能够执行多种任务，识别19种癌症类型，预测患者生存率……近日，来自哈佛医学院等机构的科学家开发了一种名为CHIEF(Clinical Histopathology Imaging Evaluation Foundation，临床组织病理学成像评估基础)的多功能AI癌症诊断模型，表现出类似于ChatGPT的灵活性，远超其他现有的癌症诊断模型。值得一提的是，尽管最近出现了其他用于医学诊断的病理图像基础AI模型，但CHIEF是第一个能够预测患者预后并在多个国际患者群体中验证的模型。该成果于9月发表于《自然》杂志。

　　当前，大多数AI癌症诊断系统通常被训练来执行特定任务。例如，检测癌症的存在，或分析肿瘤的基因特征，且通常仅适用于少数几种癌症类型。

　　相比之下，全新的CHIEF模型则具有类似于ChatGPT的灵活性——不仅能够执行多种任务，而且还能识别不同癌症类型需要特别关注的区域。通过读取肿瘤组织的数字切片，它可以检测癌细胞并根据图像中观察到的细胞特征分析肿瘤的基因特征。此外，还可以预测多种癌症类型的患者生存率，并精确定位肿瘤周围组织的特征，即肿瘤微环境。这些特征与患者对手术、化疗、放疗和免疫治疗等标准治疗的反应有关。更进一步，CHIEF还具有生成新见解的潜力——它发现了此前未被认为与患者生存相关的特定肿瘤特征。研究团队指出，这些发现进一步证明了AI可以帮助临床医生高效、准确评估癌症，包括识别可能对标准癌症疗法反应不佳的患者。

　　模型训练方面，CHIEF在1500万张未标记的图像上进行训练，这些图像被分成多个模型可能需要特别关注的部分。然后，CHIEF在6万张全切片图像上进行训练，其中包括肺、乳腺、前列腺、结肠、胃、食管、肾脏、脑、肝、甲状腺、胰腺、宫颈、子宫、卵巢、睾丸、皮肤、软组织、肾上腺和膀胱等组织的全切片图像。这种训练方法，使模型不仅关注图像的局部，还能够结合整个图像，将某一局部的特定变化与整体联系起来，从而，CHIEF在进行癌症分析时能够考虑更广泛的背景信息，更全面地解读图像，而不是仅仅专注于某个特定区域。

　　训练完成后，研究团队在19400多张全切片图像上测试了CHIEF的性能。这19400多张全切片图像来自全球24家医院和患者群体中收集的32个独立数据集。总体上，CHIEF在以下任务中比其他最先进的AI方法准确率高出36%：癌细胞检测、肿瘤起源识别、预测患者结果，以及识别与患者治疗反应相关的基因和DNA模式。无论肿瘤细胞是通过活检还是手术切除获得，CHIEF的表现都同样出色。无论使用何种技术对癌细胞样本进行数字化处理，它的准确性同样高。

　　CHIEF可广泛应用于癌症检测、分析肿瘤的基因特征、预测患者生存率等方面。

　　例如，CHIEF在癌症检测中的准确率达到了近94%，测试涵盖了15个数据集，其中包含11种癌症类型。在另一个涵盖5个活检数据集的测试中，CHIEF的准确率达到了96%，其中包括食道、胃、结肠和前列腺在内的多种癌症类型检测。当研究人员用数据集之外的手术切除肿瘤切片来测试CHIEF时，模型的准确率超过了90%。

　　CHIEF在预测肿瘤的基因变异方面优于现有的AI方法。这种新的AI方法成功识别了与癌症生长和抑制相关的多个重要基因特征，并预测了肿瘤在各种标准癌症疗法过程中的关键基因突变。CHIEF还检测到了特定的DNA模式，这些模式与结肠肿瘤对一种称为免疫检查点抑制的免疫疗法的反应效果相关。在观察全组织图像时，CHIEF识别出54个常见癌症基因的突变，总体准确率超过70%，优于当前用于基因组癌症预测的最先进AI方法。

　　CHIEF在多种癌症类型的检测中都达到了高准确率。在检测一种名为弥漫性大B细胞淋巴瘤的血液癌症中的EZH2基因突变时，CHIEF的准确率达到了96%;在检测甲状腺癌中的BRAF基因突变时，CHIEF的准确率达到了89%;在检测头颈部癌症中的NTRK1基因突变时，准确率为91%。