[论文解读] Patient-specific, mechanistic models of tumor growth incorporating artificial intelligence and big data

Guillermo Lorenzo, Syed Rakin Ahmed+6 more|arXiv (Cornell University)|Aug 28, 2023

Mathematical Biology Tumor GrowthMathematics被引用 3

一句话总结

本文提出了一种混合框架，将患者特异性机制性肿瘤生长模型与人工智能及大数据相结合，以实现个性化癌症治疗。通过将生物学驱动的数学模型与人工智能结合用于参数估计、代理建模和放射基因组学分析，该方法在提升预测准确性、可解释性和临床可操作性的同时，解决了偏差、可重复性以及多尺度数据整合等挑战。

ABSTRACT

Despite the remarkable advances in cancer diagnosis, treatment, and management that have occurred over the past decade, malignant tumors remain a major public health problem. Further progress in combating cancer may be enabled by personalizing the delivery of therapies according to the predicted response for each individual patient. The design of personalized therapies requires patient-specific information integrated into an appropriate mathematical model of tumor response. A fundamental barrier to realizing this paradigm is the current lack of a rigorous, yet practical, mathematical theory of tumor initiation, development, invasion, and response to therapy. In this review, we begin by providing an overview of different approaches to modeling tumor growth and treatment, including mechanistic as well as data-driven models based on ``big data" and artificial intelligence. Next, we present illustrative examples of mathematical models manifesting their utility and discussing the limitations of stand-alone mechanistic and data-driven models. We further discuss the potential of mechanistic models for not only predicting, but also optimizing response to therapy on a patient-specific basis. We then discuss current efforts and future possibilities to integrate mechanistic and data-driven models. We conclude by proposing five fundamental challenges that must be addressed to fully realize personalized care for cancer patients driven by computational models.

研究动机与目标

• 解决缺乏针对个体肿瘤对治疗反应进行建模的严格且实用的数学理论的问题。
• 克服纯数据驱动的人工智能模型的局限性（缺乏可解释性），以及纯机制模型的局限性（缺乏患者特异性校准）。
• 通过将多尺度临床数据（影像、基因组学）整合到预测模型中，实现患者特异性的治疗优化。
• 减少对治疗后评估的依赖，实现治疗前对个体患者预后的预测。
• 识别并解决临床转化中的根本性挑战，包括转移预测、模型偏差和一致性问题。

提出的方法

• 使用常微分方程和偏微分方程（ODEs/PDEs）的系统，基于已知的生物学机制，对肿瘤生长、血管生成和治疗反应进行建模。
• 采用人工智能技术——特别是深度学习——实现医学图像分割、放射基因组分类和从医学影像及组学数据中提取特征。
• 利用神经网络进行代理建模，加速计算成本高昂的机制模拟，实现不确定性量化和优化。
• 采用物理信息神经网络（PINNs）将生物学约束嵌入数据驱动模型，提升泛化能力和可解释性。
• 应用最优控制理论，设计兼顾疗效、毒性及患者特异性约束的个性化治疗方案。
• 开发数字孪生框架，通过实时数据同化与模型更新，模拟个体患者的疾病轨迹。

实验结果

研究问题

• RQ1 如何利用人工智能驱动的参数识别方法，将机制性肿瘤生长模型校准至个体患者数据？
• RQ2 纯数据驱动的人工智能模型在肿瘤学中的关键局限性是什么，特别是可解释性、偏差和泛化能力方面？
• RQ3 人工智能增强的机制模型在改善个体患者治疗反应和转移预测方面有哪些优势？
• RQ4 如何将多尺度数据（影像、基因组学、临床）一致地整合到单一预测建模框架中？
• RQ5 哪些策略可确保人工智能辅助预测在临床决策背景下的可重复性和可靠性？

主要发现

• 机制模型可提供可解释、基于生物学的肿瘤反应预测，其参数与可测量的生理过程相关联。
• 人工智能模型显著提升了肿瘤分割、放射基因组分类和预后预测的准确性，但存在可解释性差和偏差风险。
• 采用深度学习的代理建模将计算成本降低数个数量级，实现高通量模拟和不确定性量化。
• 在多样化、异质性数据集上训练时，混合人工智能-机制模型可提升预测一致性并减少偏差，尤其在整合患者特异性数据时效果更显著。
• 基于机制模型和实时数据同化的数字孪生系统，可实现动态、个性化的治疗规划与监测。
• 仍存在五个根本性挑战：转移预测、确保模型可靠性与可重复性、临床应用的实用性、多尺度数据整合，以及人工智能组件中的偏差缓解。