AI 抗癌：科技公司攀登的峭壁与脚下的低谷

一名工程师出国两周后，赶回加州见到了外祖父最后一面。老人癌症确诊后短时间迅速恶化，拒绝接受治疗，只对亲人说：「我准备好了。」

「一切发生的太快了，」这名工程师一直没能走出这场天人永隔。他告诉硅星人：「如果有什么能对抗癌症，我愿意不惜一切代价去做。」

这不是他一个人的想法。其实科技公司的工程师早已与医生并肩站在对抗癌症的一线，代码也成了「显微镜」与「手术刀」。

Google、微软、IBM等科技公司都在用超级计算机和机器算法，去挑战肺癌、乳腺癌、脑癌、皮肤癌……就在本周，Google发布了用AI预测肺癌方面的突破性成果。

这些科技企业开凿出了新路径，也曾陷入质疑的低谷。

Singlera Genomics CEO 张江立告诉硅星人，AI对癌细胞影像识别的辅助诊断已经是应用路径清晰的工具。但另一些AI的癌症应用仍旧面临成本高、处于技术初期、商用落地难的问题。

IBM的AI「肿瘤医生」曾与中国多家医院签约，但却因诊断失误陷入风波。科技公司也称攻克癌症为Moonshot（登月），虽然极其困难，但人类总曾迈出过那样一步。

AI预测恶性肿瘤

癌症常常一发现就是晚期，这正是其可怕之处。癌细胞因此也被称为最好的「伪装者」。80%的肺癌都没能在早期发现。而这一年时间，能够极大提高患者的存活率。

所以让癌细胞被及早检测出来，就是打败癌症的一个重要方面。

机器学习模型已经能够检测出乳腺癌和皮肤癌，Google AI实现了肺癌细胞检测的突破。

这项研究的技术领导Shravya Shetty撰文解释：尽管肺癌检查具有价值，但如今只有2%到4％符合条件的美国患者接受筛查。

Google在I/O大会上也解释了这项研究最大的突破之处：研究人员请医生检测肺癌患者确诊一年前的CT影像，多数医生看不出早期癌变迹象，但这个深度学习模型却识别出了早期恶性肿瘤的痕迹。

Shetty称模型「不仅可以进行整体肺癌恶性肿瘤预测，还可以识别肺部的细微恶性组织（肺结节）。该模型还可以结合先前扫描的信息，用于预测肺癌风险，因为可疑肺结节的生长速率能够用来预测恶性肿瘤。」

癌症筛查以影像为主，但低于5mm的病变细胞就很难被医生发现。医生需要经历多年的CT影像识别训练，才能更准确地辨别出死神镰刀投下的阴影。

Shetty解释说，放射科医生通常在一次CT扫描中，检查数百个二维图像或「切片」。Google的机器学习系统用巨大的单一三维图像观察肺部，3D检测早期肺癌的能力比人眼检测二维图像要敏感得多。

机器学习模型可以不知疲倦地处理信息，学习辨别像素中的癌细胞。程序使用中也可以不受精神与情绪因素的干扰，更好地识别出癌细胞和早期恶性肺结节。

Google把机器学习结果与6位放射科医生的诊断结果进行了比较。当使用单个CT扫描进行诊断时，Google模型与六位医生处于同等水平，甚至表现的更好。但与无辅助放射科医生相比，Google检测到癌症病例增加了5％，而假阳性误诊则减少了11％以上。

这意味着，思路直接的计算机更难被癌细胞欺骗。机器学习模型能够从单个像素中，更精确、更快速地辨认出肿瘤细胞。

研究显示，癌症筛查可以降低病患死于肺癌的风险。除了发现确定的癌症外，扫描还可以识别可能后来成为癌症的斑点，以便放射科医生将患者分类为风险组，并决定是否需要进行活检或更频繁的扫描检测，以跟踪可疑的癌变区域。

不过，机器学习模型不会取代医生，只是辅助工具。因为这项测试存在一些缺陷，目前无法百分之百地识别肿瘤，也有可能将良性斑点误认为恶性肿瘤，导致患者进行不必要的组织活检或手术。

用编程模拟癌变——终极AI抗癌路径？

微软曾提出过一个饱受争议的终极AI抗癌路径：对细胞进行编程治疗癌症，让细胞选择分裂或者死亡。但生物活动是一个更为复杂的过程，癌细胞的伪装、变化、转移、与外界作用，让电脑程序相比之下显得过于简单。

微软试图用生物模型分析仪（BMA）结合超级计算机，去模拟癌变产生的过程。

BMA是基于微软云的工具，允许生物学家模拟细胞如何相互作用和相互通信，以及它们之间的联系。微软称，BMA可以帮助早期发现癌症，并模拟某些癌症患者对不同药物的反应。

对于癌症而言，人类体内有数百万的分子协同工作、相互作用，蛋白质和基因中有如此多的变量。需要超级计算机才能构建那些复杂的模型，并计算出可能的解决方案。这不是人脑灵光一现就能参透的事物关联。

BMA计划让科学家们看到人体内数百万种基因和蛋白质之间的相互作用，特别是它们如何导致癌症。并迅速设计出最佳、最有效的方式，为该患者提供个性化治疗。

微软曾经与制药企业阿斯利康（AstraZeneca）合作，使用BMA来了解某些类型白血病患者的药物相互作用和耐药性。去解答为什么不同患者对某些治疗的反应不同。

微软高级研究员、剑桥大学副教授Jasmin Fisher负责这项研究。她的团队采用了微软的生物模型分析仪。该系统创建了一个计算机模型，将健康细胞的生物过程与疾病发作时发生的异常过程进行比较。

这解释了为什么靶向药也会产生耐药性。微软和阿斯利康的研究结果表明，白血病可能会发展为对PIM抑制剂等特定药物产生耐药性。于是他们通过这些方法确定了联合灭活的次要目标：AKT，这是一种基因，可以构建一种叫做激酶的蛋白质，它可以向细胞传递信号，从而启动细胞增殖等过程，导致癌细胞无尽分裂。

微软希望BMA最终可以让研究人员和肿瘤科医生详细查看一个人的癌症病例，并进行测试，考虑可能影响治疗的其他因素，例如患者是否患有其他疾病，或是否使用与癌症药物相互作用的其他药物。

微软提出了计算机科学研究癌症的两种方法论：一个原理是，癌症和其他生物过程是信息处理系统。因此，可以使用建模和推理计算过程的工具（例如编程语言，编译器和模型检查器），模拟和推理生物过程。这需要强大的算法，帮助科学家了解癌症的发展方式，找到哪些治疗方法最有效地对抗它们。

另一种方法更多针对数据。机器学习和自然语言处理工具以直观的方式对所有可用的研究数据进行分类，并使用这些复杂的分析工具来更好地理解和治疗癌症，帮助肿瘤学家为患者找出最有效、个性化的癌症治疗方法。这也是IBM「肿瘤医生」的工作原理。

微软的一个团队还在致力于终极的努力，有朝一日可以让科学家对细胞进行编程，以对抗包括癌症在内的疾病。

超级计算机抗击癌症

另一家科技企业IBM则曾因为用人工智能诊断肿瘤而遭遇到了一些批评。

在全球超级计算机的历史之中，IBM的「深蓝」与「沃森」都留下了名字。「沃森」的主要特点是人工智能应用，如今IBM对于治疗癌症的研究和应用，大多推动「沃森」商用化实现。

「沃森」的一个产品是「肿瘤医生」。其通过大量分析、学习癌症病患数据与科研突破，能够快速分析病患病情，提供治疗方案建议。

但「肿瘤医生」的全球推进却陷入了风波，尤其是IBM技术处于发展初期，商业宣传却夸大了效果。「肿瘤医生」的错误诊断和低效引发了一场又一场的抨击，导致IBM研究人员澄清它「不能取代医生」。

张江立表示，外国公司不能收集中国人群的医疗信息、基因数据。所以「深度学习」了美国病患和医生诊断的「肿瘤医生」进入中国后，也难免水土不服。

不止是在中国，丹麦和荷兰的研究人员表示，沃森「肿瘤医生」过于关注少数美国医生的偏好，难以在欧洲落地。此外，医生还需要花费大量的时间，「培训」这台机器。

但超级计算机的计算能力提供了对抗癌症的新思路。「沃森」的另一个商用产品Watson for Genomics用机器算法分析全基因组，可以提高肿瘤分析的准确性和质量。

大量癌症都由基因突变引起。通过基因检测找到突变的基因，使用靶向药阻断肿瘤细胞的生长、繁殖的信号传导通路，从而精准杀死癌细胞。

张江立表示，靶向药是目前治疗癌症的常有有效手段。但靶向药价格高昂，必须确认患者的基因变异和靶向药的针对性，才能避免治疗无效的问题。在病情发展过程中，病人的基因会继续变化，导致癌症复发、转移、耐药，能够对病人基因变化随时分析，的确可以使治疗更为有效。

Watsonfor Genomics的技术应用到了乳腺癌的研究上。研究发现：对肿瘤的细胞组成知之甚少，这可能使医生难以为个体乳腺癌患者提供他们所需的独特医疗。因此，非常需要破译癌细胞和免疫细胞的多样性，以及它们在患者乳腺肿瘤生态系统中的关系。

研究发现，每个肿瘤样本的细胞组成都是独特的，其中侵袭性更强的肿瘤与其他队列的差异最大。「这可能是为什么一刀切的癌症治疗方法并不总是有效的原因。」

研究认为，目前广泛使用的基因组测试，大多对患者基因的一小组进行靶向测试。该研究将此分析扩展到患者的整个基因组，以及其他基因组检测，如蛋白质组学（蛋白质研究），包括全基因组表达（即RNA或核糖核酸）。研究发现这确实鉴定出个体基因组的更多变体，这些变体可能被肿瘤学家用于治疗。

Watsonfor Genomics能够缩短准确的基因组数据解释时间，从160个专家人工小时缩短到短短10分钟。这项研究也可以扩展到其他癌症领域，了解其他复杂现象的基因组基础，如对治疗和免疫治疗的抵抗和反应。

但张江立表示，国内外主流都还是用靶向技术检测基因。「个人来说，不赞成不分场合使用全基因组测序，因为目前成本太高了，杀鸡用牛刀。」

不止是Google、微软、IBM，其他科技公司也在通过技术和资金资助，帮助人们面对癌症这一人类最为恐惧的疾病之一。

尽管人工智能抗癌目前处于早期，对于协助科研、癌症药物研发更为有用，距离临床诊断仍旧遥远，但拯救他人的愿望总会推动人类去尝试最渺茫的希望。

就如一个癌症幸存者写下的标题：我两次打败了癌症，但真正治愈我的是Facebook上的朋友。