导语：结合临床和分子数据的机器学习算法，也正逐渐成为未来医学领域的潮流。
智东西7月17日消息，近日，约翰斯·霍普金斯大学（TheJohnsHopkinsUniversity，简称JHU）的外科医生和计算机科学家们开发出了一种名叫CompCyst的测试系统，它能通过机器学习算法分析患者的综合性囊肿，并判断患者是否需要进行手术、观察或能够出院。
据研究人员表示，目前CompCyst测试系统的分析效果比当下的常规护理（医生观察和医学成像）判断的效果更好。例如，系统测试正确预测了49％的患者需要被观察，而用传统常规诊断预测的仅有34%。
CompCyst测试系统的研究成果已于美国时间年7月17日发表在《科学转化医学（ScienceTranslationalMedicine）》杂志上，名为《一项指导胰腺囊肿患者护理的多模态测试（Amultimodalitytesttoguidethemanagementofpatientswithapancreaticcyst）》。
一、高达78%的囊肿并未癌变
据估计，如今美国每年有80万名患者被诊断出患有胰腺囊肿，然而医生并没有很好的方法来区分哪些囊肿会导致致命的癌症，哪些是良性的，这种模棱两可的诊断导致了成千上万次不必要的手术。
而一项研究发现，那些被诊断出患有胰腺囊肿并进行手术的患者，其中有高达78％的囊肿最终并没有癌变。
值得注意的是，患者进行胰腺囊肿手术后需要三个月才能康复，同时手术并发症的概率为50%，患者在手术台上死亡的概率为5%。
Kimmel癌症中心外科肿瘤学主任、研究论文作者之一的ChristopherWolfgang表示，绝大多数患者的胰腺囊肿都是良性的，但医生会对它们进行追踪。
一方面，医生需要追踪大约几十万名患者，抛开高昂的成本不说，他们还要在某些情况下对患者进行侵入性检查，以找到少数囊肿将会发展成癌症的患者。
另一方面，医生对患者进行后续的随访测试时，患者可能会涉及辐射暴露和并发症，并引发焦虑。
二、CompCyst使60%至74%的患者避免手术
基于胰腺囊肿诊断的高成本和高风险等问题，Lennon、Wolfgang和其他研究人员开始着手建立一种能筛查患者信息的工具，希望找出能分析低风险囊肿和高风险囊肿的方式。
为此，他们收集了数百名患者的数据，这些患者均来自霍普金斯大学和世界各地的15个医疗中心，且都被诊断患有囊肿，需要进行手术切除。
手术后，研究人员对每个囊肿进行了检查，将它们分别归类为无风险、小风险或将癌变的高风险。
研究团队的CompCyst测试系统采用了一种叫做MOCA的机器学习算法，该算法能够用于组合变异的多元组织，将患者身体的分子数据（包括DNA突变和染色体变化）、被提取的囊肿液和囊肿成像测试的蛋白质信息相结合。
随后，研究人员用名患者的数据对算法进行训练，然后在名患者的第二组独立数据上进行测试。
霍普金斯大学的博士后研究员、研究论文作者之一的MarcoDalMolin表示，该算法测试了数百万个数据点的组合，以高灵敏度和高特异性来预测正确的治疗途径。
测试结果显示，CompCyst系统在三组病人中的分析，比目前医生们使用的常规护理判断的效果更好。
其中，CompCyst正确预测了60%的患者能够出院，49%的患者需要被继续检测，91%的患者需要进行手术。而使用常规护理分析的数据分别为19%、34%和89%。
总的来说，研究人员估计，如果使用CompCyst来决定对这些患者进行分析护理，将有60%至74%的患者可以避免不必要的手术，但这也取决于囊肿的类型。
三、已获得商业开发许可证
在CompCyst测试系统开发后，约翰斯·霍普金斯的Kimmel癌症中心胰腺囊肿计划主任AnneMarieLennon表示，他们对这项研究成果感到非常兴奋，她希望他们能在6到12个月内为霍普金斯的患者们提供测试，并在进行一个更大、更具有前景的临床试验后，将这一成果商业化。
“利用机器学习结合临床和遗传特征是未来的浪潮，这不仅可以为胰腺囊肿的临床判断提供信息，还可以为许多其他疾病的临床判断提供帮助。”约翰斯·霍普金斯大学的路德维希中心（LudwigCenter）肿瘤学教授兼联合主任、研究论文作者之一的BertVogelstein表示。
值得一提的是，最近Vogelstein和另外两位论文合著者共同创办了一家名为ThriveEarlierDetection的公司，将早期癌症检测整合到常规的医疗护理中，为癌症早期患者提供检测。同时，该公司已获得CompCyst的商业开发许可证。
结语：一次成功的AI+医疗商业化尝试
目前，医学领域中还存在着许多高风险、高成本却癌变可能性难以预测的病症，这常常会让医生和大多数患者产生困扰。
约翰斯·霍普金斯大学的研究人员们把人工智能技术与医疗手段相结合研发出的CompCyst测试系统，这不仅给医疗领域的发展和医疗水平提供了有效帮助和成功经验，也是一次将AI成功应用到医疗领域并实现商业化落地的一次尝试。
文章来源：IEEE