Developing Multimodal Artificial Intelligence-Based Tool for Enhancing Clinical Decision- Making in Personalised Prostate Cancer Treatment
这项回顾性研究开发并评估了一种集成人口统计学、临床、基因组学和影像数据的多模态人工智能临床决策支持系统，旨在增强文莱前列腺癌个性化治疗的预测，并证明尽管存在样本量较小的局限性，但采用后期融合的混合 LSTM–Random Forest 架构实现了稳健的性能（AUC 0.964）。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在试图解开一个巨大且复杂的拼图，但拼图的碎片不是图片，而是各种不同的线索：患者的年龄、家族史、随时间变化的系列血液检测结果，甚至还有他们的身体3D扫描图像。这就是精准肿瘤学的世界——这是一个试图不再对每位患者都采用完全相同治疗方案的医学领域。与其采用“一刀切”的方法，医生们希望根据站在他们面前的那个特定的人来量身定制治疗方案。为了实现这一目标，他们使用了人工智能（AI），这基本上是一个超级聪明的计算机程序，能够从海量数据中发现人类肉眼可能会忽略的模式。当人工智能只观察一种类型的线索（比如仅看血液检测）时，这被称为“单模态”；但当它同时观察所有事物——血液、扫描图像、病史以及时间——时，它就被称为多模态。研究人员提出的核心问题是：我们能否构建一个计算机工具，充当医生的得力助手，将所有这些不同的线索结合起来，为前列腺癌（一种影响许多男性的常见疾病）患者提供最佳的治疗建议？
这正是来自文莱达鲁萨兰国和爱尔兰的一个研究小组致力于完成的任务。他们构建了一种新型的数字助手，即临床决策支持系统（AI-CDSS），专门为前列腺癌患者设计。把它想象成一个“超级侦探”，它不仅观察患者健康状况的一个静态瞬间，还会观察其健康故事随时间展开的过程。研究人员收集了2018年至2024年间接受治疗的212名患者的数据。他们不仅仅观察静态的事实；他们还向AI输入了每位患者旅程的“电影”，包括血液指标（如PSA水平）在数月内如何起伏波动，以及伴随而来的基因图谱和3D身体扫描（具体为PSMA PET/CT扫描）。
团队尝试了多种不同的方式来教导这个AI。首先，他们让计算机在没有被告知答案的情况下，尝试自行寻找患者的自然分组（无监督学习），但这些分组显得有些混乱，主要是因为患者数量不足以形成清晰的模式。于是，他们转向了带着标准答案进行教学的方式（监督学习）。他们构建了一个特殊的混合模型，它像一个由两部分组成的协作团队：一部分是长短期记忆（LSTM）网络，它擅长记忆序列和故事（例如追踪患者的血液检测在一年内是如何变化的）；另一部分是随机森林，它非常擅长根据许多不同规则做出复杂的决策。
当他们测试这个“阅读故事”的AI时，它表现得相当不错。它预测患者接受何种治疗的整体准确率得分（AUC）达到了0.75。它在拒绝不合适的治疗方面做得很好（特异度为83%），但有时会漏掉“是”的情况（敏感度仅为32%）。研究人员还使用了一个名为SHAP的工具来窥探AI的大脑内部，结果显示，计算机将注意力集中在诸如PSA水平的变化、血红蛋白和磷酸盐等方面，就像真正的医生那样。
但真正的奇迹发生在他们将“故事型”AI与“图像型”AI结合在一起的时候。他们提取了处理文本/血液数据的最佳模型和处理3D扫描图像的最佳模型，并使用一种称为**后期融合（late-stage fusion）**的技术将它们粘合在一起。想象一下两位专家：一位是精通阅读医疗图表的专家，另一位是精通阅读X光片的专家。他们并没有让两人争论，而是将各自的最终判断放入一个“元决策者”（堆叠模型）中，由后者来决定结合意见的最佳方式。这种团队协作取得了巨大的成功。组合后的模型跃升至令人印象深刻的 0.971 AUC，远超单独工作的任何一位专家。
然而，研究人员谨慎地表示，这并不是一个最终成品。他们承认，由于这212名患者的样本量相对较小，结果看起来可能有些好得令人难以置信，而且该模型在捕捉每一个需要特定治疗的患者方面仍存在困难（即那较低的敏感度）。他们建议，虽然这个工具是一个强大的“侧翼助手”，可以帮助医生做出更个性化的选择，但它目前还没有准备好取代医生的判断。该研究得出结论，通过将基于时间的数据与图像相结合，我们正朝着前列腺癌治疗真正实现“量身定制”的未来迈进，但在这个数字侦探能够走向世界之前，还需要更大规模人群的更多测试。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。