癌症是全球第二大死亡原因，传统的医疗保健模式不再能够满足患者日益多样化的需求。医疗保健专业人员正在寻求创新模式以提高对癌症发生、发展、诊断、预防和治疗的理解。其中随着科学技术的飞速发展，人工智能（AI）成为癌症领域的研究热点。AI通过数学算法模拟人类的认知能力，解决困难的医疗保健挑战，AI在过去十年用于临床决策的数据呈指数增长，被证明是超智能优化决策的潜在平台。随着常规护理中多维数据的增加，AI可以支持临床医生沿着护理路径形成患者的个性化视图，并用于指导临床决策。这些决策依赖于整合不同的复杂数据流，包括临床表现、患者病史、肿瘤病理学、基因组学和医学成像等。
AI包括机器学习（ML) 和深度学习（DL）。其中ML是 AI 的子集，应用数学和统计方法来提高计算机的性能。DL是ML的子集，其特征是具有多层人工神经网络的操作。用于模仿人脑的数据处理能力，以识别图像，对象，处理语言，改善药物发现，升级精准药物，改善诊断并协助人类做出决策。本文将对AI在癌症中的应用现状进行总结，以供参考学习。
高性能的ML/DL算法可以通过学习整个转录组的模式来克服标准计算方法的局限性。AI应用于分析大量多组学数据（外显子组，转录组和表观基因组）并结合临床注释数据集，进一步实现药物敏感性基因的鉴定、变异检测、RNA剪接位点的预测等。例如，已经发现使用全转录组RNA测序数据并结合多个肿瘤谱的ML方法可以准确识别癌症状态并将其与正常细胞区分;它对罕见的癌症类型表现良好，并在预测肿瘤起源部位方面显示出实用性。
● 基于成像的ML模型可用于预测癌症患者的生存结果，如局部复发、远处复发和死亡率。例如，多种新兴的基于成像的ML模型可预测胰腺癌患者的临床结果，包括总生存率和无病生存率。未来，这些信息可能会推动癌症幸存者的个性化护理，包括监测和优化策略以防止肿瘤复发。目前，基于成像的ML模型已被证明具有预测肿瘤病理学和基因组改变的潜力。可在未实际采样的情况下提供诊断和生物标志物信息，从而实现“虚拟活检”。例如，针对胶质母细胞瘤，正在开发基于无创成像的模型，该模型可预测肿瘤内的遗传改变并影响临床管理。
人工智能的持续发展可能彻底改变未来医疗保健专业人员诊断、治疗和管理疾病的方式。鉴于该领域的发展速度以及人工智能在癌症科学中的许多潜在应用，人工智能将在未来十年彻底改变肿瘤学，降低我们卫生系统的脆弱性和护理成本。但AI在医疗保健和癌症的应用中存在亟待解决的挑战。如缺乏对数据收集和管理的标准化，模型的前瞻性临床验证有限，训练数据集中的固有偏见，缺乏监管和法律框架等。未来应对这些挑战所需的人员和资源投资应与推动人工智能技术创新的投资同时进行。
