微软AI项目Hanover极大提高了癌症存活率，AI+医疗将碰撞出怎样的火花？

在全球，每天都会有研究者公布数以百计的新抗癌药物和研究来帮助医生使用个性化的药物组合，针对特定的发病原理对病人进行治疗。然而现在的问题是，面对过多的信息和药物组合，医生很难从中选出最佳方案。

据彭博社报道，最近微软研究院正在进行一项名为Hanover的机器学习项目。微软方面已表示，该项目的目标是帮助医生处理所有文件并预测最有效的药物及药物组合。

来自俄勒冈卫生科学大学癌症研究所Knight的研究人员就正在与Hanover工程师Hoifung Poon展开合作——使用该系统寻找抗击急性骨髓性白血病（一种数十年未能得到有效治疗的致命癌症）的有效药物组合。

此外，Hanover还邀请研究员Jeff Tyner以及Knight癌症研究所所长Brian Druker（另一种白血病特效药Gleevec的研发者）在这次协作研究中担任重要职务。

目前，这种药物专利属于诺华公司，而它目前给我们带来的最大惊喜是，可以将自上世纪90年代以来该疾病的“患者五年存活率”提高一倍。

微软AI医疗项目Hanover：在上万中药物中寻找直击癌症的最佳组合

癌症主要是由基因突变造成的细胞生长和繁殖失控引起的。随着更高端的特定突变筛查技术问世，人们开发出了针对性更强的新型药物，提高了患者的生存几率。

2015年，美国药品研究与制造商报告显示，超过800种抗癌药品与疫苗正在进行临床试验。与此同时，耗时更短、成本更低的基因测序技术大大推动了相关疗法的研究和开发，这意味着更多的癌症患者将获得准确的病情数据。

在微软于本周二（9月20日）公布的几个项目中，Hanover项目来自于当地达特茅斯学院著名的1956 Ai工作室。该项目致力于开发新的计算方法来推动癌症治疗和研究。另外几个项目则涉及机器学习与计算机视觉系统，它们可以帮助放射科医生了解肿瘤的扩展过程，并在未来帮助科学家通过“编写”新型细胞来对抗疾病。

在最近的一次采访中，研究员Poon向彭博社展示了一组幻灯片。在第一张照片中，一位黑素瘤患者的胸前几乎长满了肿瘤；在第二张照片里，针对性疗法则完全消除了所有病灶。但第三张图片却显示，大多数病变在几个星期后出现了复发。

也就是说，另一种突变再次触发了癌症。Poon表示，靶向药物组合或许能够对付这种情况。但是，怎样才能找到合适的药物组合呢？

“这类靶向药物目前已有上百种，如果我们将两种药物进行配对，组合将高达数万种以上。这样的问题其实很难解决。况且你可能需要好几种药物组合来封锁所有肿瘤的生长途径。”

而通过目前的实验结果来看，Hanover项目却可以大大降低这个问题的难度。对于目前与微软Hanover项目合作取得的显著成绩，Knight研究所研究员Tyner表示：

“我们真得非常兴奋！我们在数据处理上一直面临着各种挑战，这也是生物学家需要与信息科学家及计算学家进行合作的根本原因。通过AI进行资源整合将在研究疗效更强、毒副作用更小的疗法上帮助我们取得突破性进展。”

此外，Hanover也想利用机器学习技术帮助肿瘤联合讨论会（即一群医生聚在一起讨论最佳治疗方案）提高工作效率。Poon认为，有时候医生们其实很难依靠大量的专业性资料来做出迅速的诊疗判断：

“肿瘤联合讨论会目前的瓶颈之一就是‘如何了解这方面的所有知识以及找出有效的推断方法’。如果不能实现这一过程的自动化，人们就必须利用科技手段处理好这个问题。”

目前，威斯康星大学生物统计学与医学信息学教授Mark Craven已借鉴了Poon提供的类似方法完成了对三阴性乳腺癌的潜在相关基因研究。

不仅仅是微软，更多公司开始利用AI解决医疗难题

机器学习技术，指的是计算机在无需人类特意编程的情况下通过搜集数据来进行学习。这一技术正越来越多地被运用于论文数据、临床试验结果、放射报告及电子病历的分析与研究中。譬如，IBM公司的沃森肿瘤系统（Watson Oncology system）就正在帮助医生解析临床数据并开发个性化的治疗方法。

更值得注意的是，Google 神秘部门DeepMind的医疗服务组正与英国政府卫生服务部门进行合作，训练计算机来找到“及早发现退行性眼部问题并防止失明”的方法。

与此同时，一些医疗创业公司也将AI充分应用到了癌症治疗与病例管理中。位于加州帕萨迪纳市的初创公司Deep 6 Analytics正致力于挖掘健康记录等非结构化数据，为新药物临床试验寻找志愿患者；由Google创投部门注资的创业公司Flatiron Health则试图将癌症治疗中心提供的研究和患者信息转化为数据库，从而提高临床试验效率。

但供职于洛杉矶Cedars-Sinai医院，负责临床信息管理的医学主管Anil Goud却表示，虽然这些基于机器学习的方法对找到新的癌症护理有效方式非常重要，但挑战仍然存在。

第一，我们还需要解决“如何将机器学习软件收集到的数据交到临床医生手上并将其融入他们的日常工作流程”这个问题。

第二，虽然一些健康保险公司可能同意为这些得到研究支持的药物组合提供保障。但从整体来看，这其实是保险行业中的新领域，可能会有一定的风险。

第三，研究人员还需要找到足够的患者来担当试验对象，确保各种新联合疗法的功效。

但他仍然对此抱有极大的希望：

“在肿瘤学中，如果没有机器学习技术的帮助，实现这些东西几乎是天方夜谭。如果没有机器学习，我们将耗费多得多的时间来筛选这些数据。”