AI破冰癌症治疗！Cancer Res：牛津大学科学家利用人工智能技术开发更具个性化的癌症疗法策略，能显著延长患者复发的时间，最长可达两倍

长期以来，癌症的标准治疗方案都旨在彻底清除癌细胞，然而，由于药物耐受性的出现，这些策略在应用到转移性癌症上时往往会失败。目前，适应性疗法策略已经发展成了一种可替代的方法，其能动态调整疗法以抑制耐药性肿瘤的增殖，从而减缓甚至阻止疾病进展，尤其在前列腺癌治疗领域显示出显著的临床价值。

近日，一篇发表在国际杂志Cancer Research上题为“Mathematical Model-Driven Deep Learning Enables Personalized Adaptive Therapy”的研究报告中，来自牛津大学等机构的科学家们利用人工智能（AI）技术开发了个性化的癌症疗法，旨在有效预防癌症复发，应对当前治疗中的关键挑战。

这项研究中，研究人员通过联合研究引入了一种新型框架，其能应用深度加强学习（DRL, deep reinforcement learning，一种人工智能形式）来为前列腺癌患者创建出一种适应性的治疗计划。

研究结果表明，相比依赖最大耐受剂量(MTD)或非个性化间歇治疗相比，该新型适应性方法能显著延长患者复发的时间，最长可达两倍。研究者Kit Gallagher表示，该框架利用了数学模型产生的合成数据训练DRL算法，模拟先前临床试验的观察结果，成功创造出大量“虚拟患者”数据，便于评估难以在实际临床环境中测试的治疗方案。

科学家如何利用人工智能技术开发更具个性化的癌症疗法策略？

图片来源：Cancer Research (2024). DOI:10.1158/0008-5472.CAN-23-2040

研究结果表明，DRL框架始终能优于在临床中使用的传统MTD和适应性策略，有效推迟了所有测试病例的复发，且对患者反应的变异性具有高度稳健性，这是临床应用的关键要求。重要的是，研究者已经证明，可解释的疗法策略能从“黑箱”深度学习网络中提取出来，其能以一种临床医生能理解并为患者开具处方的形式发挥功能。研究者Kit Gallagher说道，长期以来，可解释性一直是将机器学习方法整合到临床实践中所面临的重大障碍，当这些框架是一个黑盒子，我们并不能理解其是如何提出治疗建议的，我们也并没有信心将其应用于临床中，但最新研究结果表明，这个障碍或许是可以克服的。

此外，即使是对新药物初治、缺乏治疗反应历史记录的患者，该方法也能发挥作用，通过创建患者的“虚拟孪生”并根据初步治疗反馈微调DRL模型，为制定个性化治疗方案提供依据。未来，研究团队将继续优化这一方法，并探索其在更多种类癌症治疗中的应用可能性。总之，本研究提出的框架成功生成了个性化治疗策略，其效果优于当前临床标准，标志着个性化癌症治疗领域的一大进步。（生物谷Bioon.com）

参考文献：

Kit Gallagher，Maximilian A.R. Strobl，Derek S. Park, et al. Mathematical Model-Driven Deep Learning Enables Personalized Adaptive Therapy, Cancer Research (2024). DOI:10.1158/0008-5472.CAN-23-2040