临床肿瘤学中迅速增长的数据收集可用于增强癌症护理，应用人工智能（AI）领域的最新进展，可以集成和综合不断增长的多维数据进行模拟推演，并预测结果，从而改善患者和临床医生的共同决策。
2021年4月29日，哈佛-BWH人工智能（AIM）项目的主任Hugo J.W.L. Aerts领衔在《Cancer Cell》上发表了一篇名为“Artificial intelligence for clinical oncology”的文章。主要对AI在临床癌症护理中的应用，以及在临床转化中面临的挑战进行了阐述，并提出了解决方案。除此之外还提出如何将AI应用至患者的个性化护理中，其重点在于临床有效性、实用性和可用性。
AI的最初定义是机器执行与人类绩效相关的任务的能力；后诞生机器学习的概念，指的是算法无需显式编程即可学习数据和执行任务的能力；深度学习是机器学习的一个较新的子集，它能够通过结合分层神经网络从原始的、非结构化的输入数据中学习模式。随着日常护理中越来越多地生成多维数据，人工智能（AI）可以支持临床医生沿着他们的护理路径形成患者的个性化视图，并最终指导临床决策，但将AI成功整合到临床肿瘤学中仍面临许多挑战。
AI在临床肿瘤学中的应用需通过癌症风险预测、筛查、诊断和治疗，即将数学预测整合到患者护理路径中。如图1所示，从AI的角度来看，患者路径是一个优化问题，其中异构数据流作为输入汇聚到数学支架（即机器学习算法）中。途中不断增加的输入清单包括：患者的临床表现、既往病史、基因组学、影像学和生物测定学，并且可以大致细分为肿瘤、宿主或环境因素。算法的复杂性通常由此类数据的数量，异质性和维数决定，其中有用的肿瘤学数据流大致遵循历史可用性的顺序，包括临床表现、肿瘤分期、组织病理学、定性成像、肿瘤基因组学、患者基因组学、定量成像、液体活检、电子病历、可穿戴设备来源的数据。
肿瘤学研究的兴起，数据生成的增加以及计算技术的进步共同导致了从低维患者数据表示到高维患者数据表示的框架转变。如图2所示，患者沿着癌症护理路径前进，影响深远的患者内数据流的数量也在增长，沿着路径的每个步骤，都会从路径中生成新数据，并有可能在以后的时间重新整合到路径中。随着临床肿瘤学方面的生物学知识和数据流的增长，可以使用机器学习算法来学习适用于越来越精确的患者组的模式，并生成预测以指导下一位“看不见的”患者的治疗，从而达到癌症的精密护理。同时，本文研究人员建议应从以下癌症护理接触点的患者和临床医生的角度来探讨AI在临床肿瘤学方面的发展：风险预测、癌症筛查、诊断、风险分层及预后、初始治疗、反应评估、后续治疗和随访。
考虑到医疗保健数据固有的异质性、分散性和私有性，肿瘤学领域中的共享数据可能无法达到其他技术部门所享有的数据健壮性水平。因此，必须有一些策略来减轻数据问题，如适当的算法选择、模型体系结构改进、数据预处理和数据增强技术。最重要的是，为了产生临床影响，跨癌症护理接触点精心选择狭窄使用案例是至关重要的。
目前临床上肿瘤AI转化面临的挑战包括以下两点：1）数据限制，关于数据管理、汇总、透明度、偏差和可靠性的问题尚未解决；2）AI模型的可解释性、可信度、可重复性和可泛化性的缺乏。如图3所示，这里研究人员介绍了一些在开发和验证的初步阶段已经成功的模型的临床转化的特定概念:临床有效性、实用性和可用性。为证明临床有效性，模型通常按照以下一般顺序进行评估:内部验证、外部验证、前瞻性测试和在实际人群中的局部测试；证明临床实用性必须具备临床有效性的前提，但不仅限于性能验证，还包括对临床有意义终点的测试；除了验证有临床意义的端点之外，临床可用性还包括在现实世界中研究人工智能模型，在那里它与临床医生和患者交互。
不断增长的数据流和计算算法的进步，已经将人工智能定位为通过严格评估的窄任务应用程序，在癌症治疗路径上的特定接触点进行交互，从而改善临床肿瘤学。尽管临床肿瘤学中有许多很有前景的AI应用正在开发中，但在弥合临床转化的差距方面仍存在重大挑战，其进一步发展应注重临床有效性、实用性和可用性。而这些概念的成功结合将需要患者-提供者，临床决策中心的重点模型的发展和评估。
