人工智能（AI）正迅速成為推動腫瘤學研究的關鍵力量，深度學習（DL）是一種人工智能范式，對癌癥腫瘤學的研究和臨床實踐產生了重大影響。DL模型已被訓練來分析不同類型的數(shù)據(jù)，包括顯微鏡圖像和放射學圖像、基因組數(shù)據(jù)、蛋白質結構和電子健康記錄，這些都是癌癥研究和腫瘤學實踐中常見的大規(guī)模數(shù)據(jù)。DL方法已被證明在解決特定的預定義問題方面非常有效，并顯示出超越人類圖像識別能力的卓越性能。目前，已有數(shù)百種經監(jiān)管機構批準的基于DL的醫(yī)療器械可以在美國和歐盟應用于臨床。

深度學習模型正在推進腫瘤學研究，但還需要人類參與來執(zhí)行復雜的多步驟工作流程。未來由大型語言模型授權的自主人工智能代理通過在生物醫(yī)學研究中實現(xiàn)多步推理的規(guī)劃、執(zhí)行和優(yōu)化，將進一步推動和改變人類腫瘤學的研究進程。

DL模型向多模態(tài)模型的轉變

目前的DL模型已經可以同時合并多種數(shù)據(jù)類型，例如，一個整合病理圖像和遺傳數(shù)據(jù)的模型來預測個人患癌的風險。這種模型可以通過利用跨數(shù)據(jù)模態(tài)的互補或協(xié)同信息來提高預測性能。然而，即使是這樣的DL模型，本質上仍然是單一目的的。這意味著它們被設計來解決一個特定的任務，例如預測癌癥患者的生存時間。在復雜的腫瘤學領域，這是一個關鍵的局限。

研究和臨床護理中的工作流程通常包含數(shù)千項任務——有些常見，有些罕見，但同樣重要。研究人員經常需要分析不同的數(shù)據(jù)類型，包括各種顯微圖像、基因組數(shù)據(jù)集和文本信息。同樣，臨床醫(yī)生和腫瘤學家必須解釋一系列疾病的許多數(shù)據(jù)模式，如健康記錄、組織病理學圖像、基因組測序和臨床圖像。為了利用人工智能模型來解決涉及多個任務的問題，研究人員必須建立適當?shù)牧鞒�，將多個步驟連接在一起，以預先指定和預先編程的方式解決不同的任務。而為每項任務探索、選擇和優(yōu)化單個軟件工具既費時又低效。因此，腫瘤學研究中的單任務DL具有內在的局限性。

目前，隨著多模態(tài)基礎模型的出現(xiàn)，DL領域正在發(fā)生范式轉變。這些基礎模型是使用自監(jiān)督學習技術在異構數(shù)據(jù)類型上訓練的，這與特定任務的訓練模型不同。在這種方法中，模型可以暴露于各種數(shù)據(jù)形態(tài)，如圖像和文本，而不受預定義任務的約束。這意味著我們不需要特定任務的人類數(shù)據(jù)注釋，但可以利用大量在研究和臨床實踐中無處不在的未標記知識。這使得該模型能夠學習不同類型信息的通用表示和模式，并通過適用于大量現(xiàn)成的任務而變得具有多用途屬性。

然而，腫瘤學研究中現(xiàn)有的多用途模型仍然受到迭代人類互動需求的限制——人類仍然需要探索、選擇并參與幾個模型，將它們組合到復雜的工作流程中。例如，為了找到潛在的腫瘤藥物靶點，研究人員可以使用AlphaFold4等程序分析基因組突變對蛋白質結構的影響；借助“檢索增強生成”在PubMed等出版物數(shù)據(jù)庫中搜索現(xiàn)有文獻；以及與癌癥基因組圖譜、人類細胞圖譜或SwissProt等綜合數(shù)據(jù)庫的交叉參考結果。通過使用AutoDock等開源工具，研究人員可以進行分子對接研究，以設計潛在的候選藥物。然而，對于開放式生物醫(yī)學問題，沒有標準的或預先指定的過程，每個問題都可能有不同的數(shù)據(jù)模式和不同的多步迭代分析路徑。為了解決給定的任務，人類科學家必須嘗試不同的工具和序列組合。因此，發(fā)現(xiàn)和推理的過程通常很難系統(tǒng)化和自動化。研究人員經常需要將不同的AI模型組裝到流程中，最終，我們仍然需要能夠管理幾乎每一步工作流程的人，并決定哪些工具適合給定的輸入數(shù)據(jù)，以及何時部署它們以實現(xiàn)最終目標。

多模態(tài)模型向AI自主代理模型的轉變

上述挑戰(zhàn)可以形式化為一個問題，由一個稱為自主代理的人工智能模型來解決和優(yōu)化。代理了解其任務的總體目標，識別所提供工具的特征和功能，如生物信息學工具、數(shù)據(jù)庫搜索或其他人工智能模型，并能夠選擇應該使用哪些工具、在什么時間使用哪些數(shù)據(jù)。因此，它能夠規(guī)劃一個工作流程，通過該流程執(zhí)行總體計劃。人工智能代理可以經歷“試錯”，記住它，從而在一個稱為自我反思的過程中接受訓練，迭代優(yōu)化計劃：當代理一步一步地執(zhí)行每項任務時，它通過工具獲得新知識，并可以改進其行為。初步證據(jù)表明，人工智能代理可以解決腫瘤學中的一些科學問題或醫(yī)學問題。

在十年前，人們不可能訓練出有用的多用途人工智能代理，但大型語言模型（LLM）出現(xiàn)正在改變這一領域。LLM通過利用大量文本進行操作，使其能夠對文本提示生成適當?shù)捻憫�。更改提示會更改LLM響應，并允許使用單個預訓練模型執(zhí)行多個任務。LLM可以擴展到多模態(tài)，并對其他模態(tài)進行文本描述。例如，將病理圖像數(shù)據(jù)與病理報告相結合會產生一個視覺語言模型，該模型既可以口頭描述也可以定量分析病理圖像。LLM通過允許人工智能代理將高級任務分解為幾個子目標，以類似于人類可能認為的思維鏈的方式逐步推理，這些功能提高了這種可能性，即配備LLM的自主代理，在人類研究人員的不同程度的監(jiān)督和迭代下，有朝一日可以參與整個藥物發(fā)現(xiàn)和開發(fā)過程。

多個AI代理也可以協(xié)同工作。這種多智能體系統(tǒng)為計算機協(xié)同解決問題提供了可能性。不同的代理，每個代理都有自己的特定重點或專業(yè)領域，可以參與計算對話，類似于人類研究團隊中的不同觀點。例如，一個代理可能被設計為批判性地評估提出的假設，而另一個代理則可能被訓練來探索不同數(shù)據(jù)點之間的潛在聯(lián)系。為了實現(xiàn)這些可能性，我們需要開發(fā)算法來有效地訓練代理。此外，我們需要精心策劃的基準數(shù)據(jù)集來評估代理在解決復雜問題時的性能。

AI在腫瘤學和臨床研究中的應用前景

總體而言，人工智能可能有助于腫瘤學研究和臨床實踐的各個領域。他們可能有助于解釋復雜的多模式患者數(shù)據(jù)，為治療計劃的討論提供信息，幫助綜合最近的研究結果以支持臨床決策，并通過分析潛在結果和患者隊列特征，為臨床試驗的設計和改進做出貢獻。隨著癌癥研究和腫瘤學中人工智能代理工作的進展，發(fā)布適用于這些工具的指導和規(guī)則將非常重要。對于研究人員來說，仔細嚴格地評估人工智能代理的實際性能和局限性至關重要。從技術角度來看，人工智能系統(tǒng)中更強的多模式基礎模型和代理能力可以協(xié)同幫助解決癌癥研究和腫瘤學中的真實應用案例。未來，可以期待人工智能將深度參與腫瘤學研究，加速新藥的研發(fā)，促進個性化醫(yī)療的實施，不斷推動腫瘤學研究領域的知識發(fā)現(xiàn)和創(chuàng)新。

參考文獻：

1.How AI agents will change cancerresearch and oncology. Nat Cancer.2024 Dec;5(12):1765-1767.

       原文標題 : 人工智能將如何改變現(xiàn)有腫瘤學研究