[论文解读] Artificial intelligence technology in oncology: a new technological paradigm

Mario Coccia|arXiv (Cornell University)|May 14, 2019

Radiomics and Machine Learning in Medical Imaging被引用 10

一句话总结

本文提出，人工智能（AI），特别是深度学习，正在通过医学影像技术，推动肺癌、乳腺癌和甲状腺癌的检测、表征和监测更加精准。研究识别出‘以死亡率为导向的人工智能技术路径’——即高癌症死亡率加速AI创新——表明癌症诊断领域正经历范式转变，经验证的AI工具有望提升病理科医生的工作效率和患者预后。

ABSTRACT

Artificial Intelligence (AI) technology is based on theory and development of computer systems able to perform tasks that normally require human intelligence. In this context, deep learning is a family of computational methods that allow an algorithm to program itself by learning from a large set of examples that demonstrate the desired behavior. Application of these methods to medical imaging can assist pathologists in the detection of cancer subtype, gene mutations and/or metastases for applying appropriate therapies. The purpose of this study is to show the emerging application of AI in medical imaging to detect lung and breast cancer. Moreover, this study shows the comparative evolutionary pathways of this emerging technology for three critical cancers: lung, breast and thyroid. A main finding of this study is the recognition that, since the late 1990, the sharp increase of technological trajectories of AI technology applied in cancer imaging seems to be driven by high rates of mortality of some types of cancer (e.g., lung and breast) in order to find new techniques for a more accurate detection, characterization and monitoring as well as to apply efficiently anticancer therapies that increase the progression-free survival of patients: the so-called mortality-driven AI technological trajectories. Results also suggest that this new technology can generate a technological paradigm shift for diagnostic assessment of any cancer type. However, application of these methods to medical imaging requires further assessment and validation to assist pathologists to increase the efficiency of their workflow in both routine tasks and critical cases of diagnostics.

研究动机与目标

• 探讨人工智能在肿瘤学中的新兴作用，特别是在癌症检测和诊断的医学影像方面。
• 分析人工智能在三种主要癌症（肺癌、乳腺癌和甲状腺癌）中的技术发展路径。
• 研究高癌症死亡率是否推动了肿瘤学中人工智能创新的加速。
• 评估人工智能在实现癌症诊断工作流程范式转变方面的潜力。

提出的方法

• 本研究利用自1990年代末以来的癌症死亡率和人工智能发展数据，分析肿瘤学中人工智能的技术发展路径。
• 采用比较性进化路径分析方法，追踪人工智能在肺癌、乳腺癌和甲状腺癌影像中应用的增长与影响。
• 研究采用深度学习方法，使算法能够通过学习大规模医学影像数据集实现自我编程。
• 通过影像数据中的模式识别，评估人工智能在检测癌症亚型、基因突变和转移灶方面的表现。
• 比较不同癌症类型中人工智能应用的技术进步速度，以识别以死亡率为导向的创新模式。
• 评估将人工智能整合到临床病理工作流程中，用于常规和复杂诊断任务的可行性与影响。

实验结果

研究问题

• RQ1 人工智能技术在肿瘤学中，特别是在癌症检测的医学影像方面，如何演变？
• RQ2 肺癌和乳腺癌等癌症的高死亡率在多大程度上推动了肿瘤学中人工智能的发展？
• RQ3 人工智能在肺癌、乳腺癌和甲状腺癌中的技术发展路径有何异同？
• RQ4 人工智能在肿瘤学中的应用能否引发癌症诊断评估的范式转变？
• RQ5 人工智能如何支持病理科医生在常规和复杂病例中提升诊断效率和准确性？

主要发现

• 自1990年代末以来，肿瘤学中的人工智能技术发展轨迹显著加快，尤其在肺癌和乳腺癌等高死亡率癌症中表现突出。
• 本研究识别出‘以死亡率为导向的人工智能技术路径’——即高癌症死亡率可加速人工智能在更精准检测和治疗方面的创新。
• 应用于医学影像的深度学习模型在高精度检测癌症亚型、基因突变和转移灶方面展现出强大潜力。
• 将人工智能整合到病理工作流程中，可显著提升诊断效率并支持临床决策。
• 与甲状腺癌相比，肺癌和乳腺癌的人工智能发展轨迹更为迅速，这与它们更高的死亡率相关。
• 研究结果表明，人工智能有潜力在所有癌症类型中引发癌症诊断技术的范式转变。