人工智能辅助诊断方法进入肿瘤诊疗指南
利用人工智能技术辅助医学诊断，具有客观高效的特点，正在成为人工智能前沿应用的热点和精准医学未来发展的趋势。
我所中科院分子影像重点实验室在医学影像智能分析领域深耕多年，开展了从方法技术、软件系统到多中心临床应用的全链条工作。近期，由刘振宇、董迪、王坤和惠辉等领衔的微小肿瘤智能检测与分析预测系统研发2035创新团队的多项工作被写入中国临床肿瘤学会（ChineseSocietyofClinicalOncology，CSCO）诊疗指南，标志着团队工作开始获得临床肿瘤专家的广泛认可，人工智能辅助诊断方法正在成为全国所有肿瘤医师共同遵守的规范。
作为中国最权威的临床肿瘤专业学会，CSCO发布的肿瘤诊疗指南是对标美国国立综合癌症网络（NationalComprehensiveCancerNetwork，NCCN）肿瘤临床实践指南的权威行业指南，得到国内临床医师的充分认可。此次，自动化所人工智能辅助诊断方法分别进入《CSCO结直肠癌诊疗指南》与《CSCO胃癌诊疗指南》，是相关成果受到业界专家认可的体现，也是向规模化临床应用迈出的有力一步。
在肿瘤新辅助治疗效果评估的研究中，团队与国内多家知名三甲和肿瘤专科医院合作开展了多中心研究，提出了基于双重差分的多模态融合新辅助治疗反应预测方法与算法框架，将影像评估新辅助治疗反应的性能提升到接近病理金标准的水平。相关工作在Nature子刊NatureCommunications和临床肿瘤权威期刊ClinicalCancerResearch等发表了系列论文，获得了包括欧洲癌症科学院院士在内的国际临床肿瘤专家的“首创性（first）”评价。
从2019至2021年，团队关于肿瘤新辅助治疗效果评估的工作连续三年写入《CSCO结直肠癌诊疗指南》，特别是2021年的指南专门引用团队影像组学及影像病理组学预测直肠癌新辅助治疗病理学完全缓解的两篇论文，指出“影像组学综合临床、影像以及病理多种因素建立治疗效果评价模型可能是未来发展的方向”。
在胃癌腹膜转移辅助诊断的研究中，团队提出了融合预定义特征和深度学习特征的智能模型，大幅度提高了影像的诊断准确度，特别是对临床漏诊的腹膜转移患者的检出率达到85%以上，显著降低这些患者被误手术的风险。相关工作连续两次发表在临床肿瘤权威期刊AnnalsofOncology。
相关工作在2019、2020年连续两年写入《CSCO胃癌诊疗指南》，指南评价团队提出的方法“通过CT图像纹理分析技术辅助医生的主观评判，有潜力提高分期水平”。
此外，基于自主研发的MITK/3Dmed软件系统，团队也进一步开发了肿瘤智能辅助诊断软件。在中科院科技服务网络STS项目的支持下，团队将软件推广到北上广、陕西、江西等地的100余家三甲和基层医院开展临床试用，取得了良好的效果，获得了临床医生和患者的好评。
人工智能辅助诊断方法进入CSCO肿瘤诊疗指南，为其规模化临床应用奠定了坚实的基础。接下来，团队将继续秉持“源于临床、高于临床、回归临床”的理念，以问题和目标为导向，不断深化医工交叉合作研究，为推进我国人工智能在医疗行业的应用和构建“面向人民生命健康”的科技创新体系做出新贡献。
人工智能在肺癌诊断中的研究进展
杨宁1,2，金大成1,2，陈猛1,2，王兵1,2，贺晓阳1,2，张斯渊1,2，苟云久2
1.甘肃中医药大学（兰州 730000）
2.甘肃省人民医院胸外一科（兰州 730000）
通信作者：苟云久，Email：gouyunjiu@163.com
关键词： 肺癌；人工智能；深度学习；神经网络
引用本文：杨宁，金大成，陈猛，王兵，贺晓阳，张斯渊，苟云久.人工智能在肺癌诊断中的研究进展.中国胸心血管外科临床杂志,2020,27(12):1466-1471.doi:10.7507/1007-4848.202005014
摘要
肺癌的早期诊断和相应的治疗措施是降低死亡率至关重要的因素。人工智能作为新兴的科学技术飞速发展，与医疗领域相结合，为肺癌的早期诊断提供了新思路，并取得了显著的成效。人工智能极大地缓解了临床工作压力，改变了当前医疗模式，有望使医生作为一个决策者的身份工作。本文主要阐述人工智能在肺结节良恶性鉴定、病理分型、标志物测定、血浆循环肿瘤DNA检测等方面的研究进展。
正文
肺癌是目前发病率最高的癌症，也是癌症性死亡的主要病因，每年近180多万人因肺癌死亡。随着我国人口规模和人口老龄化的增加，肺癌的患病率将不断上升[1-2]。虽然各种各样新的肺癌诊治方式不断应用于临床，但是目前肺癌患者的生存结果仍不乐观。归根结底是肺癌的早期诊断率低，大多数患者确诊时已到达晚期（晚期5年生存率为18%），对肺癌早期有效诊断并给予相应的治疗措施，患者生存率可以提高20%[3-5]。医学影像组学和生物分子标志物诊断等技术进步有望解决目前肺癌诊断中面临的挑战，但同时也伴随着大量数据的产生，如何深度解读数据信息以及应对繁重的临床工作任务又是一大难题。近年来人工智能（artificialintelligence，AI）科学技术突飞猛进，广泛应用于物流、家居、交通、医疗卫生等行业，深刻改变着人类的生活。AI与医疗卫生行业的相互结合极大地克服了目前医学面临的难题，AI在肺癌的检测、诊断和治疗方面取得了突破性的进展[6]。本文旨在阐述AI在肺癌诊断中的应用现状和发展趋势。
1 人工智能应用现状和进展
1.1 人工智能鉴别肺结节的良恶性
肺部体检筛查经常发现许多不确定的实性结节、部分实性结节和纯磨玻璃密度结节，这些早期病变中只有一小部分最终被诊断为恶性。结节良恶性的确定是指导治疗的基础，可以有效防止恶性结节的进一步发展和减少良性结节的过度医疗[7]。临床医生通过使用CT、正电子发射计算机断层显像（PET-CT）、X线片和穿刺活检等方法诊断结节的良恶性。由于穿刺活检具有侵入性，可能会造成严重并发症，放射组学检查是最合适的肺结节辅助诊断方法。随着影像学成像技术的不断革新，更薄层的CT成像能提高肺结节的检出灵敏度，但同时生成的影像学切片图像数量会使得影像科医生的工作任务翻倍，增加漏诊、误诊以及降低工作效率。计算机辅助诊断系统（computer-aideddiagnosis，CAD）是一种可被用来检测肺结节并能区分良恶性的医学影像AI系统，具有不疲劳性和高效性。CAD系统是基于数据纹理提取、预处理、分割，结节检测和良恶性判断这几个基本步骤来实现肺结节的诊断[8]。
CAD系统在结节检测和定位方面具有一定的优势，但由于某些良恶性结节在形态上极为相似，不同的研究人员发现传统CAD对于肺结节的诊断率为38%～100%，肺结节良恶性的诊断仍是一个具有挑战性的难题[9]。概率神经网络（probabilisticneuralnetwork，PNN）能够将神经网络与统计相关理论结合，其在CAD系统中的应用极大改善了这一现况。有研究者[10]使用了一种改进的乌鸦搜索算法（crow-searchalgorithm，CSA）的PNN模型检测肺结节，改进后的混沌乌鸦算法（chaoticcrow-searchalgorithm，CCSA）通过提取CT图像中最优特征子集及改变子集长度并用于当前最流行的纹理特征分析工具灰度共生矩阵（gray-levelco-occurrencematrix，GLCM）分析，减少了GLCM分析特征的数量[11]。研究对比发现，使用包含所有分析特征的GLCM分析系统检测肺结节准确率为82.5%，而使用CCSA的GLCM特征分析系统检测准确率提高到了90%，通过提取显著的图像特征可以提高诊断率。在卷积神经网络（convolutionalneuralnetwork，CNN）对影像学图像分析方面取得的最新成果的基础上，Nasrullah等[12]对之前研究中使用过的深度学习肺结节检测模型进行了大量的修改，使用多种策略的深度学习模型对肺结节进行自动检测和分类，该系统分别使用两种深度三维（3D）自定义混合链接网络（customizedmixedlinknetwork，CMixNet）架构进行肺结节检测和分类，通过快速区域-卷积神经网络（regionconvolutionalneuralnetwork，R-CNN）进行检测，并通过U-Net编解码结构的CMixNet学习结节特征，结节的分类是通过梯度增强机（gradientboostingmachine，GBM）对从检测的3DCMixNet结构中学习到的特征进行的，并结合生理症状和临床生物标志物进行最终判定。此系统还可以通过无线身体区域网络（wirelessbodyareanetworks，WBAN）对患者进行持续监测，有助于诊断慢性疾病，特别是肺癌的转移情况。使用该系统在肺部图像数据库联盟和图像数据库资源计划（LungImageDatabaseConsortiumandImageDatabaseResourceInitiative，LIDC-IDRI）[13]中训练，敏感度和特异度分别为94%、91%。
X线片是基层医疗卫生单位应用最广泛的影像学检查，也是肺部疾病初筛的检查方式，但是传统的胸部X线片（CXR）对于早期肺结节检出率极低。研究[14]指出CAD应用于CXR辅助诊断肺结节检出，敏感度和特异度分别为62%、58%，特异度低的CAD会产生较多的假阳性肺结节。随后Cha等[15]设计了一种基于深度卷积神经网络（deepconvolutionalneuralnetworks，DCNNs）的深度学习模型，这种系统在ResNet-50和ResNet-101的深残留网络基础上，又插入了一个新的全卷积网络（FCN-16S）。在LIDC-IDRI数据库中和当地医疗机构选取了经手术确诊的1483张癌性肺结节X线片作为测试集，对比6名放射科医师和深度学习模型对于结节的检出率，结果显示人工检出的平均曲线下面积（AUC）为82%（75%～86%），深度学习模型的AUC为90%，具有较好的检测效能。
1.2 人工智能预测肺癌病理分型
实施精准化治疗的基础是正确区分肺癌的病理分型。当前治疗方案的选择，包括常规手术治疗、放化疗以及最新的靶向治疗和免疫治疗，均根据组织学分类选定[16]。临床上肺癌分为小细胞肺癌和非小细胞肺癌（non-smallcelllungcancer，NSCLC），NSCLC占肺癌绝大多数，也是肺癌死亡的主要病理类型，NSCLC主要包括肺鳞癌（lungsquamouscellcarcinoma，LUSC）和肺腺癌（lungadenocarcinoma，LUAD）[17]。活检是确定肺癌病理分期分型的金标准，同时也是一种有创操作，可能会造成严重的并发症。一项研究[18]探索基于CT图像特征分析的机器学习方法对NSCLC进行病理分型，运算过程中使用随机森林算法减少基尼杂质并选择最优图像特征分析肺癌的分型，结果显示该模型对LUAD和LUSC具有较高的分类精度，且LUAD的预测精度大于LUSC。研究发现氟代脱氧葡萄糖（18F-FDG）代谢在LUSC和LUAD之间具有差异性。Hyun等[19]根据PET-CT影像学特征设计开发机器学习预测模型鉴别LUSC和LUAD，该研究运用基尼系数从4个临床特征和40种图像特征中确定了9个最优特征子集。在396例患者中回顾性地评估了随机森林、神经网络、朴素贝叶斯方法、逻辑回归和支持向量机5种分类器的性能，当特征选择数量大小为15时，AUC分别为79%、85%、76%、86%和77%，并应用逻辑回归分类器获得性别、最大标准摄取值（SUVmax）、灰度长度不均匀性、灰度不均匀性和全病变糖降解为LUAD最佳预测因子。
若癌变发生在支气管时，常规的支气管镜活检是高效获取病理信息的方法，由于同一肿瘤内部不同区域存在异质性，镜检只能显示局部的病理信息，不能全面显示整块病变的情况[20]。传统的CAD可以通过白光支气管镜获得的图像进行黏膜和肿瘤分类，并取得了成功。Feng等[21]提出了一种用于鉴别肺癌类型的新型CAD系统，将白光支气管镜图像中的直观红-绿-蓝（RGB）转化为色调-饱和度-值（HSV），提取HSV每个彩色通道中的14个GLCM纹理特征对肿瘤分型进行定量分析，对纳入的22例LUSC和LUAD患者图像进行分析，准确率、灵敏度、特异度和AUC分别为86%、90%、83%和82%。
1.3 人工智能对肺癌标志物测定
除了利用影像组学检出肺部恶性病变外，肿瘤标志物在癌症检测中也有至关重要的作用。标志物检测的阳性结果能够提示肿瘤可能发生，可作为早期检测肺癌的指标之一。目前临床用来诊断肺癌的肿瘤标志物并不是很多，且大多数都不具有特异度。新的证据表明肺癌患者体内某些长链非编码RNA（longnon-codingRNA，lncRNA）是异常的，一些lncRNA可以促进或抑制癌症的进展，并且可以作为诊断标志物[22]。Wang等[23]将机器学习和加权基因共表达网络（weightedgeneco-expressionnetworkanalysis，WGCNA）、Lasso算法、随机森林算法、支持向量机等技术用于癌症基因组图谱（thecancergenomeatlas，TCGA）数据库1364个lncRNA中筛查LUAD最佳生物学标志物。TCGA数据库是国家癌症研究所和国家人类基因组研究所的一个联合项目[24]。最终LANCL1-AS1、MIR3945HG、LINC01270、RP5-1061H20.4、BLACAT1、LINC01703、CTD-2227E11.1和RP1-244F24.1被确定为LUAD标志物，MIR3945HG同时也是LUSC诊断价值最高的生物学标志物且与生存期密切相关[25]。
免疫组织化学（immunohistochemical，IHC）生物标志物已经越来越多应用于肿瘤诊断、转移、治疗规划和疗效评估等方面。Ki67（也称MKi-67）染色在肿瘤学中常被用来估计肿瘤的增殖指数，通过采取组织活检并进行IHC分析，将阳性和阴性作为诊断结果来判断肿瘤是否增殖[26]。有研究[27]表明，Ki67水平不仅是二元的，在一个细胞周期，Ki67在S、G2、M期增高，在G0、G1期降解，定量分析Ki67水平可推断细胞最后一次分裂的时间以及对细胞增殖进行分类。肺癌内部的异质性可能是晚期肺癌低生存率的主要原因，理论上可通过量化分析影像图像特征和灰度空间分布来动态监测Ki67表达引起全肿瘤内部生物行为学特征，从而避免活检的有创性和局限性[28-29]。最近一项研究[30]通过机器学习放射组学分类器来预测NSCLC中Ki67表达水平，该研究基于图像摄取、肿瘤分割、特征提取和建立分类器工作流程共纳入245例NSCLC患者进行分析。在纹理特征提取之前，使用灰度归一化尽量减少对比度和亮度变化的影响[31]，并用随机森林法选出最优特征子集，分别测试放射组学分类器、主观成像特征分类器和组合分类器性能，综合比较发现放射组学分类器性能优于其它两种分类器，其检测敏感度、特异度和AUC分别为73%、66%和78%。这是第一项利用CT影像资料无创预测Ki67表达水平的研究，同时也为肿瘤标志物的检测提供了更加快捷、安全、全面、准确的思路。
1.4 人工智能对早期肺癌血液检测
癌症液体活检作为一种新型非侵入性诊断手段，通过检测血浆中的循环肿瘤细胞（circulatingtumorcells，CTCs）和循环肿瘤DNA（circulatingtumorDNA，ctDNA）等获取患者体内肿瘤异常生长信息并用于肿瘤的诊断。ctDNA是游离DNA（cell-freeDNA，cfDNA）的一种，目前对cfDNA的起源和分子特征了解很少。Cristiano等[32]开发了一种可以评估整个基因组中cfDNA裂解方式的模型，发现健康个体和癌症患者在基因图谱发生不同的改变，分别为白细胞的核小体改变和片段性改变，并用此方法分析了包含6种癌症的236例患者和245名健康个体的cfDNA片段特征，这些分析结果为以后癌症的筛查检测提供了原理方法。
来自斯坦福大学的研究团队Chabon等[33]研发并前瞻性地验证了一种称为“血浆中肺癌可能性”（lung-CLIP）的机器学习模型用于早期NSCLC的筛查（表1）。研究发现克隆性造血细胞与肿瘤细胞均可以产生ctDNA，但两者在变异等位基因频率（VAF）、cfDNA片段碱基取代谱、分子片段长短和TP53基因突变方面存在不同。在确定了不同来源cfDNA片段的差异性特征后，将血浆分子靶向测序、单核苷酸变体（SNV）模型和深度测序（CAPP-Seq）的全基因组拷贝数分析与机器学习模型整合在一起设计出Lung-CLIP，并设计了更具有优点的被称为灵活的纠错双工适配器（“FLEXAdaptors”）用于该模型中，增加了Lung-CLIP的鲁棒性。该团队早期使用包含104例早期NSCLC患者和56例风险匹配对照患者对Lung-CLIP进行了训练，在80%特异度下，Ⅰ期NSCLC敏感度为63%，且Lung-CLIP可以根据临床不同的需要调整检测的特异度。随后又前瞻性地验证了独立机构招募的46例早期NSCLC患者和48例风险匹配对照患者中Lung-CLIP的表现，其结果与训练中的表现相似，这种验证方法降低了模型过度拟合的风险，从而避免较高的假阳性结果。这种筛查方式可能使美国肺癌患者被救治的生命数量从目前的每年约600例增加到接近预期的最大值约12000例。此外，研究结果发现ctDNA水平与早期NSCLC的预后密切相关，未来可以将治疗前的ctDNA测量结果纳入NSCLC分期，并启用结合治疗前和治疗后变量的实时风险模型，以个性化预测患者预后。
2 人工智能应用的不足与局限性
人民生活水平的逐步提高对医疗健康的需求与日俱增，加剧了医疗资源的紧缺，需要有新的技术解决这一挑战。随着神经网络、深度学习算法等关键技术的突破和应用，AI应用于医疗卫生行业的潜力不断被挖掘，在疾病的诊断与监测、疗效评价、生存预测、药物试验和健康管理等方面发挥重要作用，并得到了医学专家的认可[34-36]。目前虽有大量AI医疗产品问世，但是AI仍处于起步阶段，在肺癌的诊断中存在较多问题。首先是AI在医学上的应用正在超越法律的监管和限制。由于AI在医疗运用中的有效性和可靠性仍未被明确证明，现行的法律没有清晰规定AI应当承担的责任范围，AI在医疗服务中出现的失误需要医生来承担责任，但医生并不是这方面的专家，不能鉴定产品的好坏，再加上内部处理器存在“黑匣子”问题，使得AI责任评估更加困难[37]。当下急需建立AI责任归属相关的法律，从法律层面划分医生、患者与AI企业应当承担的责任，这样才能督促企业完善产品的性能并保护患者隐私。其次，目前所有诊断的AI技术都是基于回顾性研究分析来确定诊断效能，且样本量小，用来训练的数据库一般都是LIDC-IDRI等公开数据库，存在一定的取样偏倚。有报道发现在诊断皮肤癌方面胜过临床医生的AI技术产品主要接受了高加索人种患者的数据培训，当将相同类型的诊断算法应用于其他人种时，准确性会急剧下降，目前应当建立属于我们自己的高质量数据库，用来进行AI产品的训练。最后，绝大多数医疗AI产品均是检测单一病种，在实际应用环境中，患者可能患有多种肺部疾病，如何区分并且辨别病种是AI发展的另一挑战。AI技术检测小结节的准确度低，可以进一步提高AI技术检测的精度。AI技术同时应该投入临床中开展大规模的前瞻性队列研究，也需要培训临床医生与患者沟通有关AI在诊断和治疗中的作用，以进行有效的信息传递交流，并将AI使用过程中的缺点反馈给AI企业，在实践运用中发现问题并解决问题才能设计出更符合当前需求的产品。
3 小结与展望
综上所述，AI检测肺癌研究模型被广泛开发，这些模型将具有客观性、高效性、多角度性且可重复性的技术手段应用于肺癌诊断中，能很大程度缓解临床医生的工作压力，减少医生由于疲劳导致的误诊，可能会改变当前的医疗模式，有望使医生作为一个决策者的身份工作。AI技术已经越来越多应用于临床诊疗实践中，在2020年抗击新型冠状病毒疫情工作中，如AI天眼CT等影像学AI产品已应用于火神山、瑞金等多家医院进行新型冠状病毒肺炎的初步筛查，有效减少患者之间的接触，且诊断率可以达到90%以上。在未来的发展过程中，将放射图像、基因组学、病理学、电子健康记录等多个数据流聚集到强大的综合诊断系统中并结合5G可以是AI发展的一个方向，使得弱AI时代迈向真正的AI时代，并进一步缩小我国医疗资源发展的不均衡。
利益冲突：无。
作者贡献：杨宁负责论文设计、数据整理与分析、论文初稿撰写与修改；金大成、陈猛、王兵、贺晓阳、张斯渊负责论文审阅与修改；苟云久负责论文设计。
人工智能算法魅力:判断癌症患者能否从免疫治疗获益
来源：奇点网
免疫治疗在癌症统治的世界里不断攻城略地。
癌症患者看到了生的希望，但遗憾的是患者很难知道自己究竟是不是免疫治疗泽被的那些人。
目前的临床统计显示，PD-1抑制剂只能在20%-50%的晚期实体瘤病人中发挥作用[1]。受益的患者究竟是谁？目前找到这些患者的手段有限。
因此，找到一种可靠的生物标志来指导免疫治疗迫在眉睫！
近日，来自法国的EricDeutsch博士团队借助人工智能之力，给我们带来了新的希望。他们用癌症患者的CT图像训练人工智能，得到一个可以通过患者的CT影像准确预测PD-1抑制剂治疗效果的人工智能平台。
左一为EricDeutsch博士这个人工智能平台可以区分患者对免疫治疗响应的程度，那些被认为有效的患者的中位生存期（24.3个月），比预测无效患者的中位生存期（11.5个月），提高了一倍以上（延长了1年多），效果相当明显！这项成果发表在最新一期的《柳叶刀-肿瘤学》上[2]。
你可能会疑惑，免疫治疗不是分子层面的吗？而CT成像可是肉眼可见的宏观层面，这两者是如何结合在一起的呢？
这就是人工智能的魅力所在了，让奇点糕为你慢慢道来。
首先，我们来看看到底免疫治疗会对什么样的肿瘤起作用。
说起免疫治疗，我们都知道是借助我们自身的免疫系统攻击肿瘤。那肿瘤里面或者附近必须得有充足的免疫细胞，对吧。
之前有报道，免疫治疗的效果和肿瘤是否被免疫细胞浸润有关 [3，4，5，6]。如果肿瘤组织中有丰富的CD8细胞（又叫细胞毒性T细胞），而且肿瘤细胞还大量表达PD-L1等检查点标志物，还有大量的基因突变的话，这些肿瘤往往对免疫疗法有反应[7，8，9]。
所以啊，现在有一些方法，例如分析肿瘤组织的PD-L1表达水平，或者分析肿瘤组织的突变负荷。可以在一定程度上预测患者对免疫治疗的响应程度，但是目前的研究表明，仅靠这两个手段还不够啊。
而且这两个预测方法还有个比较明显的缺憾是，都需要做肿瘤组织活检。
Deutsch博士想到了CT成像。
现在高维医学成像已经能在宏观上把肿瘤看得明明白白。但是科学家的野心不止于此，他们希望能用这双火眼金睛，直接看到肿瘤组织的细胞和分子层面上去，彻底认清肿瘤的本质。
也就是说，Deutsch博士团队直接想从患者肿瘤组织的CT影像上看出肿瘤里面的免疫细胞水平，然后预测患者对免疫治疗响应的程度。
于是Deutsch博士就有了一个大胆的设想——在人工智能的帮助下，用医学成像去指导免疫治疗。
说干就干，科学家们很快就将这个想法付诸行动了。
他们选取了一个叫MOSCATO的队列[10]，这个队列的135名患者都患有晚期实体瘤，并且他们的CT图像以及肿瘤组织的转录组测序数据都有保存。其中，这些转录组测序数据可以用来计算肿瘤中CD8细胞的数量。
别看只有135个患者的数据影像和转录组数据，这些数据里面蕴藏的信息那真是海量，人力完全没办法分析。
所以，研究人员就一股脑将这些数据交给了机器学习平台，让机器自己去寻找规律。没有让研究人员失望，机器学习帮助他们找到了规律，开发出了一个可以预测肿瘤组织中免疫细胞数量的算法。
人工智能训练流程但这个算法是不是靠谱还需要进一步验证。
研究者们又用了一个叫TCGA队列[11，12]，包括119名患者，这些患者也都有CT图像和转录组测序数据。用算法计算这队列的CD8细胞数量，与对应转录组数据计算的数量一致，表明算法是可靠的。
不过，这只能说明这个算法从CT图像上读取的免疫细胞信息，能和肿瘤组织转录组反应的肿瘤细胞信息一致。
到底准不准，还得靠实践来检验。
于是，研究人员又找到了第三个队列。这个队列共有100名患者，这个队列的独特之处在于，所有患者的肿瘤组织都被准确的分型了。意思就是，这些患者肿瘤组织的免疫细胞情况是已知的。
1个队列训练算法，3个队列验证这100名患者的肿瘤组织被分成了3种类型：免疫浸润型，免疫排斥型，和免疫荒漠型[13]。免疫浸润型的肿瘤被免疫细胞大量渗透；免疫排斥型则会阻止T细胞浸润；而免疫荒漠型的肿瘤几乎没有T细胞浸润。
分析结果表明，通过算法给图像评分，评分预测的免疫表型可以很好地与已知结果对应上。这一关也过了。
既然能判断免疫表型，那这个表型能预测免疫治疗的效果吗？算法还要经历最终极的考验。
最后的检验队列包括137名患者，都接受过免疫治疗，治疗后经过了随访，随访的中位值是16.5个月[14，15]。
利用久经检验的人工智能平台对随访记录进行分析研究发现，在治疗的头三个月，评分高的患者（23%）对治疗有反应，而评分低的患者（77%）没有反应，不过差距并不显著。但是在第六个月，这个差距变得非常明显。
更重要的是，评分高的患者的中位生存期（24.3个月）明显高于评分低的患者（11.5个月），中位生存期提升1年以上，效果非常明显，终极考验通过！
患者经免疫治疗后的中位生存期至此，我们可以说，这个利用人工智能得到的影像信号，能出色地预测免疫治疗的效果！
当然，要真正走向实际应用，在这项回顾性试验的基础上，还需进行临床试验。事实上，这一天也不会等很久，到目前，已经有27个利用影像数据指导临床肿瘤治疗的试验已经登记（ClinicalTrials.gov）。
而且，这个项研究还存在一些局限性，比如肿瘤还存在更多的免疫亚型[16]，影像信号还需要做到更加精细的区分，以便于对免疫疗法做出更准确的指导。
尽管如此，我们仍对人工智能加持的影像组学充满期待。相比组织活检，CT扫描是无创的，对身体没有伤害，对于那些不适合或者不愿意做组织活检患者而言，这无疑是个更好的选择。此外，相对于测序，影像检查也更加廉价，也是一个不小的优势。
人工智能在疾病治疗中的应用越来越多，相信未来会有更多的疑难杂症会被克服。而现在，癌症免疫治疗检测的新时代要来临了！