麻省理工与校总医院开发出AI肺癌检测系统

肺癌是一种可怕的疾病。根据世界卫生组织的数据，肺癌已成全球最常见的致命病因之一，仅2020年就造成近221万例死亡。更重要的是，这种疾病具有进行性——在大多数病患身上，肺癌最初只引发轻微症状、不易引起警觉，但随后迅速演变成危及生命的重症。幸运的是，过去二十年间针对肺癌患者的诊疗方法有了巨大发展。但就目前来看，早期发现仍然是显著降低肺癌死亡率的唯一手段。

最近，麻省理工学院（MIT）与麻省总医院（MGH）宣布开发名为Sybil的深度学习模型，可利用单一CT扫描数据预测肺癌风险。相关研究已经于上击正式发表在《临床肿瘤学杂志》上，其中讨论了“以个性化潜在癌症风险评估工具服务高风险人群”的可能性。研究负责人假设“可以建立一套评估全体积LDCT（低剂量计算机断层扫描）数据的深度学习个体风险预测模型，无需额外的人口统计或临床数据即可提供可靠结论。”

该模型遵循的基本原理非常简单：“LDCT图像中包含的信息，可用于预测未来肺癌风险，且准确率高于现有可识别特征（例如肺结节）。”为此，开发人员试图“开发并验证一种深度学习算法，通过单一LDCT扫描预测未来6年内罹患肺癌的风险，并评估其潜在临床影响。”

总的来说，这项研究目前取得了阶段性成功：Sybil仅依靠单一LDCT数据，就能在一定程度上准确预测患者的肺癌风险。

毫无疑问，这项技术距离临床应用和实际推广还有很长的路要走。研究负责人自己也同意，仍需要大量工作来弄清如何在临床实践中应用这项技术——特别是如何为该技术积累起受众信心，让医生和患者愿意接受系统输出的结果。

但必须承认，该算法的出现极具象征意义，也成为改变诊疗游戏规则的一股潜在力量。
 

如此强大的诊断方法可谓超出以往的想象。一款工具单凭一次CT扫描就能预测长期疾病趋势，这样的能力有望解决众多现实问题，特别是实施早期治疗和降低患者死亡率。
也许会有人担心这类系统要抢医生们的饭碗，并强调还没有任何AI系统能在判断力和临床诊疗方面取代人类医生。没错，可这类系统并不是要取代医生，而是为医生提供高效且可靠的工作辅助。

像Sybil这样的系统可以作为推荐工具，将可能反映病情的特征标记给医生，再由医生根据自己的临床经验对建议做出取舍。这不仅有望提高接诊效率，也可作为辅助“查验”过程来提高诊断准确性。

当然，后续还有很多工作需要完善。科学家、开发人员和创新者们探索的脚步一刻不能止歇，他们不单要完善具体算法和系统本身，还要解决将这项技术引入实际临床后的种种细微问题。如果能找到一条安全、符合道德且行之有效的推行路线，那么这项技术在改善病患护理方面将迸发出巨大能量，最终颠覆我们所熟知的整个诊疗体系。