人工智慧（Artificial intelligence；AI）是全球不断增长的趋势。许多高科技行业正在采用人工智慧，旨在使整个行业受益，无论是时间、金钱还是准确性方面得到好处。人工智慧正在成为化学和制药科学不可或缺的一部分。一方面，人工神经网路为公司提供设计和合成新药的方法；另一方面，机器学习（Machine Learning；ML）演算法提供了一种以更高的准确度检测患者体内癌细胞的方法。我们在此讨论的是後者。

现代癌症检测方法

多年来，科学家们使用了多种方法来测试和观察癌症，但显微镜和其他成像技术是一些关键方法。科学家在显微镜下观察并在没有任何电脑帮助的情况下得出结论的日子，已经一去不复返了。

近年来，许多电脑软体程序使科学家能够观察成像样本（包括细胞）的形状、大小和形态。然而，其中许多程序仍然需要人工输入来描述感兴趣点（在本例示中为癌细胞）的起始位置和停止位置。这些成像方法专为一系列分析设备而设计，从简单的实验室台式显微镜到MRI扫描仪。

因此，尽管存在有效的癌症诊断方法（这就是为什麽人类作为一个整体能够更好地识别和理解这种疾病），但大多数方法仍然容易出现人为错误，即使很小的错误也可能导致误诊。机器学习在过去几年中出现，成为解决此问题的潜在解决方案。迄今为止的结果显示机器学习能够分析成像样本并高精准度地查明癌细胞的存在。

有几种化学感测器可以检测患者是否患有癌症。虽然临床医师可以检查患者血液中的特定生物标志物，但生物样本的本质很复杂，对人体生物体液的分析有时会产生容易出错的结果。因此，临床医师可以将机器学习演算法与早期预警化学测试结合，消除测试的「噪音」并分析感兴趣的数据点，以确定患者是否患有癌症。

癌细胞特徵

图一 : 癌细胞表现出某些与健康细胞不同的特徵，包含患有癌症时血液中存在的特定生物标志物。（source：Khalifa University）

癌细胞表现出某些与健康细胞不同的特徵，这些特徵通常是确定患者是否患有癌症的一种方法，同时还有患者患有癌症时血液中存在的特定生物标志物。特别是从成像的角度来看，健康细胞和癌细胞的物理特徵是从物理上观察患者是否患有癌症的更简单的方法。

例如，相同类型的正常健康细胞往往具有相同的形状和大小（本质上通常是球形／椭圆形，除非它们是特化细胞），而癌细胞往往具有非常不同（即更随机）的形状和大小，它可以在更健康的细胞周围突出。此外，在健康的细胞系统中，细胞的分裂往往受到控制，并且细胞的排列是有组织的。而癌细胞的分裂速度要快得多，并且往往非常混乱。

癌细胞的另一个特徵是它们往往具有大的、形状可变的细胞核，而健康细胞只有小的、形状规则的细胞核。此外，癌细胞内往往会丧失一些特徵，这就是它们危险的原因，因为这些特徵的丧失是癌细胞无法像健康细胞一样执行特定功能的原因。只要软体有足够的数据，健康细胞和癌细胞的所有这些差异和特徵都可以通过机器学习演算法来使用、分析和比较。

将机器学习应用於癌症成像

机器学习演算法提供了一种更好地分析癌细胞并确定患者体内是否存在癌细胞的方法。机器学习演算法的工作原理是获取历史数据并将其与当前分析的数据进行匹配。将历史数据与新数据进行比较的能力使算法能够检测系统是否正常（在本例中为健康细胞）或是否存在异常（即癌细胞）。

为此，机器学习演算法需要输入之前研究的数据，其中包括癌细胞和健康细胞的不同大小、形状和表面形态。通过这样做，演算法可以快速、轻松地识别图像中哪些细胞是健康的，哪些细胞可能癌变。通过提供准确的统计方法来分析细胞，这些演算法可以在确定细胞是否确实癌变，或者是否需要进行进一步测试，来确认一个人是否患有癌症时减少人为错误。

早期定点照护设备

然而机器学习不仅仅是可以帮助癌症诊断的成像方法。近年来，已经建造了许多早期定点照护设备，可以更早地检测患者是否患有癌症。许多这些设备都是基於微流体系统，其内部涂有特定的表面受体／功能化，这些受体将附着在任何癌细胞上。因此，受体确实需要针对目标癌症，但这些系统本质上充当一系列照护点奈米感测器，可以提供早期定点信号，使临床医师能够及早、更早地治疗疾病。转个弯，增加生存机会。

那麽，机器学习从何而来？可以从这些平台收集相当多的资料（以及一般的化学测试）。试图发现不同资料库之间的趋势以提供准确的诊断并不是最简单的任务，因为这些范围涉及从细胞的大小和形态到基因表达以及细胞群内生长／分裂的程度。

定点照护设备可以与成像方法互相结合，从化学角度分析资料，并在分析的同时对样本进行成像。因此，通过将图像分割成切片，同时使用机器学习演算法，可以实现上述原理关於破译健康细胞和癌细胞之间差异的研究也可以应用於一些即时照护设备。因此，未来有可能结合化学和影像诊断方法来建立可以提供定量和定性分析的平台。

机器学习是癌症诊断的未来吗？

图二 : 机器学习在癌症诊断的未来具有广阔的前景，而设定范围很重要。（source：Analytics Insight）

机器学习是癌症诊断的未来吗？这是一个开放式问题，现阶段也有一个开放式答案。人们对机器学习和其他AI演算法产生了极大的兴趣，其中涉及医疗和制药领域。机器学习在癌症诊断的未来具有广阔的前景，因为它对化学测试和成像方面都有好处。设定范围很重要，并且在临床水平上，机器学习在一个领域可能比另一个领域更有用。

机器学习和AI演算法的使用虽然在不断增长，但仍处於起步阶段。尽管许多行业开始更多地采用它，但由於存在误诊和患者福利的潜在问题，医学界必须更多地审查技术。尽管如此，人们仍希??对癌症和其他疾病进行更准确的分析，而机器学习提供了这方面的潜力以及消除人类偏见的好处。

显然，医疗诊断还需要考虑伦理方面的问题，AI方法可能仍然需要训练有素的临床医师的人工输入来确认结果。否则，如果误诊或软体出现问题，则可能会产生问题，任何类型的技术都可能发生这种情况；虽然医疗技术可能会失败，但在大多数临床环境中通常都有人工後备来纠正错误。因此，虽然机器学习可以提供所有分析，但从道德角度来看，可能仍然需要人类输入。

如果我们能够处理好伦理方面的考虑，并且演算法被设计得准确可靠，那麽我们就没有理由不会看到机器学习在未来，以一种或另一种形式应用於癌症诊断。但是，只有时间才能证明，医疗专业人员在肿瘤学和更广泛的临床环境中采用人工智慧的程度。

（本文由贸泽电子提供，作者Liam Critchley为美国国家石墨烯协会（NGA）、全球组织奈米技术世界网路（NWN）顾问委员会成员、英国科学慈善机构GlamSci董事会成员）