在這個(gè)由數(shù)據(jù)驅(qū)動(dòng)的時(shí)代，人工智能（AI）正以其前所未有的速度和精度，重塑著醫(yī)學(xué)的每一個(gè)角落。AI技術(shù)的應(yīng)用在提高癌癥診斷的準(zhǔn)確性上展現(xiàn)出巨大潛力，更在個(gè)性化治療方案的制定、治療效果的預(yù)測(cè)以及患者生存率的提高上，發(fā)揮著越來(lái)越關(guān)鍵的作用。當(dāng)AI與免疫細(xì)胞療法相結(jié)合時(shí)，又會(huì)帶來(lái)哪些變化？它是否能夠成為抗癌戰(zhàn)場(chǎng)上的“雙核驅(qū)動(dòng)”力量？讓我們?cè)诒疚闹幸惶骄烤梗?/span>哈佛通用癌癥評(píng)估AI模型：準(zhǔn)確率可達(dá)94%！哈佛醫(yī)學(xué)院的研究團(tuán)隊(duì)開(kāi)發(fā)了一種名為CHIEF（Clinical Histopathology Imaging Evaluation Foundation）的AI模型，它可用于癌癥的診斷、治療指導(dǎo)和患者生存預(yù)測(cè)等，在診斷方面還展現(xiàn)出了近94%的準(zhǔn)確率，其研究結(jié)果發(fā)表在《Nature》雜志上。這一模型通過(guò)分析病理圖像，不僅能夠檢測(cè)癌細(xì)胞，還能預(yù)測(cè)腫瘤的分子特征，為臨床醫(yī)生提供了一種強(qiáng)大的工具，以更精確地評(píng)估癌癥并制定治療計(jì)劃。CHIEF模型的訓(xùn)練過(guò)程涉及了1500萬(wàn)張未標(biāo)記的圖像，這些圖像被分成感興趣的部分，然后進(jìn)一步在60,000張組織的整張幻燈片圖像上進(jìn)行訓(xùn)練。這些圖像涵蓋了肺、乳腺、前列腺、結(jié)腸直腸、胃、食管、腎、腦、肝等19種不同的癌癥類(lèi)型。
在性能測(cè)試方面，CHIEF在包含11種癌癥類(lèi)型的15個(gè)數(shù)據(jù)集上，癌癥檢測(cè)的準(zhǔn)確率接近94%，顯著優(yōu)于當(dāng)前的AI方法?？傮w而言，CHIEF在癌細(xì)胞檢測(cè)、腫瘤起源識(shí)別、預(yù)測(cè)患者預(yù)后、以及識(shí)別與治療反應(yīng)相關(guān)的基因和DNA模式的存在等方面表現(xiàn)出色，比其他最先進(jìn)的人工智能方法高出36%。
AI在細(xì)胞治療領(lǐng)域的應(yīng)用正變得越來(lái)越多樣化和深入。以下是AI在細(xì)胞治療中的幾個(gè)關(guān)鍵應(yīng)用方向：目標(biāo)識(shí)別：AI和機(jī)器學(xué)習(xí)模型可以用于識(shí)別腫瘤特異性抗原，幫助開(kāi)發(fā)針對(duì)特定癌癥的細(xì)胞治療。例如，AI可以分析患者的基因組數(shù)據(jù)，識(shí)別與腫瘤相關(guān)的突變，從而優(yōu)化CAR-T細(xì)胞的設(shè)計(jì)。有效載荷設(shè)計(jì)優(yōu)化：AI技術(shù)能夠快速篩選和優(yōu)化有效載荷的設(shè)計(jì)，確保細(xì)胞治療的效果最大化。通過(guò)模擬和預(yù)測(cè)不同設(shè)計(jì)的效果，AI可以幫助研究人員選擇最佳的治療方案。通過(guò)人工智能輔助的生物標(biāo)志物預(yù)測(cè)療效和治療反應(yīng)轉(zhuǎn)化和臨床開(kāi)發(fā)：AI可以加速細(xì)胞治療從實(shí)驗(yàn)室到臨床的轉(zhuǎn)化過(guò)程。通過(guò)分析臨床前數(shù)據(jù)，AI能夠識(shí)別潛在的生物標(biāo)志物，幫助確定哪些患者可能對(duì)特定治療有反應(yīng)。端到端數(shù)字化：整個(gè)研發(fā)鏈的數(shù)字化可以增加價(jià)值，確保每個(gè)環(huán)節(jié)的高效和安全。例如通過(guò)鏈接來(lái)自臨床前研究的數(shù)據(jù)到試驗(yàn)、化學(xué)、制造和控制（CMC）讀數(shù)和制造批次記錄，允許從其初始階段開(kāi)始追蹤治療設(shè)計(jì)。自動(dòng)化和規(guī)?；a(chǎn)：利用AI自動(dòng)化細(xì)胞生產(chǎn)，將細(xì)胞療法變得大眾化。這種自動(dòng)化平臺(tái)需結(jié)合人工智能技術(shù)、機(jī)器學(xué)習(xí)、硬件、軟件以及激光技術(shù)等。「AI抗癌」讓腦瘤細(xì)胞轉(zhuǎn)為免疫細(xì)胞，生存幾率猛漲75%
對(duì)于腫瘤治療，AI技術(shù)的加成，有望加速腫瘤免疫細(xì)胞治療的研發(fā)與應(yīng)用。盡管免疫療法對(duì)其他癌癥有效，但由于血腦屏障 (BBB)，免疫細(xì)胞很難到達(dá)膠質(zhì)母細(xì)胞瘤，而且還可能導(dǎo)致腦損傷。《Cancer Immunology Research》截圖面對(duì)這一醫(yī)學(xué)難題，美國(guó)科學(xué)家團(tuán)隊(duì)利用AI技術(shù)來(lái)控制癌細(xì)胞的命運(yùn)，即將腦癌細(xì)胞轉(zhuǎn)化為免疫細(xì)胞。具體而言，可以利用人工智能來(lái)識(shí)別并重新編程膠質(zhì)母細(xì)胞瘤細(xì)胞的基因，將其轉(zhuǎn)變?yōu)闃?shù)突狀細(xì)胞 (DC)，從而有效地瞄準(zhǔn)并摧毀它們周?chē)陌┘?xì)胞。目前，這一創(chuàng)新技術(shù)在膠質(zhì)母細(xì)胞瘤小鼠模型中將生存機(jī)會(huì)提高了75%，相關(guān)研究結(jié)果已發(fā)表于《Cancer Immunology Research》上。治療6個(gè)月腫瘤完全消失！AI+TIL有望提高治療有效性！TIL（腫瘤浸潤(rùn)淋巴細(xì)胞）療法已在多種實(shí)體瘤（如惡性黑色素瘤、肺癌、乳腺癌等）中表現(xiàn)出較好的試驗(yàn)數(shù)據(jù)。美國(guó)一位晚期黑色素瘤患者T女士的TIL治療經(jīng)歷是TIL療法潛力的一個(gè)典型例證。治療前，她的癌癥已經(jīng)從鼻部轉(zhuǎn)移到肺部、腎臟和大腦。她在接受2018年4月接受了TIL療法，輸入細(xì)胞數(shù)超過(guò)70 億，并配合大劑量的IL-2治療。葡萄膜黑色素瘤腫瘤的腫瘤浸潤(rùn)淋巴細(xì)胞（左圖）在實(shí)驗(yàn)室中生長(zhǎng)約一周后，數(shù)量不斷增加并包圍了腫瘤。腫瘤浸潤(rùn)淋巴細(xì)胞在癌細(xì)胞周?chē)纬晒猸h(huán)（右圖中的深色斑點(diǎn)），從而摧毀腫瘤大約4天后，她的體力已經(jīng)恢復(fù)到可以在醫(yī)院大廳里走動(dòng)一圈的程度，此時(shí)她被告知可以出院了。6周后，T女士的復(fù)查結(jié)果顯示，肺部腫瘤已經(jīng)消失。6個(gè)月后檢查顯示，所有癌癥痕跡徹底從影像上消失了！近年來(lái)，隨著對(duì)TIL療法認(rèn)識(shí)的深入，科學(xué)界已經(jīng)開(kāi)始嘗試提高 TIL 細(xì)胞療法的有效性和可操作性的新方法，而AI技術(shù)的加入，將為其有效性、安全應(yīng)用帶來(lái)更多可能。來(lái)自中國(guó)的一個(gè)研究團(tuán)隊(duì)通過(guò)將AI技術(shù)融入細(xì)胞療法的開(kāi)發(fā)中，成功提高了TIL療法的有效性。通過(guò)AI算法篩選出TIL中的關(guān)鍵主成分，能夠更精準(zhǔn)地識(shí)別和擴(kuò)增對(duì)腫瘤具有最強(qiáng)攻擊力的T細(xì)胞，從而提高治療效果。AI在抗癌領(lǐng)域的應(yīng)用無(wú)疑為創(chuàng)新藥物和治療方法的研發(fā)帶來(lái)了巨大的潛力。它不僅增強(qiáng)了對(duì)癌癥生物學(xué)的理解和診斷的準(zhǔn)確性，還在個(gè)性化醫(yī)療和治療反應(yīng)預(yù)測(cè)方面展現(xiàn)了其獨(dú)特的價(jià)值。盡管AI的介入提供了強(qiáng)大的工具，但在實(shí)現(xiàn)其在臨床實(shí)踐中的廣泛應(yīng)用之前，仍需克服包括數(shù)據(jù)隱私、算法透明度、以及跨學(xué)科合作等一系列挑戰(zhàn)。AI與細(xì)胞治療的結(jié)合尤其令人興奮，它提供了全新的視角和先進(jìn)的技術(shù)手段。隨著技術(shù)的不斷進(jìn)步，有望將這一結(jié)合轉(zhuǎn)化為醫(yī)生在抗癌斗爭(zhēng)中的有力工具，共同推動(dòng)癌癥治療向更加精準(zhǔn)、高效和人性化的方向發(fā)展。
[1]Wang, X., Zhao, J., Marostica, E. et al. A pathology foundation model for cancer diagnosis and prognosis prediction. Nature (2024). https://doi.org/10.1038/s41586-024-07894-z[2]Liu T, Jin D, Le SB, et al. Machine Learning-Directed Conversion of Glioblastoma Cells to
