论文沃森肿瘤与临床肿瘤医生对肺癌一致性对比研究

沃森肿瘤与临床肿瘤医生对肺癌一致性的对比研究 摘 要 背景：人工智能（Artificial Intelligence,AI）在医疗领域的发展迅速，逐渐由实验室研究进入临床实践。IBM公司开发的沃森肿瘤（Watson for Oncology,WFO）在2017年开始应用于中国，它是AI在医疗领域的杰出代表，可以快速，准确的为肿瘤患者提出规范的诊疗方案。近几年来，WFO已经在全国十余个国家展开应用，在我国的应用也越来越广泛，相关的一致性研究也已经很多，但关于是否适用于中国患者，尤其是肺癌患者的报道却很有限。为此，我们做了一项关于WFO与我们肿瘤中心对肺癌患者诊疗方案一致性的回顾性研究。

目的：本研究旨在探索WFO在中国肺癌患者中的可行性，分析其存在的问题及优势，为将来的解决方案提供基础。

方法：我们随机选取2017年4月至10月在青岛大学附属医院肿瘤精准医学中心接受抗肿瘤治疗的肺癌患者(N=121)。其中100例符合WFO的入组标准。WFO的诊疗方案分为3类，即：“推荐”、“可考虑”和“不推荐”。当临床肿瘤科医生选择“推荐”方案或“可考虑”方案时，认为是一致，其余则认为是不一致。应用Microsoft Excel对所有患者的病例特征进行描述性统计，根据患者的病例分类，性别，年龄是否行手术等分组，对其一致性进行分析。采用SPSS17.0版本软件进行统计分析，对上述等因素进行logistic回归模型，进行概率比及95%置信区间估计，以p＜0.05为具有统计学意义。

结果：
1． 在所有病例中，有21(21/121)个病例不适用于WFO。在100个适用的病例中，患者中位数年龄为61岁，男性居多占70%，女性为30%。其中做过手术的占21%，未行手术治疗的为79%。小细胞肺癌患者占19%，非小细胞肺癌患者占71%。

2． 所有入组病例中，WFO提出的诊疗方案85%与肿瘤精准医学中心一致。小细胞肺癌（small cell lung cancer, SCLC）患者的一致性是89.48%；
非小细胞肺癌（non-small cell lung cancer, NSCLC）患者的一致性为83.96%。根据肿瘤分期，83.33%的II期患者、83.33%的III期患者和85.94%的IV期患者的诊疗方案是一致的。

3． 根据性别分类，WFO提出的诊疗方案与肿瘤精准医学中心的一致性对比，男性患者的一致性为88.57%，女性患者一致性为76.67%。

4． 根据手术与否分类，WFO提出的诊疗方案与肿瘤精准医学中心的一致性对比，手术后患者的一致性为85.72%，未手术患者一致性为84.82%。

5． 根据年龄分类，WFO提出的诊疗方案，年龄大于等于60岁的患者87.93%与肿瘤精准医学中心一致，年龄小于60岁的患者80.95%与我们中心一致。

6． 非小细胞肺癌根据鳞癌和腺癌分类后，鳞癌占比28.40%，腺癌占71.60%。WFO提出的诊疗方案在86.95%的鳞癌患者及82.76%的腺癌患者中与肿瘤精准医学中心一致。腺癌根据是否基因突变分为EGFR突变组，EGFR野生型组及未行检测组。EGFR突变组的一致性为73.34%，EGFR野生组的一致性为85.71%，未行基因检测组为86.66%。

7． 小细胞肺癌根据局限期，广泛期分类，WFO提出的诊疗方案77.78%的局限期患者与肿瘤精准医学中心一致，而广泛期则高达100%。

8． 根据Logitic回归模型分析，肺癌不同分期、不同组织学类型间、性别、年龄等因素对一致性无影响。

结论: 1. 在中国，仍有较高比例的病例不符合WFO的入组标准，但是WFO针对入组病例提出的诊疗方案与临床肿瘤科医生具有较高的一致性，因此，若是合理的应用WFO，可以帮助肿瘤科医生节约工作时间，提高工作效率；

2. 从本研究可以看出，东西方针对肺癌的诊疗方案存在一定差异，首先，中国肺癌EGFR基因突变表型与西方国家差异较大；
其次，中国患者无法及时从欧美国家最新开发的靶向及免疫药物中获益，可能需要滞后1-2年；
最后，我们国家也会有一些自己的原研药物，或者说民族医药，是欧美国家所不具备的 3. 目前WFO面向临床，仍然存在很多问题，首先WFO的诊疗方案更多的代表是西方的诊疗方案，未根据我国人群本土化进行优化；
其次，WFO的使用涉及到一些医学伦理方面的问题，有待成型的法律法规来约束。因此，WFO无法取代临床肿瘤学专家，需要加速其本土化，然后通过向医生提供帮助来提高其临床工作率。

关键词：沃森肿瘤，人工智能，一致性 Concordance Study Between Watsonfor Oncologyand Clinical Oncologistwith Lung Cancer Abstract Background：Artificial Intelligence (AI) has developed rapidly in the field of medicine, gradually moving from laboratory research to clinical practice. Watson for Oncology (WFO), developed by IBM, began to be applied in China in 2017. It is an outstanding representative of AI in the medical field, and can quickly offer diagnosis and treatment Suggestions comparable to those of oncologists for tumor patients. WFO has been increasingly used in China in recent years, but there have been limited reports on whether it is suitable for Chinese patients, especially lung cancer. To this end, we conducted a retrospective study to examine the concordance between the treatment recommendation proposed by WFO and actual clinical decisions by oncologists in our cancer center. Objective:This study aims to explore the feasibility of WFO in lung cancer patients in China, analyze its existing problems and advantages, and provide a basis for future solutions. Methods:We selected lung cancer patients who received anti-tumor treatment in the oncology department of Qingdao university hospital from April to October 2017 (N=121). WFO has recommended treatment for all applicable cases (100). WFO＇s recommendations fall into three categories: recommended, considered and not recommended. When the oncologist chooses the “recommended“ or “considerable“ option, it is considered consistent and the rest is not. Microsoft Excel was used to conduct descriptive statistics on the case characteristics of all patients, and the consistency of the patients was analyzed according to their case classification, gender, age, whether they underwent surgery or not. SPSS 17.0 software was used for statistical analysis. Logistic regression model was used to estimate the row probability ratio and 95% confidence interval of the above factors. P < 0.05 was considered statistically significant. Result：1.Of all cases, 21(21/121) did not apply to WFO.In the 100 applicable cases, the median age of the patients was 61 years old, and the majority of the patients were men (70%) and women (30%).Of these, 21% had surgery and 79% had not.Small-cell lung cancer patients accounted for 19% and non-small-cell lung cancer patients accounted for 71%. 2.In all the enrolled cases, 85% of the treatment plan proposed by WFO was consistent with that of the tumor precision medicine center.The consistency of patients with small cell lung cancer (SCLC) was 89.48%.The consistency of patients with non-small cell lung cancer (NSCLC) was 83.96%.According to tumor stage, 83.33% of stage II patients, 83.33% of stage III patients and 85.94% of stage IV patients had the same treatment plan. 3.According to gender classification, the consistency of the diagnosis and treatment scheme proposed by WFO compared with the consistency of tumor precision medicine center shows that the consistency of male patients is 88.57%, and that of female patients is 76.67%. 4.According to the classification of whether surgery is performed or not, the consistency of the diagnosis and treatment scheme proposed by WFO and the precision medicine center of tumor shows that the consistency of patients after surgery is 85.72%, and that of patients without surgery is 84.82%. 5.According to the age classification, according to the diagnosis and treatment plan proposed by WFO, 87.93% of patients aged over or equal to 60 years old are consistent with the center for tumor precision medicine, and 80.95% of patients younger than 60 years old are consistent with our center. 6.According to the classification of squamous cell carcinoma and adenocarcinoma, the proportion of squamous cell carcinoma and adenocarcinoma accounted for 28.40% and 71.60% respectively.The WFO protocol was consistent with that of the center for accurate medicine in 86.95% of squamous cell carcinoma patients and 82.76% of adenocarcinoma patients.Adenocarcinoma was divided into the EGFR mutated group, the EGFR wild-type group and the undetected group according to whether the gene was mutated or not.The consistency was 73.34% in the EGFR mutant group, 85.71% in the EGFR wild group, and 86.66% in the untested group. 7.According to the classification of small-cell lung cancer by local deadline and broad deadline, 77.78% of patients with limited deadline proposed by WFO were consistent with our center, while the broad deadline was up to 100%. 8.According to Logitic regression model analysis, different stages, different histological types, gender, age and other factors of lung cancer had no effect on the consistency. Conclutions: 1. In China, there are still a high proportion of cases that do not meet the inclusion criteria of WFO, but the treatment scheme proposed by WFO for the enrolled cases has a high consistency with the clinical oncologist. Therefore, the rational application of WF O can help the oncologist save working time and improve work efficiency. 2. It can be seen from this study that there are certain differences in the treatment schemes for lung cancer between east and west.Secondly, Chinese patients cannot benefit from the latest targeted and immunological drugs developed by European and American countries in a timely manner, which may require a lag of 1-2 years.Finally, our country will also have some of its own original research drugs, or ethnic medicine, which is not available in European and American countries 3. At present, there are still many problems in WFO for clinical practice. Firstly, WFO treatment schemes are more representative of western treatment schemes, which are not optimized according to the localization of Chinese population.Secondly, the use of WFO is involves some medical ethical issues, which need to be regulated by the laws and regulations.Therefore, WFO cannot replace clinical oncologists and needs to accelerate its localization and then improve its clinical work rate by providing assistance to doctors. Graduate student: Chen-xing Hao(Oncology) Directed by Prof：Xiao-chun Zhang Key words: Watsonfor Oncology；
Artificial Intelligence；
Concordance 目录 引 言 1 对象和方法 3 1. 临床病人资料 3 2．方法 3 3. WFO治疗方案：
4 4. 一致性评定 4 5．数据分析和统计 4 结果 5 1. 入组患者的一般临床特征 5 2. WFO诊疗方案与肿瘤精准医学中心医生总体的一致性 6 3. 根据性别对一致性的分析 7 4. 根据年龄对一致性的分析 7 5. 根据手术与否对一致性的分析 8 6. 对非小细胞肺癌进行一致性的分析 9 7. 对小细胞肺癌进行一致性的分析 10 8. 肺癌分期、病理、年龄、性别等因素的Logistic回归分析 12 讨论 13 结论 16 参考文献 17 综述 20 攻读学位期间的研究成果 35 缩 略 词 表 36 致 谢 38 学位论文独创性声明、学位论文知识产权权属声明 39 引言 随着社会的发展，恶性肿瘤成为一种慢性病，然而，却极大的威胁着人类的健康，而其中肺癌发病率及死亡率均为第一位，据统计，每年有约176万人死于肺癌[1]。肺癌根据病理大致可以分为非小细胞肺癌和小细胞肺癌两大类，而非小细胞肺癌又可细分为腺癌、鳞癌、肺鳞癌等。目前肺癌的治疗手段，主要采取多学科综合治疗与个体化相结合的原则，即根据患者的病理类型，机体状况，分子分型等，有计划、合理的运用手术、化疗、放疗、分子靶向及免疫等治疗方式，来最大程度的提高患者的生存期，改善患者的生活质量。特别是近几年来，免疫治疗及靶向治疗发展迅速，使得肺癌患者的生存期得到了极大的延长，肺癌患者的生活质量也得到了极大的提高。

虽然肺癌患者的生存期及生活质量都得到了极大的改善，然而，目前随着社会的发展，人民生活水平的提高，优质医疗资源的不足与人民医疗需求的矛盾日益突出，造成这种矛盾的原因可能有很多[2-4]。首先，目前中国的医疗资源仍然极度缺乏，平均每1000人只有1.2名医生，而美国及其他发达国家则为1000:2.8[5-7]。其次，由于医疗资源的缺乏，到每个医生个体身上，他们的工作以及学习压力都很大。据统计，超过32%的医生每周工作超过60小时[6]，根本没有时间精力来确保他们的知识水平与当前医学发展的最前沿知识保持一致。另一方面，肿瘤相关的药物、指南、论文更新速度极快，而肿瘤科医生用来学习的时间、精力有限，据有关研究表明，肿瘤科医生每周只有4.6小时来学习相关知识[8]，这显然是不够的。此外，各个临床医师、各级医院水平参差不齐，不能达到一个统一的诊疗水平。所以我们迫切的需要一种工具，来协助中国医生制定规范准确的诊疗方案，或者说帮助他们了解该领域的最新发展。而AI在我们生活的方方面面都已经取得了很大的突破，在医学领域，AI对于上述问题可能是一个最佳的解决方案。WFO则是AI在医学领域应用，目前最为成功的案例。WFO是由纪念斯隆凯特琳癌症中心(Memorial Sloan-Kettering Cancer Center, MSKCC)培训而成的，它可以根据病人的特征来提供诊疗方案，供医生制定诊疗方案时使用。诊疗方案一般符合NCCN指南以及最新的文献，并得到反映MSKCC经验和专业知识的支持。此外，WFO的数据每1-2个月就会更新到最新的前沿信息。目前，WFO在肿瘤学领域的应用已经遍及全球14个国家，包括中国、美国、荷兰、泰国、印度、韩国、波兰、斯洛伐克和孟加拉国等。事实上，WFO在中国的使用已经越来越普遍，WFO于2017年3月引入中国，目前服务于全国70多家市级以上医疗机构和1万多名患者[9]。

综上所述，肺癌在世界范围及我国都是一种发病率及死亡率极高的肿瘤，需要多学科综合治疗及个体化治疗，而目前治疗手段多样且新的药物及研究日新月异，层出不穷，肺癌的指南也是在不断变更。而临床肿瘤科医生又缺乏足够的时间来紧跟前沿。而现如今，互联网、人工智能及大数据的发展为医疗带来了新希望，WFO正是一个顺应时代，可以协助肿瘤科医生紧跟医学前沿，制定诊疗方案的一个解决方案。合理的应用WFO，可以帮助肿瘤科医生节省学习最新的诊疗方案及知识的时间，提高工作效率，并可以减少因工作量大，疲惫所产生的差错；
也可以为一些医疗水平差的区域，带来国际化的诊疗规范，迅速提高其整体水平。目前 WFO已经针对多种癌种进行了一致性的研究，例如在2017ASCO年会上，IBM提交了五项研究的数据表明，WFO与肿瘤科医生提出的诊疗方案的一致性达到了96%[10-14]，其中包括了乳腺癌、肺癌、结直肠癌、胃癌等。而专门针对肺癌的研究却报道很有限，本研究针对肺癌，将WFO与临床肿瘤科医生的诊疗方案进行一致性的对比。并分析其存在差异的原因，及其优势，为WFO将来更加广泛的应用，提供基础的解决方案。

对象和方法 1. 临床病人资料 本次研究收集2017年4月至2017年10月就诊于青岛大学附属医院肿瘤精准医学中心的肺癌患者临床病例资料121例。这些患者均通过影像学检查（X线、CT、PET-CT等）证实有实体病灶，并通过病理学检查（支气管镜、胸腔镜、手术等取病理）证实为肺癌，部分腺癌通过NGS检测证实是否有突变及突变类型。

WFO纳入标准：
（1）病理类型为腺癌、鳞癌、小细胞癌或大细胞癌；

（2）既往未接受过系统治疗的初治患者；

（3）转移性肺癌，既往接受过治疗后进展的；

（4）非转移性肺癌接受过系统治疗后转移复发的。

WFO排除标准：
（1）纳入标准中未列出的病理类型的患者；

（2）单发转移患者；

（3）曾接受过肺部手术的IIIB期NSCLC患者；

（4）转移性疾病的患者在接受靶向治疗的同时癌症进展。

2．方法 登录青岛大学附属医院肿瘤精准医学中心医生的专属沃森系统账号，提取入组患者的病例数据，并输入WFO系统，病例信息包括：（1）患者基本状况如年龄、身高、性别、体重、血压、呼吸、脉搏、体能状态(ECOG评分)等；
（2）患者疾病的基本状态：肿瘤的病理类型（病理类型为腺癌、鳞癌、小细胞癌或大细胞癌）；
（3）患者既往的治疗：无，外科手术治疗，放射治疗，全身性化疗，靶向治疗，免疫治疗，姑息治疗等（4）患者所患肺癌的TNM分期：原发肿瘤大小，淋巴结转移分期，是否发生远处转移；
（5）患者本身的伴随疾病：无，临床明显的腹腔积液，胸腔积液，心包积液，脊髓压迫，疼痛程度，肠梗阻，脑转移症状；
上述伴随症状的控制与否；
（ 6）患者肺癌的转移部位：是否存在转移，转移具体部位(脑转移，肝转移，对侧肺的转移，肾上腺的转移，胸膜转移，骨转移等)；
（7）患者的并发症：无，听力分级，神经病变分级，自身免疫性疾病等；
(8)实验室检查：血常规中的白细胞，中性粒细胞，红细胞，血小板等具体数值，肝功能中的总胆红素，丙氨酸转氨酶，天冬氨酸转氨酶及碱性磷酸酶的具体数值，肾功能中的血肌酐等；
(9)多学科评估：胸外科专家的意见，该肿瘤是否可行手术切除；
肿瘤放疗科医生意见，该肿瘤是否适合根治性放疗，是否可行同步放疗，是否需行姑息放疗，该患者是否耐受放疗；
肿瘤化疗科医生意见，该患者是否可行化疗，是否可行靶向治疗，是否可行免疫治疗，是否可耐受上述治疗。在输入上述信息之后，WFO会在10秒左右给出其诊疗方案的结果。

3. WFO治疗方案 WFO系统会提供三种诊疗方案建议：推荐、考虑和不推荐，并且具有与之相对应的颜色来表明，绿色代表推荐的诊疗方案，有着充足的循证学证据基础，琥珀色代表着可供考虑的诊疗方案，具有一定的证据基础，临床肿瘤科医生可以考虑其作为替代诊疗方案，而红色则代表，有充足的循证学证据基础，表明此方案存在明显禁忌症，或者说是不适用的。对统计的诊疗方案进行回顾性分析，对WFO给出的诊疗方案与肿瘤精准医学中心临床医生给出的实际治疗结果进行对比。在数据分析过程中，我们发现一些WFO中没有的具体方案，它们被定义为“医生的选择”。此外，WFO在提出诊疗方案的同时，还会列出其参考文献，以及可能的临床试验，处方信息，以及随之可能的不良反应等。

4. 一致性评定 在这些病例输入WFO之前，肿瘤精准医学中心的临床医生已经根据每个病人的具体情况，进行病例讨论，并且对每个病人提出了诊疗方案，肿瘤精准医学中心的医生对WFO的提出的诊疗方案是不知情的，根据临床医生的诊疗方案与WFO提出的诊疗方案进行对比，如果临床医生的诊疗方案符合WFO推荐或考虑的类别，则被定义为两者是一致的，如果为WFO中不推荐的方案，或者为WFO中未出现的诊疗方案，则被定义为不一致。

5．数据分析和统计 我们使用Microsoft Excel对所有肺癌患者的病例特征进行描述性统计，同时对所有的患者诊疗方案的一致性进行分析；
采用SPSS 17.0版本统计软件进行分析，对肿瘤的分期、病理类型、年龄、性别等因素用logistic回归模型进行了概率比和95%置信区间的估计，以P＜0.05为有统计学意义。

结果 1. 入组患者的一般临床特征 我们初步随机选择了121例患者，根据是否符合WFO入组标准，最终有100例患者被筛选成功纳入研究。100例患者的基本特征见表1。对100例患者根据病理类型分类，其中19%为小细胞肺癌，81%为非小细胞肺癌。患者中位数年龄为61岁，男性居多占70%，女性为30%。其中做过手术的占21%，未行手术治疗的为79%。

表1使用沃森肿瘤的患者特征 患者特征 肺癌 年龄，中位数(范围)，岁 61（44-78）
年龄分布,岁, 　 ＜60 58 ≥60 42 性别 　 男 70 女 30 TNM分期 　 II 6 III 30 IV 64 手术 　 是 21 否 79 病理 小细胞肺癌 19 非小细胞肺癌 81 2. WFO诊疗方案与肿瘤精准医学中心医生总体的一致性 根据总体分析，WFO推荐的诊疗方案与肿瘤精准医学中心的临床医生提供的诊疗方案的85%（85/100）是一致的。SCLC患者的一致性是89.48%；
NSCLC患者的一致性为83.96%（图1）。根据肿瘤分期，83.33%的II期患者、83.33%的III期患者和85.94%的IV期患者的诊疗方案是一致的（图2）
图1根据非小细胞肺癌、小细胞肺癌分类的一致性 图2 根据TNM分期，肺癌的一致性 3. 根据性别对一致性的分析 根据性别分组，WFO推荐的诊疗方案与肿瘤精准医学中心的临床医生提供的诊疗方案，男性患者的一致性是88.57%；
女性患者的一致性为76.67%（图3）。

图3根据性别对一致性的分析 4. 根据年龄对一致性的分析 根据年龄分组，WFO推荐的诊疗方案与肿瘤精准医学中心医生提供的诊疗方案，大于等于60岁的患者的一致性是87.93%；
小于60岁的患者的一致性为80.95%（图4）。

图4 根据年龄对一致性的分析 5. 根据手术与否对一致性的分析 根据手术与否分组，WFO推荐的诊疗方案与肿瘤精准医学中心医生提供的诊疗方案，手术患者的一致性是85.72%；
未手术患者的一致性为84.81%（图5）。

图5 根据手术与否对一致性的分析 6. 对非小细胞肺癌进行一致性的分析 入组的非小细胞肺癌患者中分为鳞癌及腺癌，根据分期，非小细胞肺癌分为I、II、III、IV期，而腺癌又可分为EGFR突变组、EGFR野生型组及未知组。WFO推荐的诊疗方案与肿瘤精准医学中心医生提供的诊疗方案，腺癌患者的一致性是82.76%；
鳞癌患者的一致性为86.95%（图6）。EGFR突变组、EGFR野生型组及未知组分别为73.34%、85.71%、86.66%（图7）。II、III、IV期分别为100.00%、75.00%、85.48%（图8）。

图6 根据腺癌鳞癌对非小细胞肺癌进行的一致性分析 图7 根据腺癌是否基因突变进行的一致性分析 图8 根据非小细胞肺癌分期进行的一致性分析 7. 对小细胞肺癌进行一致性的分析 根据分期，小细胞肺癌分为局限期及广泛期。WFO推荐的诊疗方案与肿瘤精准医学中心医生提供的诊疗方案，局限期患者的一致性是77.78%；
广泛期患者的一致性为100.00%（图9）。

图9 根据小细胞肺癌分期进行的一致性分析 8. WFO与肿瘤精准医学中心一致性的Logistic回归模型 根据Logitic回归模型分析，肺癌不同分期、不同组织学类型间、性别、年龄等因素对一致性无影响。

表2WFO与肿瘤精准医学中心一致性的Logistic回归模型. 变量 优势比（95% 置信区间）
P值 TNM分期 　 　 II（参考）
1 III 0.336(0.22-8.054) 0.618 IV 0.626(0.128-2.397) 0.562 病理分型 NSCLC（参考）
1 SCLC 0.962(0.104-9.996) 0.986 性别 男 1 女 2.359（0.768-7.240）
0.134 年龄，岁 ≥60 1 ＜60 1.893（0.627-5.716）
0.258 手术 是 1 否 1.075（0.274-4.220）
0.918 NSCLC 鳞癌 1 腺癌 1.389（0.345-5.585）
0.644 基因突变 EGFR突变 1 野生型 1.023（0.532-4.326）
0.331 未知 3.143（0.765-5.562）
0.256 SCLC 局限期 1 广泛期 0.389（0.029-5.214）
0.476 讨论 WFO是医学领域目前领先的人工智能技术之一，不仅可以理解和学习大量的文献，还可以将所有的数据结合起来，在非常短的时间内提出医学诊疗方案[15]。虽然已经取得了极大的进展，且具有巨大的潜力，但人工智能技术在广泛应用于临床之前还是面临许多障碍。首先也是最重要的，它所提出的诊疗方案必须是正确的，与临床肿瘤科医生一致的；
其次，它必须被医生及患者充分的接受；
最后，则涉及到患者的隐私、安全及伦理问题[16]。

在WFO真正推广到临床的过程中，最重要的因素就是WFO与肿瘤科医生的一致性，这决定了其推荐诊疗方案的准确性和可行性。MSKCC对WFO进行了多年的培训，极大的提高了WFO的准确性。2017年，MSKCC在美国临床肿瘤学会（ASCO）年会上公布了其培训结果，在不同国家地区分别进行了一致性的研究，高达96%。此后，各国相继完善，并公布其研究成果。一项来自印度的638名乳腺癌患者进行的双盲研究的结果表明，WFO对于93%的乳腺癌患者的治疗方案与肿瘤专家是一致的[17]。来自针对韩国的525名患者进行的一项研究表明，结肠癌的一致性为73%，胃癌为49%[18]。在另一项韩国研究中，手术后放射性碘治疗推荐分化型甲状腺癌（DTC）的总体符合率在WFO和临床实践中仅为77%，作者认为一致性太低，无法证明WFO在DTC患者综合筛查中的应用[19]。这些结果以及我们中心的结果显示，不同国家，不同癌种，其一致性是有所不同的。中国是世界上人口最多的国家，而且有一个特殊的癌症谱系。此外，医学的发展也造成了不同的地区针对不同的癌症会有不同的诊疗经验。因此，WFO若想在中国真正的应用于临床，WFO提出的诊疗方案与中国肿瘤科医生的一致性是一项关键的因素，同时也可以看出东西方癌症诊疗方式的区别。

本回顾研究主要针对肺癌，可以看出，在应用于中国肺癌患者之前，WFO还是需要改进的。根据WFO的入组标准中及排除标准，本次研究共121人纳入研究，最终只有100人符合入组标准，而高达17.35%的患者不符合入组标准，这应该是目前WFO亟待解决的问题。入组的100名患者的总体一致性为85%，然而再根据年龄、性别、病理、分期等进行单独分类，进行一致性比较时，WFO提出的诊疗方案与肿瘤精准医学中心对比，男性患者的一致性是88.57%，女性患者的一致性为76.67%，相差达11.90%；
非小细胞肺癌组，EGFR突变组、EGFR野生型组及未知组分别为73.34%、85.71%、86.66%，EGFR突变徐与未知组的差别高达13.30%；
II、III、IV期分别为100.00%、75.00%、85.48%。而小细胞肺癌分组，局限期患者的一致性是77.78%，广泛期患者的一致性高达100.00%。虽然Logitic回归分析表明，这些因素对一致性的影响均不具有统计学意义，但可能是由于纳入样本量不足或是其他因素造成的。根据每个病例单独分析，造成一致性差异的原因，是有多方面因素的，总结如下：第一，中国肺癌 EGFR基因突变表型与西方国家差异较大，肺癌的EGFR突变率，我国为50%以上，而欧美则仅有15%[20]；
第二，中国患者的体质和欧美患者的体质相差较大，就造成了WFO通常会建议同步放化疗，而我国的肿瘤科医生，则更多的可能会选择续贯放化疗；
第三，中国常使用的EGFR靶向药为埃克替尼，常用的抗血管药物为恩度（这两种药物为我国研制，未在欧美国家推广使用）[21-22]，而不是WFO推荐的其他一代EGFR-TKI药物如吉非替尼、厄洛替尼，抗血管药物贝伐珠单抗。如果WFO可以将这两种药物纳入考虑之中，一致性会大大提高；
第四，因为患者家庭经济原因等条件的限制，导致WFO推荐的一些昂贵的新药，最终并没有被选择，例如PD-1和PD-L1等为代表的免疫用药。此外，在制定诊疗方案的同时，患者的意愿、药物的价格以及医保的政策种种因素，也都会被考虑在内，这些因素也会在一定程度上影响一致性。而根据本中心的研究，若是WFO可以根据中国患者体质进行优化，纳入中国本土医药，考虑到新型药物进入我国市场时间等进行本土化推进，WFO与肿瘤精准医学中心的一致性将从85%上升到96%。因此随着WFO越来越广泛的应用，及其本土化的推进，一致性一定会越来越高。

然而本研究也存在一些局限性。首先，本研究纳入的病例数偏少，导致患者组间分布不均衡，I期患者较少，可能由于此类患者一般不需住院只需门诊复查即可；
而男女之间，女性患者偏少，可能由于大多女性患者存在EGFR突变，门诊口服靶向药物即可；
入组病理未涵盖肺癌的所有病理类型，如大细胞肺癌，腺鳞癌，基因突变为ALK突变等类型的肿瘤。其次，人为输入病例信息的质量未经过重复性检测，所造成的偏差也可能造成结果的差异；
最后，这次研究是一项没有对照组的回顾性观察性研究，使得结果会受到一些不可预测的因素的影响。

然而，随着一致性的提高，还有一个问题有待解决，那就是患者的看法，因为他们才是真正的利益相关者。优质医疗的基本特征，就是要把患者的需求、价值观等考虑在内[23]。此外，既往有研究表明，患者可能会对WFO此类会对临床决策产生影响的工具持反面的态度，会认为应用这种工具的临床医生缺乏诊断能力，而不依赖这种工具的临床医生的诊断能力优于他们[24-26]。一些证据还表明，患者认为使用这些工具的应用会影响医患沟通[27-28]。然而，当临床医生的决定产生负面结果时，一些患者又会认为，使用这种工具的医生更不容易发生差错[29]。此外，一些患者又对其治疗过程中，医生使用有助于他们临床决策的工具持肯定的态度，认为这些工具可以提高医生的效率，为医生提供有价值的信息[30]。国外做了一项针对肿瘤患者对WFO帮助临床医生进行临床决策的看法的研究，大部分患者对WFO是持肯定态度的，但是随之而来出现了新的问题，一部分患者认为最终决策权应该属于医生，而一部分患者认为最终决策权应该属于患者和医生共同决定，甚至由患者本人来决定 [31]。这就涉及到医学伦理的问题。目前，最终决策权一定是在临床医生手中的。而随着人工智能的发展，相应的法律法规一定会更加的完善，以此来监督WFO的正常应用。

虽然目前，WFO的表现并不如预期，但是WFO仍是具有巨大的价值的。首先对于临床医生而言，WFO可以实时全面的提供国外最新的数据以及资料，来帮助肿瘤科临床医生提升自己的业务能力，特别是医学生及住院医师，从视觉上来看，它提供了一个清晰的绿色首选建议，而其他可供考虑的建议为黄色，可以让肿瘤科医生及医学生第一时间学习到美国专家的权威诊疗方案。WFO的高速运算能力可以极大的减少肿瘤科临床医生掌握最新文献、最新指南及临床研究所需要的时间，减少电子病历查询以及制定最佳诊疗方案的时间，这样肿瘤科医师的工作效率就大大提高了。而且与人类相比，机器是不知疲倦，可以帮助肿瘤科临床医生极大的减少因疲惫、繁忙的工作而产生的一些不必要的差错，减少医患矛盾。其次，对于病人及其家属而言，WFO在中国的运用，使中国地区的患者足不出户就可以得到国际最顶尖的诊疗方案，甚至偏远地区，一些环境极差的贫困地区，也有机会得到最前沿，最规范的诊疗方案，这对提高我国整体的医疗水平是大大有益的。最后，而对于医院而言，可以通过WFO的应用来实现医院与国际肿瘤中心的接轨，提升医院肿瘤科的整体水平，通过WFO提高医院肿瘤科的影响力，吸引更多的患者。而随着WFO本土化的进程， WFO与专家的一致性会越来越高，相关的法律法规也会进一步完善，WFO必然会更好的辅助临床医生的工作。

结论 1.在中国，仍有较高比例的病例不符合WFO的入组标准，但是WFO针对入组病例提出的诊疗方案与临床肿瘤科医生具有较高的一致性，因此，若是合理的应用WFO，可以帮助肿瘤科医生节约工作时间，提高工作效率；

2．从本研究可以看出，东西方针对肺癌的诊疗方案存在一定差异，首先，中国肺癌EGFR基因突变表型与西方国家差异较大；
其次，中国患者无法及时从欧美国家最新开发的靶向及免疫药物中获益，可能需要滞后1-2年；
最后，我们国家也会有一些自己的原研药物，或者说民族医药，是欧美国家所不具备的。

3．目前WFO面向临床，仍然存在很多问题，首先WFO的诊疗方案更多的代表是西方的诊疗方案，未根据我国人群本土化进行优化；
其次， WFO的使用涉及到一些医学伦理方面的问题，有待成型的法律法规来约束。因此，WFO无法取代临床肿瘤学专家，需要加速其本土化，然后通过向医生提供帮助来提高其临床工作率。

参考文献 [1] Bray F , Ferlay J , Soerjomataram I , et al. Global cancer statistics 2018: globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA: A Cancer Journal for Clinicians, 2018, 68(6). [2] Jie L . New generations of Chinese doctors face crisis[J]. The Lancet, 2012, 379(9829):1878. [3] Wang X Q , Wang X T , Zheng J J . How to end violence against doctors in China[J]. The Lancet, 2012, 380(9842):647-648. [4] Yang T , Zhang H , Shen F , et al. Appeal from Chinese doctors to end violence[J]. The Lancet, 2013, 382(9906):1703-1704. [5] Hesketh, Therese, Wu, Dan, Linan Mao,等. Violence against doctors in China[J]. BMJ: British Medical Journal (Overseas & Retired Doctors Edition, 2012, 384(9945):e5730. [6] Wong C W , Chan Y H , Cheng Y H , et al. Is overwork a precipitant factor of idiopathic ventricular fibrillation?[J]. International Journal of Cardiology, 2016, 223:218-219. [7] Shan H P , Yang X H , Zhan X L , et al. Overwork is a silent killer of Chinese doctors: a review of Karoshi in China 2013–2015[J]. Public Health, 2017, 147:98-100. [8] Woolhandler S , Himmelstein D U . Administrative Work Consumes One-Sixth of U.S. Physicians＼” Working Hours and Lowers their Career Satisfaction[J]. International Journal of Health Services, 2014, 44(4):635-642. [9] Chaoyuan, Liu, Xianling, et al. Using Artificial Intelligence (Watson for Oncology) for Treatment Recommendations Amongst Chinese Patients with Lung Cancer: Feasibility Study.[J]. Journal of medical Internet research, 2018. [10] Suwanvecho S, Suwanrusme H, Sangtian M, et al. Concordance assessment of acognitive computing system in Thailand. 2017 ASCO Annual Meeting.2017:6589. [11] Somashekhar SP, Sepélveda MJ, Norden AD, et al. Early experience with IBMWatson for Oncology (WFO) cognitive computing system for lung andcolorectal cancer treatment. 2017 ASCO Annual Meeting. 2017, 3:8527. [12] Sarre-Lazcano C, Alonso AA, Melendez F, et al. Cognitive computing inoncology: A qualitative assessment of IBM Watson for Oncology in Mexico.ASCO Annual Meeting. 2017:18166. [13] Beck JT, Vinegra M, Dankwa-Mullan I, et al. Cognitive technology addressingoptimal cancer clinical trial matching and protocol feasibility in a communitycancer practice. ASCO Annual Meeting. 2017:6501. [14] Baek JH, Ahn SM, Urman A, et al. Use of a cognitive computing system fortreatment of colon and gastric cancer in South Korea. ASCO Annual Meeting.2017:18204. [15] Ospina O M S , Ovalle D A , Néstor D. Duque. Adaptive and Personalized Educational Ubiquitous Multi-Agent System Using Context-Awareness Services and Mobile Devices[C]// International Conference on Learning and Collaboration Technologies. 2015. [16] Curioni-Fontecedro A . A new era of oncology through artificial intelligence[J]. Esmo Open, 2017, 2(2):e000198. [17] Somashekhar S P , Sepúlveda, M -J, Puglielli S , et al. Watson for Oncology and breast cancer treatment recommendations: agreement with an expert multidisciplinary tumor board[J]. Annals of Oncology, 2018. [18] Baek JH, Ahn SM, Urman A et al. Use of a cognitive computing system for treatment of colon and gastric cancer in Korea. J Clin Oncol 2017;35 (suppl 15):e18204A. [19] Kim M, Kim BH, Kim JM et al (2019) Concordance in post-surgical radioactive iodine therapy recommendations between Watson for Oncology and clinical practice in patients with differentiated thyroid carcinoma. Cancer 125(16):2803–2809 [20] LungCARD – Report on worldwide research and clinical practices related to lung cancer.[J]. Journal of B.U.ON. : official journal of the Balkan Union of Oncology, 2019. [21] Camidge, Ross D . Icotinib: kick-starting the Chinese anticancer drug industry[J]. The Lancet Oncology, 2013, 14(10):913-914. [22] 中国临床肿瘤学会血管靶向治疗专家委员会,非小细胞肺癌专家委员会,非小细胞肺癌抗血管生成药物治疗专家组. 晚期非小细胞肺癌抗血管生成药物治疗中国专家共识(2019版)[J]. 中国肺癌杂志, 2019, 22(7). [23] Institute of Medicine: Crossing the Quality Chasm: A New Health System for the 21st Century. Washington, DC, National Academies Press, 2001 [24] Arkes HR, Shaffer VA, Medow MA: Patients derogate physicians who use a computer-assisted diagnostic aid. Med Decis Making 27:189-202, 2007 [25] Shaffer VA, Probst CA, Merkle EC, et al: Why do patients derogate physicians who use a computer-based diagnostic support system? Med Decis Making 33: a) 108-118, 2013 [26] Palmeira M, Spassova G: Consumer reactions to professionals who use decision aids. Eur J Mark 49:302-326, 2015 [27] Porat T, Delaney B, Kostopoulou O: The impact of a diagnostic decision support system on the consultation: perceptions of GPs and patients. BMC Med InformDecis Mak 17:79, 2017 [28] Pezzo MV, Pezzo SP: Physician evaluation after medical errors: Does having a computer decision aid help or hurt in hindsight? Med Decis Making 26:48-56,2006 [29] Patel R, Green W, Shahzad MW, et al: Use of mobile clinical decision support software by junior doctors at a UK teaching hospital: Identification and evaluationof barriers to engagement. JMIR Mhealth Uhealth 3:e80, 2015 [30] Hajizadeh N, Perez Figueroa RE, Uhler LM, et al: Identifying design considerations for a shared decision aid for use at the point of outpatient clinical care: Anethnographic study at an inner city clinic. J Particip Med 5:e12, 2013 [31] Hamilton J G , Genoff Garzon M , Westerman J S , et al. “A Tool, Not a Crutch”: Patient Perspectives About IBM Watson for Oncology Trained by Memorial Sloan Kettering[J]. Journal of Oncology Practice , 2019 综述 人工智能-开启医学新时代 摘要：从AlphaGo大败柯洁到斯坦福团队在皮肤癌诊断方面取得新突破，再到沃森肿瘤大面积登录中国，人工智能的发展已经来到了一个爆发期，在医学领域的发展尤为突出。本文着重以沃森肿瘤为例，简要介绍人工智能的定义和近几年来人工智能在医学领域的发展和应用,并分析人工智能在医学临床上的实践现状和未来发展方向。

关键词：人工智能；
专家系统；
机器学习；

了解AI的定义，有助于我们更好的理解人工智能在医学领域应用的里程碑以及即将到来的机遇和挑战。但目前却苦于存在多种概念和定义，有的太过有的则不够。作为AI领域创始人之一的Nils Nilsson先生写到：“人工智能缺乏通用的定义。” 而一本如今已经修订三版的权威性人工智能教科书给出了八项定义，但书中并没有透露其作者究竟倾向于哪种定义。众所周知的图灵定义，虽然距离我们久远，但是目前人工智能讨论的话题绝大多数仍然在1950年阿兰图灵一篇标题为“计算机器与智能”的文章的范围之内。他定义了人工智能的三个方面：第一个是图灵测试，通过一个人向对方发送问题以及来回答问题，这个人通过对方的回答，判断对方是人还是机器；
第二个是人和机器在棋盘类游戏上的比赛，图灵当时就提出了；
第三个是机器能够像孩子一样去学习，这是最根本、目前差距最大的、也是人工智能最具有挑战性的方面。AIM的总编辑Carlo Combi在其上任的文章中则表示他更愿意倾向在线韦式词典的解释：计算机科学的一个分支，用于模拟计算机中的智能行为；
机器模仿智能人行为的能力来定义人工智能。然而对于我们的研究来说，我更倾向于，人工智能是在计算机科学、控制论、信息论、神经心理学、哲学、语言学等多种学科研究的基础上发展起来的一门综合性的交叉性的学科，是集新思想、新观念、新理论、新技术于一体的新兴学科[1]。

人工智能被划分为三个级别，即弱人工智能、强人工智能及超级人工智能。弱人工智能是指可以帮助人类完成某些任务的工具或助手，虽然看起来像是智能的，并不是真正的拥有智能。而强人工智能指的是，具有自己去推理问题，从而解决问题的能力的人工智能，这类人工智能可以独立的进行思考，会拥有自己的思想，自己的价值观，世界观及人生观，此时会具有生物的本能，同人一样会有生存及安全的需要。超级人工智能则是指全方位超 越人类的人工智能，它几乎在所有领域都比人类提升无数倍。而目前的主流研究还仍然集中弱人工智能这一层次，且已取得了可观的成就[2]。本文就弱人工智能在医学领域的发展和实践做一简要概述。

1．人工智能在医学领域的发展简史 “人工智能”概念最早出现在1950年图灵的《计算机与智能》一书，但直到1956年的达特茅斯会议上才被正式提出并日益受到重视。AI在诞生伊始就被开始梦想着运用到现实之中特别是医学领域，70年代医学人工智能处于初始孕育期，最初引起大家关注的是在医学领域，1974年在斯坦福大学成立了医学实验计算机研究项目，其重要的目标即为促进人工智能在医学中的应用[3]，但是由于那时候计算机还不能完成大规模数据和复杂任务的处理及分析，计算能力也有待突破，很多设想无法实现，从而使人工智能在医学领域的应用一直处于低谷期。直到上世纪八十年代，随着神经网络的发展及5代计算机的诞生，使医学人工智能处于了快速发展时期[4]。1985年召开了第一届欧洲医学人工智能会议[5]，1986年BP神经网络算法得以发明和应用，1989 年《医学人工智能》杂志在意大利创立[6]，直接促进了人工智能在医学领域的全面发展。进入21世纪以来，随着科技的进步、算法的提升、深度学习等认知技术的发展，人工智能在医学领域的应用逐渐走向成熟，由实验室研究进入了临床实践。

2．人工智能在医学领域的实践 2.1医学专家系统 专家系统是指在某个领域内具有专家水平的人工智能系统，医学专家系统就是运用专家系统的设计原理与方法，收集大量的资料与数据，模拟医学专家的思维活动与推断过程，来达到和医学专家同等的诊疗水平[7]。

最早的医学专家系统是1976年由斯坦福大学的肖特列夫等研制的MYCIN,该系统用于诊断和治疗细菌感染类疾病[8]。而随着大数据、自然语言处理、深度学习等技术的发展，目前比较成熟的医学专家系统是IBM公司与纪念斯隆-凯特琳癌症中心（MSKCC）历时4年训练而成的沃森肿瘤（WFO），通过提供个性化、有优先顺序的治疗方案来帮助肿瘤医生做出治疗决策[9]。IBM提供的资料显示，WFO可以在17 s内阅读3 469本医学专著、24.8万篇论文、69种治疗方案、61 540份实验数据、10.6万份临床报告，并根据医生输入的病例，提取患者的属性，再根据这些属性查找临床指南来确定候选治疗方案，然后搜索证据数据库，以查找每个选项的支持证据，最后再根据最佳证据，用沃森算法来给出最佳的和可供考虑的治疗方案，并在其后给出具体参考文献 [10-11]。目前WFO在各国的一致性研究都得到了很大的肯定。2016年的圣安东尼奥会议上，采用双盲法比较WFO和印度Manipal癌症中心对638例乳腺癌患者做出的治疗建议，一致率达到了93%[12]。根据青岛大学附属医院肿瘤精准医学中心一项400例患者参加的研究表明，WFO提供的治疗建议与肿瘤中心专家在某些癌种方面取得了高度的一致性，比如卵巢癌、肺癌等，而胃癌、宫颈癌等癌种一致性则相对较低（卵巢癌96%，肺癌80%，乳腺癌80%，直肠癌74%，宫颈癌64%，胃癌12%）[13]。从上面的数据可以看到，WFO具有如下的优势：①目前临床医生特别是年轻医生所欠缺的就是学习的时间以及临床的经验，根据最新资料显示，整个2015年全球发表的有关癌症研究的论文共计44万余篇，临床实践中的医生由于医疗数据增长快速，面临临床工作的巨大压力，临床医生是没有时间去阅读那么大量的文献。而沃森可以做到，WFO可以帮助医生制定最佳治疗方案，减少医生查阅及了解最新文献资料所耗的时间，提高临床工作效率，缩短年轻医生培养的年限；
②WFO可以使世界各地的患者得到国际上权威、实时、前沿的诊疗方案，使其治疗更加规范化、标准化；
③WFO不会疲倦，可以连续工作，弥补医生因疲劳而产生的差错。但在实践中也逐渐发现，其在某些方面还具有一定的缺陷：①目前的指南和文献都是基于国外的最新数据整理而成的，因为缺乏我国的本土数据，比如我们有一些自己的本土原研药，WFO并未收录，我国患者体质和西方患者体质差异较大，导致一些诊疗方案的不同，最后就是一些国外新的免疫及靶向用药，步入我国还需要一个周期，使其在我国临床上的应用受到一定的限制。②WFO应用还是比较局限的，如使用说明书中明确表明不支持多线化疗失败后的、18岁以下的以及妊娠的患者等。而且所涉及的几类癌种中每一类也明确标明了适用与不适用的范围，在多种情况下WFO也难以准确把握适用与不适用的度。③WFO虽然吸收了大量的数据资料，但据有关研究表明，其所做出的治疗建议可能并不完全是基于最好最全面的证据，很有可能是由人类监督员或者操作者来为WFO决定的，这些人都来自于MSKCC，即使有时候支持这些治疗建议的证据很薄弱，由于输入给了沃森，便使诊疗建议带有了MSKCC偏向，甚至有时候会出现错误[14]。

几乎所有使用过WFO的专家都一致认为，它将会是医生聪明能干的助手，可以更好地帮助医生进行诊断与学习。但WFO毕竟不是人，没有人类的思维及情感，在临床实践中，医生对疾病的判定是一个复杂的过程，有时候不仅仅要解决患者生理上的问题，大多时候可能需要解决的是患者心理上的问题[15]，医生会根据和患者及家属在情感上的沟通与交流来给出委婉的解释或最适合的治疗选择，而这是WFO不可能做到的，因此目前WFO是不可能取代医生的。

2.2智能图像识别系统 在临床工作中，医生的诊断依据主要是患者的主诉、症状、影像资料等，临床病理更是诊断的金标准[16]。虽然目前仍未有一款像WFO这样成熟的产品市场化，或者说被大家所熟知，但是基于人工神经网络（Artificial Neural Network，ANN）到卷积神经网络（Convolutional Neural Networks，CNN）而做出的各种人工智能模型已经在图像识别领域发展了很多年了[17]。首先，图像识别技术可以分析X射线、CT扫描、MRI、病理切片等图像资料[18]。而一张病理切片通常包含数百万个细胞，一个病理医师一天需要分析很多张病理切片，疲劳阅片现象非常普遍，影像科医生同样也是如此。许多研究人员发现，即便是对于同一例患者，不同影像科医生、病理学家给出的诊断也往往会有很大不同。2017年的一项研究发现，不同病理学家对乳腺癌诊断的一致率只有 75.3%，甚至在某些异型乳腺癌中，诊断的一致率竟下降到48%。可想而知，不少患者面临着误诊的风险。而随着人工智能技术的兴起，人工智能在影像、病理读片速度及准确度已经达到了可以媲美医生的程度。ESTEVA等[19]通过用近13万张痣、皮疹和其他皮肤病变的图像训练以CNN为基础的人工智能系统识别其中的皮肤癌，在与21位皮肤科医生的诊断结果进行比对后，发现其诊断准确率与医生不相上下，达91%以上。CICERO等[20]用CNN深度学习了35 038张胸部X线片，对胸腔积液、心影增大、肺实变、肺水肿、气胸进行了标记，人工智能系统判断这些疾病的特异度和灵敏度都很高，最高达91%。HAZLETT等[21]采用3层深度学习网络对315个参数（包括性别、不同脑区的体积、面积、厚度等）进行降维，预测自闭症高危婴儿患自闭症的可能性，准确率也达到了94%；
除此之外，在肺结节[22]、乳腺癌[23]、脑瘤[24]、前列腺癌[25]的分级分类问题上也都达到了90%左右的准确率。而人工智能在运用于传统的眼底镜影像诊断时遇到了一个很大的问题，传统的眼底镜不同于CT、MRI等，即不同的人拍摄出来的眼底镜照片在曝光程度、偏心程度、视野范围等方面都存在较大差异，如何在预处理时消除这些差异，是一个难题，但是人工智能判断视网膜病变的程度还是达到了与人类专家持平的程度， 特异度和灵敏度很高，达到了90%以上，但其算法的可行性还有待在以后的临床实践中进一步完善和明确[26]。

人工智能图像识别系统，还有一重要应用就是影像基因组学的研究，传统的基因分析，基于有创的穿刺活检，或者术后病理来进行，具有一定的风险。而基因组学的出现，则有望解决这一问题，基因组学通过提取影像学特征与基因组特征，并通过人工智能技术，完成关联，从而实现对疾病的非侵入式诊断以、鉴别及预后和疗效的评估。影像基因组学具有无创性、可重复性且成本低廉等优点，但其发展仍处于初步阶段，且具有诸多局限性，如其研究大多为小样本，在影像学目标区域的标定上缺乏统一的标准，临床的转化一致性较低等。但不可否认，随着人工智能的发展 ,影像基因组学将在医学领域尤其是肿瘤的研究工作中发挥更加积极的作用,并很有可能改变肿瘤患者的诊断、治疗和预后。

目前人工智能图像识别系统还是面临着很多挑战的：①数据质量问题，影像数据的质量，直接决定了人工智能模型学习结果，这是最基础的问题，标准的影像数据以及规范的标注是人工智能图像识别发展的关键。而我国，各个医院由于设备厂商的不同，导致了影像数据的不同，即使同一设备，造影剂剂量、层厚及成像深度等也会造成影像成像的不同。同时，影像数据必须经过经验丰富的影像科医师的标注，才可以用于机器学习。因此,发展人工智能图像是被系统,图像数据亟须规范化和标准化；
②应用范围问题，众所周知，一个影像科医师，是可以鉴别多种疾病的，而现在的人工智能图像识别系统大多集中在一个小的单病种领域，例如肺结节筛查等，而肺结节筛查仅仅是胸部疾病的小小一部分，大量的肺癌、肺炎、结合等造成的异病同影，异影同病现象人工智能图像识别系统是很难检出的，这也造成了临床影像科医生虽然看好它的前景，但目前使用的积极性不高；
③隐私泄露问题，人工智能图像识别系统，在使用过程中，需要挖掘大量的患者信息，存储在云端，这就造成了患者信息泄露的可能；
④责任划分问题，如若将来人工智能图像识别系统，开始参与医学影像的诊断，这样实际就是部分代替了影像科医师的职责，但是，出现误诊、漏诊，或者机器问题等一系列问题带来的对患者的健康或切身利益造成损害后，应该由谁来负责呢？所以，即使人工智能图像识别系统将来准确率超过影像科医师，也应该在影像科医师的审核及监督下进行工作，医师始终应该占据主导地位。

人工智能的图像识别技术原理即是在分割图像基础上，检测、提取特征[27]，最后进行诊断预测，基本上都是采用深度学习的方法。深度学习是一种基于ANN数据进行特征学习的算法的泛称[28]，如果说人工智能在医疗领域的哪个方面会率先取得突破，那一定会是在图像识别这一领域。也许在将来的临床工作中，对于一些繁重的工作，如病理诊断、实验室检查诊断或影像学诊断，AI可以起到辅助医生诊断的作用，甚至有替代临床医生进行独立诊断的可能。

2.3智能手术机器人 降低外科手术患者因手术切口过大而带来的伤害，一直以来，都是是现代外科学的最大目标。20世纪20年代，外科手术的“微创化”时代由腹腔镜揭开，然而随着腹腔镜的应用，其局限性也随之被发现，首先，手术角度是非常机械的不能随意转动，这样不能完整的观察手术部位，从而形成一些手术盲区；
其次，腹腔镜手术，只能带给临床医生带来二维的手术视野，而这恰恰限制了腔镜技术向更加复杂的外科手术的发展，这也造成了目前腔镜技术发展的最大瓶颈。进入21世纪以后，随着外科手术机器人技术的发展，并逐步进入临床，这个新技术 有望克服腔镜以往的不足。因为外科手术机器人这一全新的理念，及其带来的极佳的治疗效果，这个技术的产生被认为是外科手术史上的一次革命。目前，外科机器人手术正在逐渐成为微创外科手术的主流。在众多外科机器人之中，2000年7月通过美国的FDA认证后，“达芬奇”手术机器人系统成为世界上首套可以正式在手术室中使用的机器人手术系统。目前“达芬奇”外科手术机器人系统在多个外科开始应用，如泌尿外科[29]、心胸外科[30]、胃肠外科[31]、肝胆外科[32]、妇科[33]等。目前全球已有33个国家、800多家医院成功开展了60多万例机器人手术，三维立体和高清显像可以准确清晰定位手术部位，操作安全稳定、创伤小、恢复快，使得“达芬奇”手术机器人成为了目前外科微创手术的首选。虽然“达芬奇”手术机器人已经运用得如此广泛，但是其缺陷还是不容忽视：①目前最主要在于触觉反馈系统的缺乏，临床外科医生的双手不能直接接触到具体的、真实的手术部位，从而不具有触觉反馈，这样就不能判断手术部位组织的质地、弹性、有无波动等性质；
②“达芬奇”手术机器人的操作技术过于复杂，外科医生需要的学习周期比较长，外科医师与该系统的配合也需要长时间的磨合；
③还存在安装复杂，价格昂贵。但是不可否认，随着“达芬奇”机器人的发展，胶囊机器人、微型手术机器人等的到来，以后的手术方式会越来越微创化、智能化，同时也会促进在其他医疗领域的发展。

2.4智能病房 传统的病房，是医生及护士工作，为患者提供医疗服务的地方，为了减轻患者及临床医务工作者的压力，多家医院正在构建智能化病房。位于费城的托马斯·杰斐逊大学医院2016年便推出了由沃森系统支持的智能化病房，病人可以与沃森系统进行语言上的互动，不仅可以通过语言指令来调节百叶窗、灯光、室温等来满足自己的基本需求，更可以通过新系统来询问与自己相关的医疗护理问题。此外，该系统可以把患者与之的对话存储起来，以便为之后进行的医疗护理提供便利。该病房旨在通过智能化系统来提升患者的住院体验，同时来降低医生及护理人员的工作压力。同样，智能化的病房构建，不仅可以在普通病房应用，在ICU中同样适用，美国的AreteX公司开发了这样一项系统，主要为了解决，ICU患者在呼吸机辅助呼吸时，身体机能与呼吸节奏不同步而产生的“人机对抗”的问题。它可以基于患者集体状况，及患者使用呼吸机的数据而产生不同类型的人机同步，并把这些问题及信号，及时的反馈给护理人员及医师，从而将患者从“人机对抗”这一窘境中解放出来。此外，该公司设计了一款自动流体管理系统，有望改变传统的输液模式，及医生制定速度，护理人员执行，一段时间后根据患者集体情况，适当调节速度。传统的模式，患者随时可能因液体量过多或过少，速度过快或过慢，而产生不良反应。而该系统可以通过机器学习来把握个体由于输液而产生的反应，从来自动调节让患者的一般状况保持稳定，降低不良反应的发生率 。儿科由于患者的特殊性，常常会产生不必要的医疗纠纷，而应该的Alderhey儿童医院，为了解决这一问题，与英国科技设备委员会哈特里中心研发了一款医患沟通的平台，该平台通过向患儿及其家属询问一系列问题，包括喜欢的颜色、游戏、电影、停车、餐饮、卧室环境等问题来来学习，此外还会将诊疗、手术、麻醉相关的问题摄入其中，此平台完成后可以用于患者入院前后的沟通环节，帮助患儿及家属完成入院流程，使这个过程更加顺畅、简便。

智能化的病房，大多还处于临床试验阶段，但是已经可以看出其相较普通病房的巨大优势：①目前医疗工作中，大约三分之一是在照顾人，而这部分常常容易被压力巨大的医疗人员所忽视，相较于一本宣传手册，一个装载有患者信息的智能化的病房系统，可以缓解患者因疾病压力以及繁忙的医务工作带来的压力，同时可以缓解医务人员与患者沟通的压力；
②智能化的病房系统，可以使医务人员实时的了解患者病情变化，使医务工作变得更加省时、省力，同时可以减少医务人员由于繁忙、疲惫而造成的不必要的疏忽；
③智能化的病房系统，可以使患者的住院流程更加规范化，简便，省时、省力。

2.5人工智能可穿戴医疗设备 近几年来，以手环手表等为代表的可以检测心率的可穿戴设备层出不穷，而人工智能可穿戴设备在医疗领域的应用也越来越广泛。人工智能可穿戴医疗设备是指可以直接穿戴在身上的便携式医疗设备，人工智能可穿戴医疗设备作为一种新型的医疗技术，正在成为个人分析、测量身体状况、记录生理参数或告知用药时间的一个组成部分 [34-36]。它可以实时记录心率、呼吸、血压、血糖、血氧等人体最基本的指标，其真正的意义在于，帮助人们追求更健康的生活方式，而且还为积极跟踪人体的代谢状态、疾病的诊断和治疗提供持续化的医疗数据，即在生命体征数据化。目前从简单到复杂主要分为，被动监测仪、监测装置、诊断及治疗设备[37]。目前随着柔性电子、电化学生物传感器、微流体技术、蓝牙、人工智能等技术的发展，人工智能可穿戴医疗设备的发展也随之增速。人工智能可穿戴设备可以是与皮肤、眼镜、牙齿，甚至是大脑进行共形接触，来收集生化或电生理信号，从而来检测人体的变化。目前市场上的可穿戴医疗设备形态各异,主要包括智能手表、腕带、助听器、头戴显示器、电子鞋、皮下传感器等等。主要包括几大特征，即：可穿戴性、可移动性、可持续性、简单操作性、可交互性[38]。一家初创公司（BACtrack）设计了一种可穿戴传感器，用于测量出汗时血液中的酒精含量。这种可穿戴设备可以测量一个人最近的饮酒习惯。另一个可以跟踪酒精的可穿戴设备是PROOF，它利用酶电化学传感器测量出汗的酒精浓度。这种设备可以极大的传感器的墨盒可用于超过12小时的酒精连续测量。这些设备或许可以减少因酗酒产生的安全事故及心脑血管疾病。此外，一种新型的与胰岛素泵相联合的传感器被开发出来，用于监测血液葡萄糖的浓度，可以防止低血糖发作，并在一天中严格控制葡萄糖浓度。这种葡萄糖传感器可以与胰岛素泵通信，以产生闭环 反馈，控制葡萄糖浓度血液，提供实时血糖监测，可以通过智能手机、平板电脑或智能手表进行监测。当中葡萄糖浓度低或高时，智能手机应用程序会向患者发送音频警报，从而帮助患者控制血糖。一些智能运动鞋也已经被开发出来，被用于对人体运动状态进行分析，从而来纠正运动步态，改善运动习惯，甚至用来提高运动性能[39]。

综上所述，人工智能可穿戴设备应用于医疗领域，具有如下优势：①可以实时监测患者的健康数据，让患者随时随地的了解自己的健康状况，可以节省患者去医院检查的费用及时间成本，尤其适用于慢病管理；
②可穿戴设备的及时性，可以为更好的调配整合医疗资源提供基础，医院可以根据患者的即时数据反馈，实现上门或者远程会诊，大大降低了医患双方的成本；
③可穿戴设备的使用，可以实现全民健康大数据的采集，为将来的医疗大数据发展提供基础。但是也应该看到，医疗穿戴设备目前还是不成熟的，医疗穿戴设备提供检测的数据缺乏标准，安全不具有保障。其次，市场竞争激烈，各式各样的产品参差不齐，缺乏有力的监管。虽然目前的医疗可穿戴设备，大多只可用于数据检测，但是人工智能医疗，移动医疗将成为未来的一大趋势，未来可穿戴医疗设备将会更为普遍的使用，为用户带来检测、诊断、治疗建议的一体化服务。

2.4其他人工智能在医疗领域的应用 除上述应用之外，人工智能在医疗领域其他方面的研究也正在飞速发展着。比如智能制药，通过人工智能来进行药物筛选，对早期药物的设计进行指导[39]；
再比如智能外骨骼，可以帮助瘫痪的患者行走[40]；
以及智能健康管理等等，在这里就不一一赘述了。

目前人工智能在临床方面还处于试用研究阶段，还没有真正有历史性突破的研发。其发展也处在平台期（缓慢上升期），正在累积能量。任何事情，包括全世界文明，都是呈现指数的规律发展。那么人工智能也一定是这样，毋庸置疑的是，未来人工智能将会遍布医疗领域的方方面面。

3．人工智能应用于医疗领域的伦理问题 随着人工智能越来越广泛的应用，随之而来的伦理问题也是不而忽视的。医疗伦理自古以来就是贯穿了整个医学世界的。目前主要涉及以下几个问题。

3.1人工智能的主体权责问题 首先是人工智能技术在医疗领域应用中面临的主体问题，就是主体的权责问题，即使人工智能在许多疾病方面的准确率达到了甚至超越了医生的水平，然而，只要准确性不是 100%，就存在误诊的可能性，或者是手术机器人，在应用中因手出现断电、故障、错误操作等严重问题,可能导致患者死亡 ,这样的后果不堪设想。从而导致在现行的医疗事故处理条例和侵权责任法法律框架下的责任认定问题。在责任认定问题中，主体资格的确定是必然要涉及的。即使未来的人工智能技术成熟到无限接近医生，但是仍然会面临着很多不可逾越的障碍。在传统的法律主体概念下，智能机器人首先要有自我意识，才能成为法律主体。但要证明机器人是有自我意识的，而不是受人类控制，是极其困难的。所以，如果谁应该来对AI系统的最终决策负责，如果出了错误，谁来承担后果。当前阶段，主要还是在医生的监控下来工作的，理所当然，目前最终的权责都在医生身上，而未来若临床上广泛使用AI系统之后，这是一个亟待解决的问题。未来或许会有这样的一种模式，在AI系统出现差错，或因系统本身问题导致医疗纠纷时，从技术层面对AI系统生产厂商进行问责，并建立完善的责任及赔偿体系，或许可以保障AI在临床的规范应用。

3.2患者个人数据及隐私泄露的风险 人工智能带来的个人数据及隐私保护问题，个人的隐私是不容许他人随意侵犯的。医疗数据具有敏感性及私密性，且具有极大的研究及商业价值。而人工智能在收集这些数据之后，很容易被系统使用者收集之后，转卖给其他组织及个人。其次就是，医疗数据可能存储云端，在互联网中，可能会被多种方式盗取，如系统漏洞，黑客攻击等；
患者的医疗数据的泄露可能会导致各种严重的后果，首先，可能会导致一些药厂或私立卫生机构对患者进行推销医疗产品等服务；
其次，可能会导致一些骗子，有针对性的的进行诈骗等活动。隐私的泄露会对个人主体及其家庭造成巨大的影响及财产损失。因此，保护患者的医疗数据隐私是十分重要的，国家还需尽快出台《个人信息保护法》以保护个人隐私,防止隐私泄露。

3.3安全性风险问题 人工智能安全性风险，是指在使用人工智能系统时，可能会出现的安全性问题。可靠的人工智能系统在运行全周期理应是安全可靠的,并在适用且可行的情况下可验证其安全性。成熟可靠的人工智能医学系统应该是可以协助医生完成医疗活动，救治患者的，但那些不成熟、不稳定的系统可能会损害医疗活动，甚至剥夺患者的生命。典型的例子，如上文提到的WFO系统，在上市之初，根据报道,使用WFO的医学专家发现推荐了不安全的、错误的诊疗方案,这些方案可能来源MSKCC少量的专家推荐,而不是相关的指南或可靠的依据[9]。此外,一些我国真实的案例也表明WFO经常会提出错误的诊疗方案,它在给出诊疗方案的过程和底层技术上或许存在严重的安全性问题。例如,WFO提出的诊疗方案会包括给给有严重出血史的肺癌患者，使用会导致出血的抗癌药物 ,而从临床肿瘤学专家的角度判断来看,这种用药方式对患者可能是致命的。这些结果，无一表明，人工智能系统应用于医学领域，是可能导致误诊、漏诊，从而造成患者的生命安全的。这样一个结果对于医生、患者、人工智能生产厂商来说，都是一件难以承受的事情。而我国对于人工智能的安全性风险的监管仍处于探索阶段。人工智能的技术发展迅速，其在医疗领域应用的研究，也是日新月异。但目前尚未有通过审批的人工智能系统，国家出台相关政策，迫在眉睫。

3.4伦理保护问题 最后，人工智能在新药筛选及基因技术等研究中涉及的伦理保护问题2018年11月，在健康的人体胚胎上进行基因编辑并在毫无监管的状况下出生婴儿“露露和娜娜”引发了人们的广泛关注，先后有多个科学家群体发文对该研究项目的伦理问题提出质疑，也再次引发了人们对新技术应用的伦理关注。人工智能技术在新药筛选和基因研究、干细胞研究等生物医学前沿领域所带来高效和研发成本优势毋庸置疑，但是伴随着技术的应用，如果把好伦理关，防止伦理“潘多拉之盒”的开启至关重要。如人工智能技术可读取基因数据，制造导致基因变异的生化武器;其可未经临床试验，单纯从药物大数据中开发新药，是否会涉及禁忌药物的开发;医疗数据中的种族、性别、等信息，会否导致人工智能对某些群体的诊疗歧视;会否用于克隆人等反人伦的研究禁忌领域的研发。

4．小结 综上所述，人工智能将会是未来人类医疗的一个发展方向及趋势，但毋庸置疑，在医疗领域人工智能不会取代医生。但不可否认，人工智能正在非常快速地、不以个人意志为转移地进入我们的日常生活。人工智能就像PET-CT、MR、CT等医疗仪器的应用一样，随着这些新技术的发展，医生对患者病情的了解可以更加的精准，也可以尽早发现早期病变，医生的认知、业务能力也随之提高。同样，未来的医疗的新时代是人工智能的时代，人工智能并不会取代医生，只能会更好地辅助医生进行工作。而随之而来的伦理问题，也是我们需要面对的一大挑战。但是，随着科技的进步，法律法规的进一步完善，无疑未来的医疗，将会在人工智能的辅助下更加精准化、规范化、智能化。

参考文献 [1] Lawrence D R, Palacios-González C, Harris J. Artificial intelligence[J]. Camb Q Healthc Ethics, 2016, 25(2):250-261. [2] 王锡山．未来医学时代：人工智能诊疗[J]．中华结直肠疾病电子杂志，2017，6(4)：349-352． [3] Coles L. The application of artificial intelligence to medicine[J]. Futures, 1977, 9(4):315-323. [4] Gardner R M. Artificial intelligence in medicine: Is it ready?[J]. J Clin Monit Comput, 1986, 2(3):133-134. [5] Peek N, Combi C, Marin R, et al. Thirty years of artificial intelligence in medicine (AIME) conferences: A review of research themes[J]. Artif Intell Med, 2015, 65(1):61-73. [6] Adlassnig K P. Artificial-intelligence-augmented systems[J]. Artif Intell Med, 2002, 24(1):1-4. [7] 卢培佩，胡建安．计算机专家系统在疾病诊疗中应用和发展[J]．实用预防医学，2011，18(6)：1167-1171． [8] Shortliffe E H, Axline S G, Buchanan B G, et al. An artificial intelligence program to advise physicians regarding antimicrobial therapy[J]. Comput Biomed Res, 1973, 6(6):544-560. [9] Alessandra, Curioni-Fontecedro. A new era of oncology through artificial intelligence[J]. Esmo Open, 2017, 2(2):e000198. [10] Hanmiltn J G , Genoff Garzon M , Westerman J S , et al. “A Tool, Not a Crutch”: Patient Perspectives About IBM Watson for Oncology Trained by Memorial Sloan Kettering[J]. J ONCOL PRACT, 2019. 15(4):e277-e288 [11] Malin J L. Envisioning Watson as a rapid-learning system for oncology[J]. J Oncol Pract, 2013, 9(3):155-157. [12] Somashekhar S P, Sepúlveda M J, Puglielli S, et al. Watson for Oncology and breast cancer treatment recommendations: Agreement with an expert multidisciplinary tumor board[J]. Ann Oncol, 2018, 29(2):418-423. [13] Zhou N , Zhang, Chuan‐Tao, Lv, Hong‐Ying, et al. Concordance Study Between IBM Watson for Oncology and Clinical Practice for Patients with Cancer in China[J]. The Oncologist,2019，24（6）：812-819. [14] Choi Y I , Chung J W , Kim K O , et al. Concordance Rate between Clinicians and Watson for Oncology among Patients with Advanced Gastric Cancer: Early, Real-World Experience in Korea[J]. CAN J GASTROENTEROL, 2019, 2019:1-6. [15] 江泽飞，许凤锐．肿瘤医生眼中的人工智能[J]．精准医学杂志，2018，33(1)：9-11，14． [16] Gurcan M N, Boucheron L E, Can A, et al. Histopathological image analysis: A review[J]. IEEE Rev Biomed Eng, 2009, 2:147-171. [17] 李彦冬，郝宗波，雷航．卷积神经网络研究综述[J]．计算机应用，2016，36(9)：2508-2515，2565． [18] 刘士远，萧毅．基于深度学习的人工智能对医学影像学的挑战和机遇[J]．中华放射学杂志，2017，51(12)：899-901． [19] Esteva A, Kuprel B, Novoa R A, et al. Corrigendum: Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature, 2017, 546(7660):686. [20] Cicero M, Bilbily A, Colak E, et al. Training and validating a deep convolutional neural network for computer-aided detection and classification of abnormalities on frontal chest radiographs[J]. Invest Radiol, 2017, 52(5):281-287. [21] Hazlett H C, Gu H B, Munsell B C, et al. Early brain development in infants at high risk for autism spectrum disorder[J]. Nature, 2017, 542(7641):348-351. [22] Setio A A, Ciompi F, Litjens G, et al. Pulmonary nodule detection in CT images: False positive reduction using multi-view convolutional networks[J]. IEEE Trans Med Imaging, 2016, 35(5):1160-1169. [23] Zanjani F G, Zinger S, Piepers B, et al. Impact of JPEG 2000 compression on deep convolutional neural networks for metastatic cancer detection in histopathological images[J]. J Med Imaging (Bellingham). 2019, 6(2): 027501. [24] Qureshi H, Sertel O, Rajpoot N, et al. Adaptive discriminant wavelet packet transform and local binary patterns for meningioma subtype classification[J]. Med Image Comput Comput Assist Interv, 2008, 11(Pt 2):196-204. [25] Litjens G, Sánchez C I, Timofeeva N, et al. Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis[J]. Sci Rep, 2016, 6:26286. [26] Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs[J]. JAMA, 2016, 316(22):2402-2410. [27] 许燕，汤烨，闫雯，等．病理人工智能的现状和展望[J]．中华病理学杂志，2017，46(9)：593-595． [28] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436-444. [29] 韩辉，黄康博．机器人手术在泌尿生殖系统肿瘤中的应用进展[J]．临床外科杂志，2017(1)：36-39． [30] 李鸿浩，刘雪梅，昝懿恒，等．达芬奇机器人手术系统在我国胸心外科应用的科学性和伦理学系统评价[J]．中国胸心血管外科临床杂志，2014，21(3)：380-388． [31] 贾宝庆. 达芬奇机器人在胃肠手术中的应用[J]. 中华腔镜外科杂志(电子版), 2017, 10(5):281-282. [32] 张绍庚. 达芬奇机器人在肝脏手术当中的应用[J]. 中华腔镜外科杂志(电子版), 2017, 10(5):286-287. [33] 陈必良. 达芬奇机器人在妇科手术中的实践[J]. 中华腔镜外科杂志(电子版), 2017, 10(5):288-289. [34] Le Hong H, Velosa A. Hype cycle for the Internet of Things,2014 [Internet]. Stamford(CT): Gartner Inc. :2014. [35] Evans D. The Internet of Things: how the next evolution Of the Internet is changing everything [Internet]. San Jose (CA): Cisco Internet Business Solutions. Group：2011. [36] Haghi M, Thurow K, Stoll R.Wearable Devices in Medical Internet of Things: Scientific Research and Commercially Available Devices[J]. Healthc Inform Res, 2017 ，23(1):4-15. [37] IMS Research.World Market for Wearable Technology-A Quantitative Market Assessment-2012[R].2012. [38] S Patel, H Park, P Bonato, et al.A Review of Wearable Sensors and Systems with Application in Rehabilitation[J]. J Neuroeng Rehabi, 2012, 21(17):15-16. [39] Yetisen, Ali K, Martinez-Hurtado, Juan Leonardo, UEnal, Baris, et al. Wearables in Medicine[J]. Advanced Materials, 30(33):1706910.1-1706910.26. [40] Zhang L, Tan J, Han D, et al. From machine learning to deep learning: progress in machine intelligence for rational drug discovery.[J]. DrugDiscov Today, 2017.22（11）：1680-1685. [41] 唐智川, 张克俊, 李超,等. 基于深度卷积神经网络的运动想象分类及其在脑控外骨骼中的应用[J]. 计算机学报, 2017, 40(6):1367-1378. 缩略词表 英文缩写 英文全称 中文名称 AI Artificial Intelligence 人工智能 WFO Watson for Oncology 沃森肿瘤 SCLC small cell lung cancer 小细胞肺癌 NSCLC non-small cell lung cancer 非小细胞肺癌 MSKCC Memorial Sloan-Kettering Cancer Center, MSKCC 纪念斯隆凯特琳癌症中心 ASCO American Society of Clinical Oncology(ASCO) 美国临床肿瘤学会 DTC Differentiated Thyroid Carcinoma 分化型甲状腺癌 EGFR epidermal growth factor receptor 表皮生长因子受体 EGFR-TKI epidermal growth factor receptor-tyrosine kinase inhibitor 表皮生长因子受体酪氨酸激酶抑制剂 PD-1  programmed cell death-1 程序性死亡受体1 PD-L1 programmed cell death-Ligand 程序性死亡受体-配体1 ICU Intensive Care Unit 重症监护护理病房 GPS Global Positioning System 全球定位系统 VEGF Vascular endothelial growth factor 血管内皮生长因子 LUAD Lung adenocarcinoma 肺腺癌 LUSC ANN CNN Lung squamous cell carcinoma Artificial Neural Network Convolutional Neural Networks 肺腺癌 人工神经网络 卷积神经网络 致谢 还记得，初次踏入青岛大学是在2017年，时光荏苒，转眼间已经在青岛大学度过了硕士生涯的三年。回顾硕士生涯的这3年，我的每一天都是开心的、每一天都是学习、每一天都是奋进的、每一天都是拼搏的、同时每一天也是值得回忆与铭记的。因为自从踏入青岛大学，进入青岛大学附属医院，我就成为了青医大家庭的一份子，有一种使命感就油然而生，我这三年来点点滴滴的成长和进步都源于青大以及青医。这三年不仅我在成长，青岛大学，和我当年所向往这座拥有无限魅力的城市一样在不断的成长，仅仅3年间我就见证了青岛大学、青医附院以及青岛翻天覆地的变化。我相信青岛大学以及青医附院的明天会更加辉煌，在此我要感谢母校和青医对我这3年的培养。

同时，我最需要感谢的是我的导师，著名的肿瘤精准治疗专家张晓春教授，她在我这三年的学习中给予了我精神上的指引和鼓励、生活上无微不至的关怀、学习和科研上精确的指导。我的导师是一名启蒙者，像是一位慈母，是我人生道路上的领路人。她胸怀宽广，学术渊博，眼界开阔，态度严谨，心态乐观豁达，是我们极受尊重的学者。她言传身教，学识和品格是我学习一生的模范，给我今后的人生道路提供了借鉴，是一笔巨大的精神财富。张传涛、李田军、侯和磊、朱静娟等带教老师也给予我极大的支持与帮助，老师们在生活上和临床上，总是耐心、细心地指引我、帮助我解决各种困难。大大小小的事情我总是喜欢同他们商量，向他们请教，他们教我学会了很多道理、让我明白了很多事情。

在这里我要感谢周娜老师对我毕业论文的指导，一遍一遍不厌其烦的帮我修改，细心的指出我的错误。要是没有她，我也完不成这篇论文的写作。

感谢为了我们的理想信念一起奋斗的小伙伴们，他们包括：我的同门赵德泽、秦康、梁宇，以及我的师妹师弟孙丹彤、韩骐蔓、曲家鳞、王力等，在我学习、工作、生活中给予的大力支持和帮助。

感谢肿瘤精准医学中心全体老师及全体同学在工作、学习和生活上给予的莫大关心、支持和帮助。

最后向一直以来所有关心、帮助、支持我的家人、朋友、老师以及同学表示真诚的谢意与美好的祝福。

学位论文独创学位论文独创性声明 本人声明，所呈交的学位论文系本人在导师指导下独立完成的研究成果。文中依法引用他人的成果，均已做出明确标注或得到许可。论文内容未包含法律意义上已属于他人的任何形式的研究成果，也不包含本人已用于其他学位申请的论文或成果。

本人如违反上述声明，愿意承担由此引发的一切责任和后果。

论文作者签名：
日期：
年 月 日 学位论文知识产权权属声明 本人在导师指导下所完成的学位论文及相关的职务作品，知识产权归属学校。学校享有以任何方式发表、复制、公开阅览、借阅以及申请专利等权利。本人离校后发表或使用学位论文或与该论文直接相关的学术论文或成果时，署名单位仍然为青岛大学。

本学位论文属于：
保密 □，在 年解密后适用于本声明。

不保密□。

（请在以上方框内打“√” ）
论文作者签名：
日期：年月日 导 师 签 名：
日期：
年 月 日 性声明、学位论文知识产权权属声明