癌症仍然是全球死亡的主要原因之一，10 年有近 2020 万人死亡（世界卫生组织 [WHO]，2021 年）。 癌症治疗的一个重大挑战是该疾病固有的复杂性和异质性，因为每个患者的癌症都可能具有独特的基因突变并且对各种疗法的反应不同（Meric-Bernstam & Johnson，2021）。 个性化医疗根据个人独特的基因构成和健康状况量身定制治疗方案，已成为改善患者预后和最大限度减少副作用的有前途的方法（美国国家癌症研究所 [NCI]，2021 年）。 在本文中，我们将探讨人工智能 (AI) 如何在推进个性化癌症治疗和最大化其社会影响方面发挥关键作用。

近年来，在基因组测序、分子诊断学和靶向治疗的进步推动下，个性化医疗的概念获得了极大的关注（Meric-Bernstam & Johnson，2021）。 通过分析患者独特的基因谱，临床医生可以识别驱动肿瘤生长的特定突变，并选择更有可能有效且毒性较小的靶向疗法（NCI，2021）。

尽管个性化医疗取得了进展，但仍有一些局限性需要解决。 癌症的复杂性及其 许多潜在的基因突变和相互作用，这使得为每位患者确定最有效的治疗方法具有挑战性（Meric-Bernstam & Johnson，2021）。 此外，基因组测序成本高昂且耗时，限制了其广泛采用（Meric-Bernstam & Johnson，2021）。 此外，基因组测序、临床记录和患者报告的结果产生的大量不同数据需要先进的数据整合和分析方法（Haslem 等人，2018 年）。

人工智能有可能克服这些局限性并推动个性化医疗领域向前发展。 在以下部分中，我们将讨论人工智能如何在个性化癌症治疗的背景下增强数据集成、预测建模和药物发现。

人工智能，尤其是机器学习和深度学习技术，可以通过多种方式解决当前个性化医疗方法的局限性：

A。 数据集成：人工智能算法可以有效地集成和分析大量多组学数据（基因组、蛋白质组、转录组等）和临床信息，识别可能被人类专家忽视的模式和关系（Ching 等，2018） . 通过利用人工智能驱动的数据集成，研究人员可以更全面地了解癌症的分子机制，从而制定更准确和个性化的治疗策略。读者须知——你不必了解多组学数据就知道 AI 算法能够处理和检查大量不同的生物数据（例如有关基因、蛋白质和基因活性的信息）和患者健康记录。 如果我们选择这样做，我们可以发现由于数据的庞大数量和复杂性，人类专家可能难以识别的联系和趋势。 这种能力将有助于提高我们对癌症等疾病的理解，并可能导致更加个性化和有效的治疗。

b. 预测建模：AI 可以帮助创建预测模型，根据患者独特的遗传和健康状况预测患者对特定治疗的反应（Way 等人，2017 年）。 这些模型可以帮助临床医生就哪些疗法可能对个体患者最有效做出更明智的决定，减少试错治疗并改善患者结果。

C。 药物发现：人工智能有可能通过分析大量数据并比传统方法更快、更准确地识别有前途的候选药物或组合来加速新靶向疗法的开发（Vamathevan 等人，2019 年）。 这可以简化药物发现过程，最终以更快的速度和更低的成本为患者带来更有效的治疗。

通过利用人工智能在数据集成、预测建模和药物发现方面的能力，个性化癌症治疗可以变得更加准确、高效和可及，最终使更多患者受益。

近年来出现了几项人工智能驱动的个性化癌症治疗计划，展示了人工智能在彻底改变癌症治疗方面的潜力。 以下是一些值得注意的例子：

Watson for Oncology 是一个人工智能驱动的平台，旨在通过分析患者的医疗记录和基因组数据以及最新的研究和临床试验（IBM Watson Health，日期不详）来帮助临床医生做出更明智的治疗决策。 在一项涉及 362 名肺癌患者的研究中，Watson for Oncology 证明与多学科肿瘤委员会提出的治疗建议的一致性率为 81%（Somashekhar 等人，2018 年）。

Tempus 是一家技术公司，使用 AI 整合和分析临床和分子数据，生成见解以帮助肿瘤学家做出更个性化的治疗决策（Tempus，日期不详）。 他们的平台结合了基因组测序、转录组学分析和临床数据，以提供患者癌症的全面视图，使临床医生能够确定潜在的靶向治疗和临床试验。

Deep Genomics 是一家利用 AI 加速药物发现和开发的生物技术公司，专注于开发针对遗传疾病（包括癌症）的靶向疗法（Deep Genomics，日期不详）。 他们的 AI 驱动平台名为 AI Workbench，旨在预测基因突变的分子效应并确定潜在的治疗靶点。

这些例子说明了人工智能驱动的个性化癌症治疗的成功、挑战和未来增长的潜力。 通过从这些真实世界的应用程序中学习，更广泛的医疗保健社区可以共同努力，进一步优化和扩展人工智能驱动的个性化癌症护理解决方案。

随着人工智能驱动的个性化医疗不断发展，解决出现的伦理问题至关重要。 主要问题包括数据隐私、算法偏差和公平获得治疗。

通过解决这些伦理问题，我们可以为人工智能驱动的个性化医疗创建一个透明、公平和包容的框架，最大限度地发挥其社会公益潜力。

为了最大限度地发挥人工智能驱动的个性化癌症治疗的社会公益影响，研究人员和医疗保健提供者应采取以下可行步骤：

通过采取这些可行的步骤，研究人员和医疗保健提供者可以为人工智能驱动的个性化癌症治疗的成功开发和实施做出贡献，最终使更多患者受益，并最大限度地发挥他们的社会影响。

人工智能彻底改变个性化癌症治疗的潜力是巨大的。 通过利用人工智能在数据集成、预测建模和药物发现方面的能力，我们可以在改善患者疗效、减少副作用和确保公平获得尖端治疗方面取得重大进展。

随着我们的前进，解决围绕数据隐私、算法偏见和公平访问的伦理考虑至关重要，以确保人工智能驱动的个性化医疗透明、公平和包容。 通过促进跨学科合作、促进数据共享、解决算法偏差、追求创新的资助模式、教育医疗保健专业人员以及倡导公平获取，研究人员和医疗保健提供者可以共同优化和扩展人工智能驱动的个性化癌症治疗。

人工智能驱动的个性化癌症治疗之路充满挑战，但在所有利益相关者的共同努力下，它有望改善患者护理并最大限度地发挥社会效益。 癌症治疗的未来就在眼前，我们要抓住机遇，将其变为现实。

Char, DS, Shah, NH, & Magnus, D. (2018)。 在医疗保健中实施机器学习——应对伦理挑战。 新英格兰医学杂志，378(11)，981-983。 https://doi.org/10.1056/NEJMp1714229

Ching, T., Himmelstein, DS, Beaulieu-Jones, BK, Kalinin, AA, Do, BT, Way, GP, … & Greene, CS (2018)。 生物学和医学深度学习的机遇和障碍。 英国皇家学会界面杂志，15（141），20170387。 https://doi.org/10.1098/rsif.2017.0387

深基因组学。 (nd). 我们的方法。 https://www.deepgenomics.com/our-approach/

Haslem, DS, Chakravarty, I., Fulde, G., Gilbert, H., Tudor, BP, Lin, K., … & Ford, JM (2018)。 晚期癌症患者的精准肿瘤学以较低的每周医疗费用提高了总体生存率。 Oncotarget，9(15)，12316–12322。 https://doi.org/10.18632/oncotarget.24434

IBM 沃森健康。 (nd). 沃森肿瘤学。 https://www.ibm.com/watson-health/learn/watson-for-oncology

Meric-Bernstam, F., & Johnson, A. (2021)。 个性化癌症治疗。 医学年度回顾，72, 233–249。 https://doi.org/10.1146/annurev-med-121119-103540

Mittelstadt, BD、Allo, P.、Taddeo, M.、Wachter, S. 和 Floridi, L.（2016 年）。 算法的伦理：映射辩论。 大数据与社会，3（2），205395171667967。 https://doi.org/10.1177/2053951716679679

国家癌症研究所。 (2021)。 癌症治疗中的精准医学。 https://www.cancer.gov/about-cancer/treatment/types/precision-medicine

Somashekhar, SP, Sepúlveda, MJ, Puglielli, S., Norden, AD, Shortliffe, EH, Rohit Kumar, C., … & Kumar, R. (2018)。 Watson for Oncology 和乳腺癌治疗建议：与专家多学科肿瘤委员会达成协议。 肿瘤学年鉴，29(2), 418–423。 https://doi.org/10.1093/annonc/mdx781

时间。 (nd). 关于腾邦。 https://www.tempus.com/about-tempus/

Vamathevan, J.、Clark, D.、Czodrowski, P.、Dunham, I.、Ferran, E.、Lee, G., … & Packer, J.（2019 年）。 机器学习在药物发现和开发中的应用。 Nature Reviews Drug Discovery，18(6)，463–477。 https://doi.org/10.1038/s41573-019-0024-5

Way, GP, Sanchez-Vega, F., La, K., Armenia, J., Chatila, WK, Luna, A., … & Greene, CS (2018)。 机器学习检测癌症基因组图谱中的泛癌 ras 通路激活。 细胞报告，23（1），172-180.e3。 https://doi.org/10.1016/j.celrep.2018.03.046

Yaraghi, N. 和 White, J. (2020)。 医疗保健中的人工智能：对隐私、公平和访问的影响。 布鲁金斯学会。 https://www.brookings.edu/blog/techtank/2020/01/07/artificial-intelligence-in-health-care-the-implications-for-privacy-equity-and-access/