人工智慧（Artificial intelligence；AI）是全球不斷增長的趨勢。許多高科技行業正在採用人工智慧，旨在使整個行業受益，無論是時間、金錢還是準確性方面得到好處。人工智慧正在成為化學和製藥科學不可或缺的一部分。一方面，人工神經網路為公司提供設計和合成新藥的方法；另一方面，機器學習（Machine Learning；ML）演算法提供了一種以更高的準確度檢測患者體內癌細胞的方法。我們在此討論的是後者。

現代癌症檢測方法

多年來，科學家們使用了多種方法來測試和觀察癌症，但顯微鏡和其他成像技術是一些關鍵方法。科學家在顯微鏡下觀察並在沒有任何電腦幫助的情況下得出結論的日子，已經一去不復返了。

近年來，許多電腦軟體程序使科學家能夠觀察成像樣本（包括細胞）的形狀、大小和形態。然而，其中許多程序仍然需要人工輸入來描述感興趣點（在本例示中為癌細胞）的起始位置和停止位置。這些成像方法專為一系列分析設備而設計，從簡單的實驗室台式顯微鏡到MRI掃描儀。

因此，儘管存在有效的癌症診斷方法（這就是為什麼人類作為一個整體能夠更好地識別和理解這種疾病），但大多數方法仍然容易出現人為錯誤，即使很小的錯誤也可能導致誤診。機器學習在過去幾年中出現，成為解決此問題的潛在解決方案。迄今為止的結果顯示機器學習能夠分析成像樣本並高精準度地查明癌細胞的存在。

有幾種化學感測器可以檢測患者是否患有癌症。雖然臨床醫師可以檢查患者血液中的特定生物標誌物，但生物樣本的本質很複雜，對人體生物體液的分析有時會產生容易出錯的結果。因此，臨床醫師可以將機器學習演算法與早期預警化學測試結合，消除測試的「噪音」並分析感興趣的數據點，以確定患者是否患有癌症。

癌細胞特徵

圖一 : 癌細胞表現出某些與健康細胞不同的特徵，包含患有癌症時血液中存在的特定生物標誌物。（source：Khalifa University）

癌細胞表現出某些與健康細胞不同的特徵，這些特徵通常是確定患者是否患有癌症的一種方法，同時還有患者患有癌症時血液中存在的特定生物標誌物。特別是從成像的角度來看，健康細胞和癌細胞的物理特徵是從物理上觀察患者是否患有癌症的更簡單的方法。

例如，相同類型的正常健康細胞往往具有相同的形狀和大小（本質上通常是球形／橢圓形，除非它們是特化細胞），而癌細胞往往具有非常不同（即更隨機）的形狀和大小，它可以在更健康的細胞周圍突出。此外，在健康的細胞系統中，細胞的分裂往往受到控制，並且細胞的排列是有組織的。而癌細胞的分裂速度要快得多，並且往往非常混亂。

癌細胞的另一個特徵是它們往往具有大的、形狀可變的細胞核，而健康細胞只有小的、形狀規則的細胞核。此外，癌細胞內往往會喪失一些特徵，這就是它們危險的原因，因為這些特徵的喪失是癌細胞無法像健康細胞一樣執行特定功能的原因。只要軟體有足夠的數據，健康細胞和癌細胞的所有這些差異和特徵都可以通過機器學習演算法來使用、分析和比較。

將機器學習應用於癌症成像

機器學習演算法提供了一種更好地分析癌細胞並確定患者體內是否存在癌細胞的方法。機器學習演算法的工作原理是獲取歷史數據並將其與當前分析的數據進行匹配。將歷史數據與新數據進行比較的能力使算法能夠檢測系統是否正常（在本例中為健康細胞）或是否存在異常（即癌細胞）。

為此，機器學習演算法需要輸入之前研究的數據，其中包括癌細胞和健康細胞的不同大小、形狀和表面形態。通過這樣做，演算法可以快速、輕鬆地識別圖像中哪些細胞是健康的，哪些細胞可能癌變。通過提供準確的統計方法來分析細胞，這些演算法可以在確定細胞是否確實癌變，或者是否需要進行進一步測試，來確認一個人是否患有癌症時減少人為錯誤。

早期定點照護設備

然而機器學習不僅僅是可以幫助癌症診斷的成像方法。近年來，已經建造了許多早期定點照護設備，可以更早地檢測患者是否患有癌症。許多這些設備都是基於微流體系統，其內部塗有特定的表面受體／功能化，這些受體將附著在任何癌細胞上。因此，受體確實需要針對目標癌症，但這些系統本質上充當一系列照護點奈米感測器，可以提供早期定點信號，使臨床醫師能夠及早、更早地治療疾病。轉個彎，增加生存機會。

那麼，機器學習從何而來？可以從這些平台收集相當多的資料（以及一般的化學測試）。試圖發現不同資料庫之間的趨勢以提供準確的診斷並不是最簡單的任務，因為這些範圍涉及從細胞的大小和形態到基因表達以及細胞群內生長／分裂的程度。

定點照護設備可以與成像方法互相結合，從化學角度分析資料，並在分析的同時對樣本進行成像。因此，通過將圖像分割成切片，同時使用機器學習演算法，可以實現上述原理關於破譯健康細胞和癌細胞之間差異的研究也可以應用於一些即時照護設備。因此，未來有可能結合化學和影像診斷方法來建立可以提供定量和定性分析的平台。

機器學習是癌症診斷的未來嗎？

圖二 : 機器學習在癌症診斷的未來具有廣闊的前景，而設定範圍很重要。（source：Analytics Insight）

機器學習是癌症診斷的未來嗎？這是一個開放式問題，現階段也有一個開放式答案。人們對機器學習和其他AI演算法產生了極大的興趣，其中涉及醫療和製藥領域。機器學習在癌症診斷的未來具有廣闊的前景，因為它對化學測試和成像方面都有好處。設定範圍很重要，並且在臨床水平上，機器學習在一個領域可能比另一個領域更有用。

機器學習和AI演算法的使用雖然在不斷增長，但仍處於起步階段。儘管許多行業開始更多地採用它，但由於存在誤診和患者福利的潛在問題，醫學界必須更多地審查技術。儘管如此，人們仍希望對癌症和其他疾病進行更準確的分析，而機器學習提供了這方面的潛力以及消除人類偏見的好處。

顯然，醫療診斷還需要考慮倫理方面的問題，AI方法可能仍然需要訓練有素的臨床醫師的人工輸入來確認結果。否則，如果誤診或軟體出現問題，則可能會產生問題，任何類型的技術都可能發生這種情況；雖然醫療技術可能會失敗，但在大多數臨床環境中通常都有人工後備來糾正錯誤。因此，雖然機器學習可以提供所有分析，但從道德角度來看，可能仍然需要人類輸入。

如果我們能夠處理好倫理方面的考慮，並且演算法被設計得準確可靠，那麼我們就沒有理由不會看到機器學習在未來，以一種或另一種形式應用於癌症診斷。但是，只有時間才能證明，醫療專業人員在腫瘤學和更廣泛的臨床環境中採用人工智慧的程度。

（本文由貿澤電子提供，作者Liam Critchley為美國國家石墨烯協會（NGA）、全球組織奈米技術世界網路（NWN）顧問委員會成員、英國科學慈善機構GlamSci董事會成員）