 大家好，我是游明亮，新加坡国立大学医学院博士/新加坡癌症科学研究所博士后，现任杭州认知医学部总监，专注于肿瘤学、精准医学、医疗大数据、医疗人工智能技术等方面的研究和应用。
北京时间5月31日，我来到了美丽的芝加哥，未来一周内将全程参与2018 ASCO年会，并通过微信平台与大家交流，以肿瘤研究从业者的身份，从大洋彼岸为各位带来本次会议的最前沿资讯，以及我个人的心得体会。期望与大家分享交流，相互学习，共同进步。 1 智能时代，智慧出行 Day 2 —— 顺利度过倒时差的适应期，也经过了会议第一天的充分预热，我逐渐找到状态，白天参会寻找会议亮点，晚上写材料总结。简单洗漱和用餐完毕，怀着对ASCO Day 2的满心期待，我们驱车前往McCormick会议中心。 在上班高峰期的时间段，芝加哥的堵车一点不比上海差，看来堵车是世界上所有大城市的通病。我们根据Google推荐的路线，尽量避开了拥堵路段。期间也不时在感慨，我们身处大数据爆炸和人工智能时代，衣食住行已经无处不体现人机协同，根据导航选择出行路线就是智慧出行，虽然还没进入无人驾驶的阶段，但这已经是时代巨变的开始。 会议第二天的人流明显比昨天多了很多，ASCO会议进入了重头戏阶段。今天的日程比较满，不管是口头报告，壁报，展会都已经开始。智能手机的普及使得我们开会再也不用捧着一本厚厚的会议行程，而是通过手机APP来方便我们查询，ASCO的会议日程查询和管理工具iplanner的使用使得我们在有限的时间里面，可以更有方向性的参与感兴趣的会议和壁报，大大提高效率。  ASCO大会提供的日程查询和管理APP 早上一到会场就遇到了很多国内行业的Big shot。在Hall A的门口就巧遇吴一龙教授和梁军教授，后面还有机会与各位专家进行更深入的交流，期待后续的报道。当然，ASCO会议期间也很期待各位教授精彩专业的分享。通过ASCO的会议日程查询和管理工具iplanner，我了解到吴一龙教授（Wu Yi-Long）将有多个内容分享，包括6个壁报和2个口头报告，这些都是吴教授牵头或者参与的工作，内容非常精彩，我们后面几天会有详细报道。 与吴一龙教授、梁军教授合影 2 通过AI技术，窥见医疗的未来 言归正传，我们今天关注的重点，是人工智能在临床肿瘤诊疗方面的应用。 与往年相比，根据2018年ASCO大会上所披露的内容，人工智能在医学领域的应用，已经渗透到各个维度。尤其在肿瘤学方面，人工智能已不再仅仅局限于辅助临床决策等单一功能，而是逐渐囊括了临床试验、预后分析、医疗费用和社会服务等诸多方面。我在iplanner上检索并挑选了几篇非常精彩的人工智能主题壁报，为大家做一个简单的展示，相信这些内容可以为我们思考「智慧医疗的未来」提供富有启发性的洞见。 一、认知计算临床试验匹配系统对肿瘤临床实践的影响 Impact of a cognitive computing clinical trial matching system in an ambulatory oncology practice. 而对于肿瘤患者，由于其复杂的基因组学信息、无结构化的电子病历及临床试验入排标准，临床试验的筛选难度日益增大。因此，梅奥诊所携手IBM Watson Health团队，发起了一项通过人工智能技术进行临床试验筛选匹配的评估研究。 从2016年7月开始，以乳腺癌系统性治疗的临床试验为切入点，首先由梅奥的医生对Watson的智能临床试验匹配（Clinical Trial Matching， CTM）认知计算机系统进行培训，使其利用自然语言处理技术，从电子病历的非结构化文本中提取患者信息，并与试验方案中的入排标准进行匹配。随后，由Watson CTM筛选后推荐的匹配临床研究列表，会提交临床试验协调员确认，审核后提供给患者进行最终选择。 经过18个月的实施，42% 的乳腺癌患者通过Watson CTM系统进行了匹配，前后对比发现：系统应用前的平均入组数为3.5例/月，系统应用后的平均入组数为6.4例/月，入组速度提高了84%。在将一期临床试验也应用于该系统后，平均入组数更是达到了8.5例/月。结果显示：临床试验协调员通过运用该系统，可高效持续地为每一位来访患者提供参加临床试验的机会。该系统可对数量庞大的病历资料进行有效筛选，并能增强患者参加临床试验的意识。 该壁报的介绍者，是来自梅奥诊所的Tufia C. Haddad 医生。目前她们正在训练Watson CTM来识别梅奥的电子病历系统信息，教Watson CTM怎么去自动读取病历信息，然后进行高效的匹配。目前除了乳腺癌之外，在梅奥诊所CTM也于其他癌种中进行训练和使用，预计在不久的将来进行多个科室的普及应用。Haddad 医生还指出，「训练」人工智能去读病历还是需要一定时间的，并且各个医院的系统不一样，因此 「训练」的过程或许也会有一些细微差异。中国的肿瘤患者的数量比美国多很多，但临床试验入组的患者很少，可能不到1%。提到该产品如果在中国使用的巨大潜力，Haddad 医生表示AI产品一旦开始使用，确实可以节省大量时间，因此她非常看好AI在医疗领域的应用前景。  美国Mayo Clinic的Tufia C. Haddad 医生 二、采用人工智能的方法，预测乳腺癌患者中化疗引起的中性粒细胞减少的发生风险 Artificial intelligence methods to predict chemotherapy-induced neutropenia in breast cancer patients. 研究团队从ASCO CancerLinQ Discovery™ 数据库中，选取了10228例采用AC-T方案的乳腺癌患者数据，无论这些患者在化疗前是否进行了预防性粒细胞集落刺激因子（G-CSF）治疗。研究团队设计并训练了8个逻辑回归模型和4个神经网络，以对不同临床决策阶段的中性粒细胞减少的发生风险进行预测。 结果显示，与既往研究（Lyman, 2011）相比，该研究方法提高了平均45%的预测准确性，具体为：在化疗前达到0.56阳性预测值（PPV）和0.92阴性预测值（NPV）。此真实世界大数据与AI算法相结合的方法，使得化疗引起的中性粒细胞减少症的预测效率，得到了实质性的改善。在临床实际应用中，该创新方法可改善临床决策效率，并通过对高风险患者进行早期干预，减少需住院治疗的发热和感染的发生率。  采用人工智能的方法，预测乳腺癌患者「化疗引起的中性粒细胞减少」的发生风险 三、乳腺癌治疗前，通过「运用机器学习技术的MRI检查」和「HER2状态」预测新辅助化疗的疗效 Predicting neo-adjuvant chemotherapy response from pre-treatment breast MRI using machine learning and HER2 status. 研究团队开发了一种机器学习结合深度学习、放射组学和临床变量的方法，以对新辅助化疗的疗效进行预测。通过对The Cancer Imaging Archive（TCIA）数据库上的ISPY-1试验纳入166例接受过治疗前增强MRI和AC±T新辅助化疗方案患者的数据进行回顾性分析，其中49例达到pCR，117例未达到pCR。随机将患者分为训练组（n=133）和测试组（n=33），通过集成了深度学习、放射组学和HER2状态的多因素回归模型，评估AUC曲线下方面积，并计算特异性和敏感性。 结果显示，在测试组使用机器学习的方法，预测的敏感性和特异性分别为63%和84%；使用机器学习结合HER2状态的方法，预测的敏感性和特异性达到了75%和92%。结合深度学习、放射组学分析和临床信息的方法，为通过MRI对新辅助化疗疗效进行预测，提供了一种潜在的可能，但实际效果仍需进一步验证。  乳腺癌治疗前通过「运用机器学习技术MRI检查」和「HER2状态」预测新辅助化疗的疗效 四、真实世界中，「绝经后激素受体阳性、HER2受体阴性的转移性乳腺癌患者」采用系统性治疗、CDK4/6抑制剂序贯治疗方案的医疗费用问题 Healthcare medical costs among post-menopausal women with hormone receptor positive and human epidermal growth factor receptor 2 negative (HR+/HER2-) metastatic breast cancer (mBC) managed with systemic therapy following CDK 4/6 inhibitor (CDKi) in the real-world setting. 研究选取并分析了2012年1月至2017年10月的「绝经后激素受体阳性、HER2受体阴性的转移性乳腺癌患者」在MarketScan Commercial和Medicare的理赔数据。 纳入分析的患者，均接受了大于一线的CDK4/6抑制剂基线治疗后序贯化疗、内分泌治疗或依维莫司治疗的方案。根据患者的健康状态、治疗阶段及花费等因素，生成分析模型。化疗组、内分泌组和依维莫司组最后进入统计的患者分别为193例、186例和70例。结果显示：依维莫司组患者的人均月花费，要显著低于化疗组患者，依维莫司组与内分泌组花费相似。 五、使用询问机器学习分类器和放射组学的降维技术，预测神经胶质瘤分级 Interrogating machine learning classifiers and dimensionality reduction techniques for radiomic prediction of glioma tumor grade. 六、通过临床算法或机器学习方法，从保险申报记录中区分肺癌的分期阶段 Classifying lung cancer stage from health care claims with a clinical algorithm or a machine-learning approach. 因为篇幅原因，还有一些有趣的壁报无法在这边详细分享，我会陆续介绍一些相关研究。 从上述这些重点的AI主题壁报中，我们可以发现：通过机器深度学习算法，建立生存、预后、风险评估模型是今年的热点；通过对非结构化文本信息进行自然语言处理、从而建立临床试验匹配系统是今年的亮点，比如梅奥诊所的壁报内容。 随着越来越多的科技公司与各大医学机构展开深入合作，人工智能技术将凭借自身的优势，被更广泛和高效地运用到各种医学场景中去，从临床前研究到真实世界大数据分析；从基因组学、分子免疫学到病理、影像报告分析解读；从辅助临床决策到辅助指导科研等等，甚至可跳出一般意义上的医学范畴范围，从社会、经济、文化等诸多方面，对广大患者及医务工作者产生更加广泛和深远的影响。 随着技术的不断更新进步、人们对健康重视程度的日渐提高、以及医疗服务市场需求的持续增加，医疗人工智能未来可期。 3 人工智能与大数据公司巡礼 人工智能技术在医疗方面的应用，离不开大数据的支持，因此在参观壁报的同时，我也到参会的几家大数据公司和人工智能公司的展台进行了深入了解。 一、IQVIA  IQVIA公司 IQVIA，是原来CRO大佬昆泰和医疗咨询公司IMS公司合并而成，服务于卫生信息技术和临床研究的综合行业。IQVIA是全球最大的合同外包研究机构之一，致力于提供行业解决方案，使生命科学公司能够充满信心地进行创新，最大限度地把握机会并最终推动人类健康发展。看到他们展台上写的Slogan：The human data science company，一下子觉得大公司就是不一样，格局真高。IQVIA提供真实世界研究的解决方案，以后可以关注一下。 二、Flatiron Health   To improve lives by learning from the experience of every cancer patient Flatiron Health公司是我很感兴趣的一家公司，2012年成立至今发展迅速，致力于整合癌症相关的医疗大数据，为医院、制药公司、患者提供全方位的服务。年初的时候Flatiron被罗氏以19亿美元收购，此前罗氏已经拥有该公司12.6%的股份，照此推算Flatiron Health的估值达到21亿美元。 目前的Flatiron Health主要有两方面的业务。一方面是针对医疗服务提供者，Flatiron 为他们提供癌症治疗方面的电子医疗记录（EMR/HER）和电子收费系统，以及辅助患者的治疗系统。另一方面则是针对机构，比如说大的制药公司、FDA以及各大高校的研究中心。这家公司的大数据基因，体现在他为了获取足够的患者数据，以极低的价格向医疗服务提供者出售软件。看到展板上Flatiron的愿景：To improve lives by learning from the experience of every cancer patient，突然有点感动。 三、Cota Healthcare  Cota Healthcare 公司 Cota是一家医疗保健数据和分析公司，帮助供应商、客户和生命科学公司能够优化患者的预后，并降低所服务患者的总体成本。因为IBM Watson for Oncology的下一个版本会结合Cota的真实世界证据（RWE），并将之纳入到辅助治疗决策意见之中，所以我特别关注了一下。 这家公司的Cota Nodal Address™（CNA）已获得专利，这是由最优秀的医生和数据科学家建立的独特的数字分类方法。 CNA是第一个也是唯一一个将患者因素、疾病和预期疗法进行精确分类从而实现规模化精准医学的系统。 四、IBM 最后，我来到了目前医疗人工智能领域的龙头企业IBM的展台。IBM Watson Health包含肿瘤临床应用的整套解决方案，比如：Watson for Oncology、Genomics、Clinical Trial Matching、Drug Discovery、Clinical Development platform等一系列AI应用系统。 通过并购行业顶级企业比如Truven、Merger，或者与Cota这样的真实世界大数据研究公司合作，IBMwatson已经从多个维度快速切入了临床医学的应用场景。 同时，作为IBM的最核心产品线，Watson项目组还在全球范围内招募了大量具有肿瘤学和基因研究背景的人才，构建了强大的医学专业团队，以对产品研发和运营服务，提供全方位的支持。通过对Waston近年来发展的观察，可以很放心地说，IBM已经找到做医疗的感觉了。 4 未来已经到来，只是尚未流行 作为目前医疗AI领域的先驱者和领导者，IBM注定要接受所有旁观者和竞争者的评论和质疑。 但是在探索和开创「智慧医疗新未来」的道路上，IBM也注定不会孤单。包括Google、微软、亚马逊、腾讯、百度、阿里巴巴在内，这个星球上所有数得上的科技巨头，都已经开始大力发展医疗人工智能项目。「一花独放不是春，百花齐放春满园」，随着大量资本和人才的加入，医疗AI行业在未来几年的兴盛，是必然的趋势。 未来已经到来，它只是尚未流行。 我感到非常幸运，自己是作为参与者，而非旁观者，来见证并加入这一「AI改变医疗、改变世界」的伟大历史进程。  目前医疗AI行业公认的领导者：IBM 5 会议花絮 今天有幸获邀参加IBM和AmericanCancer Society美国肿瘤协会联合组织的一个panel discussion，主题是讨论how technology can address health equity in oncology。 会议邀请到了许多知名专家，比如： Otis Brawley教授,美国癌症协会的首席医疗官，负责经由研究和教育来提升肿瘤预防、早期筛查和治疗水平。除了作为世界知名的肿瘤专家，他同时也是埃默里大学血液学、肿瘤学和流行病学教授，佐治亚癌症中心医学总监，埃默里大学Winship癌症控制研究所副主任。 Michael Kelley教授,美国退伍军人事务部国家肿瘤项目主任，杜克大学癌症研究所医学教授。 DorisBrown教授，美国国家医学联合会主席，在医疗管理和处理国际国内事务方面有着多年的实践经验。 此外，参会的还有IBM首席健康官KyuRhee医生。 整个会议过程中，几位专家讨论了经济、地区、教育程度的差异对医疗健康平等性的影响，并结合各自30多年的医疗健康从业经验，分享了对当前科技在消除医疗健康平等性不足方面的作用。 大家一致认为人工智能和移动互联网等先进科技，将会、甚至已经对医疗健康领域产生颠覆性的影响。大家希望通过举办ASCO这一类学术教育会议，来传递这些信息，培训未来能使用人工智能等各种新科技的医生和健康行业从业者。 期待未来，着眼当下。这和我们「认知肿瘤」想做的事情是一样的：通过分享行业信息，与肿瘤医疗领域的专家和众多从业者进行交流，互相学习，一起推动行业的发展。 明天是会议的第三天，我们会分享肿瘤治疗的新技术，尤其是当下最热门的免疫治疗和细胞治疗。 这边稍微剧透一下，下图的展台是我很关注的一家公司，他们的产品与2017年David A.Karnofsky戴维·卡尔诺夫斯基纪念奖的获得者所研究的领域密切相关，我在前文也有提到过。 大家可以留言回复这家公司的产品，答对有惊喜哦。 ▼ 最后，继续来个彩蛋，这次是关于芝加哥360°(360 Chicago)，专用的高速电梯以每分钟 1600 英尺（488 米）的速度呼啸而上，到达第103层观景台仅需55秒。想知道在顶上可以看到什么风光，尽情持续关注认知肿瘤公众号，我将在完结篇中跟大家细细分享。 |
|
|
