人工智能诊治癌症的进程(1)
尽管人们对人工智能有多种定义，但都认同一个要素，让机器胜任一些通常需要人类智能才能完成的复杂工作。人类的许多活动，如演算数学题、猜谜语、讨论、编制计划和编写计算机程序，甚至驾驶汽车、骑自行车和诊治疾病等，都需要智能。如果机器能够执行这种任务，就可以认为机器已具有某种性质的人工智能。
人工智能诊治癌症的机理
利用人工智能诊治疾病是人类一个雄心勃勃的计划，而且，这一计划早就有一些初步结果，例如2007年，美国国际商业机器公司(IBM)就推出了人工智能软件——沃森医生(Watson)。现在，人们特别希望利用人工智能去征服某些严重危害人们生命和健康的疾病，如癌症，而且也已经进入实践，并且有不小的收获。
要让人工智能诊治癌症，第一步需要人工智能有像人一样的感知，即知道周围的环境，尤其是生物体和人的机体环境，什么是正常的机体，什么是异常的机体，甚至是癌变的机体，尤其是只具有微小变化的机体，例如，只有几个发生癌变细胞的乳腺或肺。
第二步是，人工智能不仅要感知正常和异常机体的不同，还要理解为何有这样的不同，是癌变引起的不同，还是其他疾病引起的不同。最后第三步才是判断和决策，即得出结论，在感知和正确理解的基础上，向医生提供对某个个体检测的结果，是患癌还是没有患癌，抑或是患了其他疾病。
要让人工智能感知和理解人体环境和器官，就要让其学习，包括利用大数据的机器学习(算法)和深度学习，这两者有时是相互结合的，同时也是相互渗透的。大数据学习和处理是人工智能的强项，可以达到比人类能力强几百倍几千倍的快速数据运算、分析和理解。而在癌症诊治的深度学习上，更需要人工智能像人一样进行学习，例如对通过物理和化学方式拍摄的人体各种部位，以及深浅度不同组织的图像要有正确的感知和理解，如对X线图像、磁共振成像和CT扫描图像的感知、解读，并得出结论，即诊断。
但是，人工智能的癌症诊治深度学习并不仅限于对癌症和正常组织图像的解读，而是包括更多的深度学习的内容，例如，对癌症标记物和特异分子的识别。
癌症诊治的人工智能学习内容
2016年1月，美国总统奥巴马宣布了“癌症登月计划”，由副总统拜登全面负责。“癌症登月计划”的其中一个项目就是让人工智能进行机器学习(算法)和深度学习，以识别癌症。为此，美国能源部与美国国家卫生研究院下属的国家癌症研究所合作，提出了“高级癌症计算解决方案的联合设计任务”，这个项目就是致力于解决三个基于计算机学习的人工智能抗癌难题。
首先是从认识癌症的分子层面学习，要让人工智能了解RAS/Raf通路的蛋白质相互作用。RAS基因在20世纪60年代被发现是致癌基因，存在于30%的癌症患者中。1982年，美国科学家温伯格等人从膀胱癌细胞中克隆得到第一个人类癌基因，由于它和之前发现的鼠肉瘤病毒基因C-RAS高度同源，因此被命名为RAS基因。RAS基因编码产生的蛋白定位于细胞膜内侧，为GTP/GDP结合蛋白(GDP为鸟嘌呤二核苷酸磷酸，GTP是鸟嘌呤三核苷酸磷酸)，通过GTP与GDP的相互转化来调节信号通路的传递。由于RAS蛋白的相对分子量是21千道尔顿(kDa)，故又被称为p21蛋白。
之后，人们又发现了RAS蛋白的直接效应因子Raf-1蛋白激酶。Raf-1激酶对细胞增殖、细胞分化、细胞凋亡和细胞周期停滞有重要作用，利用这些作用可以知道癌症的发生、发展，以及找到治疗癌症的药物和方法。
“癌症登月计划”让人工智能进行的第二个学习任务是，进行临床前的药物筛查。这是一种研发癌症药物的预测模型，在临床试验前进行最大化的药物筛选，为癌症病人提供精准医疗方案。具体而言是对临床前和临床试验时的癌症数据进行筛选，结合小鼠模型中的新数据，通过反馈循环让实验模型指导计算模型的设计，建立肿瘤药物反应的预测模型。其实，这也是基于特殊数据和大数据的学习和分析。
“癌症登月计划”让人工智能进行的第三个学习任务是，学习和建立人口模型。这就要求人工智能根据不同人群的生活方式、生活环境、所患癌症的种类、不同的医疗体系等，从数百万癌症病人的病历数据中自动分析，从而获取最佳治疗策略。当然，海量病人的数据来自美国国家卫生研究院、美国食品和药物管理局、制藥公司和第三方付款机构。
可以看到，美国的“癌症登月计划”中的人工智能学习并不包含肿瘤图像的识别，所以人工智能诊治癌症的学习在不同的国家有不同的内容。
人工智能帮助诊治癌症
人工智能对癌症的识别和诊断首先体现于对癌症数据的解读上，其中最重要的是对癌症基因和基因组的识别和解读。
机器学习(算法)是人工智能的一个基本内容，其中，数据的输入、输出、赋值等运算可以让人工智能对某一问题进行计算分析，从而得出初步结果。对癌症的诊断和治疗也可以利用这一点。加拿大西方大学的罗根等人研发了一套算法，通过对基因数据的分析得出最可能的有效治疗癌症的方案，并且让该治疗方案变得更加个性化。
研究人员使用了一套含有40个基因的数据，这些基因可以在90%的乳腺癌中找到。在接受试验的近350名癌症病人当中，至少都会接受紫杉醇或吉西他滨一种化疗药物治疗。之后，研究人员让人工智能对数据展开处理并找出药物与病人基因之间存在的关系。结果显示，同时接受两种药物的治疗有效率为84%，只接受紫杉醇的治疗有效率为82%，只接受吉西他滨的治疗有效率则在62%～71%之间。
这就为医生提供了选择更好或最佳治疗方案的决策基础，例如，在上述方案中，医生选择对病人同时使用紫杉醇和吉西他滨，可以达到最高的84%的治疗有效率。
2016年，日本研究人员称，他们开发的人工智能软件能够准确诊断出女性患者所患的罕见类型的白血病，而且，这种软件对肿瘤大数据的提取和分析是其优势之一，它仅需要花费10分钟时间就能够对临床肿瘤研究所提供的来自2000万名女性的遗传信息进行对比分析，从而做出诊断。 (冬雪)
人工智能诊治癌症的机理
利用人工智能诊治疾病是人类一个雄心勃勃的计划，而且，这一计划早就有一些初步结果，例如2007年，美国国际商业机器公司(IBM)就推出了人工智能软件——沃森医生(Watson)。现在，人们特别希望利用人工智能去征服某些严重危害人们生命和健康的疾病，如癌症，而且也已经进入实践，并且有不小的收获。
要让人工智能诊治癌症，第一步需要人工智能有像人一样的感知，即知道周围的环境，尤其是生物体和人的机体环境，什么是正常的机体，什么是异常的机体，甚至是癌变的机体，尤其是只具有微小变化的机体，例如，只有几个发生癌变细胞的乳腺或肺。
第二步是，人工智能不仅要感知正常和异常机体的不同，还要理解为何有这样的不同，是癌变引起的不同，还是其他疾病引起的不同。最后第三步才是判断和决策，即得出结论，在感知和正确理解的基础上，向医生提供对某个个体检测的结果，是患癌还是没有患癌，抑或是患了其他疾病。
要让人工智能感知和理解人体环境和器官，就要让其学习，包括利用大数据的机器学习(算法)和深度学习，这两者有时是相互结合的，同时也是相互渗透的。大数据学习和处理是人工智能的强项，可以达到比人类能力强几百倍几千倍的快速数据运算、分析和理解。而在癌症诊治的深度学习上，更需要人工智能像人一样进行学习，例如对通过物理和化学方式拍摄的人体各种部位，以及深浅度不同组织的图像要有正确的感知和理解，如对X线图像、磁共振成像和CT扫描图像的感知、解读，并得出结论，即诊断。
但是，人工智能的癌症诊治深度学习并不仅限于对癌症和正常组织图像的解读，而是包括更多的深度学习的内容，例如，对癌症标记物和特异分子的识别。
癌症诊治的人工智能学习内容
2016年1月，美国总统奥巴马宣布了“癌症登月计划”，由副总统拜登全面负责。“癌症登月计划”的其中一个项目就是让人工智能进行机器学习(算法)和深度学习，以识别癌症。为此，美国能源部与美国国家卫生研究院下属的国家癌症研究所合作，提出了“高级癌症计算解决方案的联合设计任务”，这个项目就是致力于解决三个基于计算机学习的人工智能抗癌难题。
首先是从认识癌症的分子层面学习，要让人工智能了解RAS/Raf通路的蛋白质相互作用。RAS基因在20世纪60年代被发现是致癌基因，存在于30%的癌症患者中。1982年，美国科学家温伯格等人从膀胱癌细胞中克隆得到第一个人类癌基因，由于它和之前发现的鼠肉瘤病毒基因C-RAS高度同源，因此被命名为RAS基因。RAS基因编码产生的蛋白定位于细胞膜内侧，为GTP/GDP结合蛋白(GDP为鸟嘌呤二核苷酸磷酸，GTP是鸟嘌呤三核苷酸磷酸)，通过GTP与GDP的相互转化来调节信号通路的传递。由于RAS蛋白的相对分子量是21千道尔顿(kDa)，故又被称为p21蛋白。
之后，人们又发现了RAS蛋白的直接效应因子Raf-1蛋白激酶。Raf-1激酶对细胞增殖、细胞分化、细胞凋亡和细胞周期停滞有重要作用，利用这些作用可以知道癌症的发生、发展，以及找到治疗癌症的药物和方法。
“癌症登月计划”让人工智能进行的第二个学习任务是，进行临床前的药物筛查。这是一种研发癌症药物的预测模型，在临床试验前进行最大化的药物筛选，为癌症病人提供精准医疗方案。具体而言是对临床前和临床试验时的癌症数据进行筛选，结合小鼠模型中的新数据，通过反馈循环让实验模型指导计算模型的设计，建立肿瘤药物反应的预测模型。其实，这也是基于特殊数据和大数据的学习和分析。
“癌症登月计划”让人工智能进行的第三个学习任务是，学习和建立人口模型。这就要求人工智能根据不同人群的生活方式、生活环境、所患癌症的种类、不同的医疗体系等，从数百万癌症病人的病历数据中自动分析，从而获取最佳治疗策略。当然，海量病人的数据来自美国国家卫生研究院、美国食品和药物管理局、制藥公司和第三方付款机构。
可以看到，美国的“癌症登月计划”中的人工智能学习并不包含肿瘤图像的识别，所以人工智能诊治癌症的学习在不同的国家有不同的内容。
人工智能帮助诊治癌症
人工智能对癌症的识别和诊断首先体现于对癌症数据的解读上，其中最重要的是对癌症基因和基因组的识别和解读。
机器学习(算法)是人工智能的一个基本内容，其中，数据的输入、输出、赋值等运算可以让人工智能对某一问题进行计算分析，从而得出初步结果。对癌症的诊断和治疗也可以利用这一点。加拿大西方大学的罗根等人研发了一套算法，通过对基因数据的分析得出最可能的有效治疗癌症的方案，并且让该治疗方案变得更加个性化。
研究人员使用了一套含有40个基因的数据，这些基因可以在90%的乳腺癌中找到。在接受试验的近350名癌症病人当中，至少都会接受紫杉醇或吉西他滨一种化疗药物治疗。之后，研究人员让人工智能对数据展开处理并找出药物与病人基因之间存在的关系。结果显示，同时接受两种药物的治疗有效率为84%，只接受紫杉醇的治疗有效率为82%，只接受吉西他滨的治疗有效率则在62%～71%之间。
这就为医生提供了选择更好或最佳治疗方案的决策基础，例如，在上述方案中，医生选择对病人同时使用紫杉醇和吉西他滨，可以达到最高的84%的治疗有效率。
2016年，日本研究人员称，他们开发的人工智能软件能够准确诊断出女性患者所患的罕见类型的白血病，而且，这种软件对肿瘤大数据的提取和分析是其优势之一，它仅需要花费10分钟时间就能够对临床肿瘤研究所提供的来自2000万名女性的遗传信息进行对比分析，从而做出诊断。 (冬雪)