。人工智能技术在海量数据处理上具有优势,有望成为助力MDT发展的重要创新性力量。作者结合复旦大学附属中山医院在黑色素瘤MDT精准化管理的实践,分析MDT面临的问题,探讨人工智能技术在促进医学改革方面的重要作用,剖析临床应用人工智能过程中遇到的困难。现有的MDT无法完全适应我国的医学实践,而人工智能技术的特点与MDT的本质高度契合,有望改变MDT的现状,弥补MDT执行过程中暴露的缺点。人工智能技术在临床医学中的应用仍面临诸多挑战,作者针对性地提出了应对策略。医学发展需要不断优化和迭代,应以开放的态度面对陌生的新兴事物,更应该以发展的态度面对熟悉的既有事物,希望文章能够为全行业乃至整个学科的发展,提供启发和借鉴。

黑色素瘤是怎样的疾病?该如何自查和预防?

黑色素瘤是一种恶性肿瘤,起源于皮肤中的黑色素细胞。黑色素瘤属于皮肤肿瘤的一种,危险性很高,因为它有可能扩散到身体其他部位,严重威胁患者的生命。2023年6月,某歌手因黑色素瘤不幸离世,这一事件提醒我们需要重视黑色素瘤。虽然黑色素瘤的恶性程度极高,但黑色素瘤治疗技术的发展也相当迅猛,早期阶段的黑色素瘤的治愈率已经相当可观。因此,提早发现并及时治疗对于患者的生存和康复至关重要。

黑色素瘤大数据人工智能科研平台的建设及应用

目的建立黑色素瘤大数据人工智能科研平台, 实现对临床全量数据的结构化存储和精准化管理, 提高临床科研效率。方法基于规范化、结构化后的全量集成数据, 利用大数据技术对复旦大学附属中山医院2007年10月至2020年9月各业务系统数据进行抽取、整合, 建立黑色素瘤大数据库。通过人工智能技术深度挖掘疾病特征, 采用数据库自带算法进行生存分析。结果平台提供患者筛选导出、统计分析、追溯原始病例、自动选择数据分析算法与模型等功能, 实现了数据可视化、队列预览、秒级响应和一站式智能自动化提取入库等目标, 可快速完成研究闭环。经筛选核对, 收集到信息完整的患者共152例, 其中, 男性78例, 女性74例;就诊年龄30~97岁, 中位年龄61岁;肿瘤部位最多位于足部(133例), 最少位于腹股沟区(2例)和背部(2例);肿瘤最大直径1~80 mm,平均最大直径23.55 mm, 中位值20 mm;Clark评级集中分布于Ⅳ级(62例);17例患者肿瘤表面伴溃疡形成;10例患者出现淋巴结转移;远处器官转移以肺部为主(5例);超过80%患者的肿瘤组织Breslow厚度<1 mm。对随访满5年且数据资料齐全的49例患者的生存分析显示, 年龄≥70岁、Clark评级≥Ⅳ级、Breslow厚度≥4 mm是黑色素瘤预后的危险因素(P<0.05)。结论黑色素瘤大数据人工智能科研平台实现了对黑色素瘤临床数据的结构化存储和精准化管理, 为临床数据的高效运用提供了解决方案。

应用数据挖掘及深度学习技术探索皮肤鳞状细胞癌的治疗靶点及药物

目的使用计算机工具和公开数据库挖掘与皮肤鳞状细胞癌(cSCC)相关的基因和信号通路, 并通过深度学习模型探索治疗cSCC的靶点及药物。方法通过文本挖掘和GeneCodis找出与cSCC高度相关的基因;使用STRING和Cytoscape进行蛋白质-蛋白质相互作用分析;通过DGIdb数据库基于药物-基因相互作用分析, 得到候选药物;利用药物-靶点相互作用深度学习模型DeepPurpose, 采用深度学习算法, 在药靶相关性的基础上进一步对药物-靶点亲和力进行预测, 并给出与目标靶点亲和力较高的部分药物推荐。结果通过文本挖掘识别出与cSCC相关的121个基因;基因富集分析中产生了与10个信号通路有关的11个基因和54个靶向药物。其中, 主要通路包括"pathways in cancer"(癌症相关信号通路)、"MAPK signaling pathway"(MAPK信号通路)、"ErbB signaling pathway"(ErbB信号通路);主要基因包括TP53、MDM2、CCND1、CDKN2A、HRAS、EGFR、MYC、ERBB2、AKT1、STAT3和SRC。通过DeepPurpose得到34个最终药物, 包括11个化疗药物、17个酪氨酸激酶抑制剂、4个PI3K/AKT/mTOR抑制剂、1个丝裂原活化蛋白激酶抑制剂和维生素A酸。结论使用计算机工具和深度学习模型有望成为一种新的探索靶向cSCC基因药物的有效方法。