人工智能如何帮助研究人员降低食道癌的致命性

食道每天大约 600 次将口腔中的食物输送到胃中。这通常是单向路线，但有时胃酸会逸出胃并返回。这会损害食道内壁的细胞，促使它们因遗传错误而重新生长。

在美国，每年约有 22,370 次此类错误最终导致癌症。

如果在食道癌深入或扩散到其他器官之前发现并治疗，它是可以治愈的。但这种情况很少发生。

“通常情况是，病人多年来一直有反流症状，他们服用了 Tums 或其他药物，然后突然出现吞咽困难，所以他们来到急诊室，”急诊室主任阿隆·卡恩 (Allon Kahn) 博士说。亚利桑那州梅奥诊所的胃肠病学家和医学副教授。就在那时，医生发现肿瘤已经长入食道壁，甚至可能超出食道壁。

“到那时，”卡恩说，“这是无法治愈的。”

这就是为什么只有大约 20% 的美国人患有食道癌在诊断五年后仍然活着。医生表示，为了改善这一数字，他们不一定需要更好的药物。他们需要的是在癌症仍处于早期、高度可治疗的阶段时找到更好的方法。

为此，他们需要在疾病筛查方面取得突破。
耶鲁大学胸外科主任丹尼尔·博法博士说：“筛查的概念是在危险的事情发生之前发现它们。”
它适用于乳腺癌、肺癌和结肠癌等疾病。在这些情况下，有一个明显的进展步骤会导致癌症——而且只会导致癌症。

但食道癌的情况似乎并非如此。

博法说：“我们真的不知道要对谁进行筛查，多久进行一次筛查，以及我们能看到什么东西会告诉我们‘这个人将患上危险的癌症’。”

他将这种情况比作预测龙卷风的难度。

“大多数龙卷风发生在条件有利于龙卷风的时候，”他说。 “但大多数时候，条件有利于龙卷风发生，但实际上并没有发生龙卷风。而且很多时候，龙卷风是在这些条件之外发生的。”

另一个复杂因素是食管癌病例很少，约占美国诊断出的所有癌症的 1%

乔尔·鲁宾斯坦 (Joel Rubenstein) 博士说，想象一下比赛日 10 万名大学橄榄球迷涌入安娜堡密歇根体育场的情景吧。他是三英里外的查尔斯·S·凯特尔斯中校退伍军人医疗中心的研究科学家，也是该大学的胃肠病学家。密歇根州。然后想象一下自己必须弄清楚今年其中哪四名球迷会患上食道癌。

对某人进行食道癌筛查并不是一个简单的过程。

标准方法是将内窥镜（一端带有摄像头的柔性管）插入患者的喉咙，然后将其穿过胃部。该相机可以让医生近距离检查食道并检查是否有可能癌变的异常细胞。

该管还用作收集组织样本的工具的管道，这些样本可以发送到病理实验室进行诊断分析。如果医生发现肿瘤看起来像早期癌症，可以当场将其切除。

这听起来很简单，但患者必须在手术过程中服用镇静剂，这意味着他们失去了一天的工作机会。内窥镜检查也很昂贵，而且缺乏能够进行内窥镜检查的医生。

“我们只能通过内窥镜检查发现 7% 的癌症，”卡恩说。 “我们必须找到一种方法来增加这个数字。”

在美国，最常见的癌症始于食道底部。这些细胞无法承受胃酸的影响，因此对于患有慢性胃酸反流的人来说，它们有时会通过变得更像肠道组织来适应。这种病症称为巴雷特食管，大约 5% 的美国成年人患有这种病症。

“如果这就是全部，我们会说，‘那太好了，’”卡恩说。 “但不幸的是，当细胞类型发生变化时，就会发生基因变化，使患者容易患癌症。”

科罗拉多大学医学院胃肠病学家兼教授 Sachin Wani 博士说，每年大约有 0.3% 的巴雷特食管患者会患上食管癌。与没有巴雷特氏症的人相比，他们死于食道癌的可能性大约高九倍。

这意味着巴雷特氏病的筛查等同于食道癌的筛查。

医生们对一组核心风险因素基本达成一致，包括慢性胃食管反流病、吸烟和腹部体重过重。其他危险因素包括年龄至少 50 岁、男性、白人以及有巴雷特癌或食道癌家族史。

对于一个人必须具备多少风险因素才能证明筛查的合理性，目前尚未达成共识。

根据美国胃肠病学会的建议，超过 3100 万人有资格接受筛查。宾夕法尼亚大学佩雷尔曼学院胃肠病学家兼名誉医学教授加里·福尔克 (Gary Falk) 博士表示，美国胃肠内窥镜学会的指南将这一数字提高到 5200 万，美国胃肠病学协会的建议将这一数字扩大到 1.2 亿医学。

所有这些建议都留下了改进的空间。亚利桑那州梅奥诊所胃肠病学主任 Prasad Iyer 博士说，符合筛查要求的人中只有 50% 到 60% 实际上患有巴雷特氏病。

“筛选标准不够准确，”他说。

Iyer 说，事实上，至少 90% 有巴雷特氏症风险因素的人实际上并没有患有这种疾病。这包括绝大多数患有胃酸反流的人。

因此，医生正在求助于人工智能来识别其他特征，从而提高他们识别最有可能患有巴雷特癌和食道癌的人的能力。

“医学界的每个人都在关注人工智能，”福尔克说。 “我们认为这将彻底改变一切。”

艾耶和他的同事正在开发一种人工智能工具，可以搜索梅奥诊所患者的电子病历，以找到那些应该接受巴雷特氏症筛查的人。该工具考虑了 7,500 多个不同的数据点，包括过去的医疗程序、实验室测试结果、处方等。（令人惊讶的是：患者的甘油三酯和电解质具有预测价值。）

“这可能是人类无法有效完成的事情，”艾耶说。

在测试中，这两种工具的总体准确率为 84%。 Iyer 表示，虽然这些都是实质性的改进，但该团队希望在将其推广到诊所之前将其提高到 90%。

鲁宾斯坦和他在密歇根州的同事创造了类似的东西，利用机器学习技术来分析全国退伍军人事务部患者的健康记录。他们的工具也比医学会的官方指南表现更好，准确率为 77%。现在，该团队正在努力通过增加成本效益来提高筛选门槛。

一旦投入使用，此类工具可以减轻负担过重的初级保健医生的负担，他们不一定了解最新的筛查指南，转介的合格患者中只有不到一半进行检测。

“它会标记一名患者并说，‘这名患者应该接受筛查’，或者‘这名患者不应该接受筛查’，”艾耶说。 “这才是未来真正需要的。”

本视频下方有视频中的链接，感兴趣的可以打开看看
谢谢观看本视频。要是喜欢，请订阅、点赞。谢谢

Tarogo Gugu Bloger