个体化医疗新前沿：诊疗一体化与人工智能

源于：原创 吉爱兵 宜兴日志 

Theranostics and artificial intelligence: 

new frontiers in personalized medicine

个体化医疗新前沿：诊疗一体化与人工智能

-------------------------------------

摘要

在加强病人护理的目标的推动下，治疗学领域正在迅速发展。最近在人工智能(AI)及其创新治疗应用方面的突破，标志着核医学向前迈出了关键的一步，导致了精确肿瘤学的重大范式转变。例如，人工智能辅助的肿瘤表征，包括自动图像解读、肿瘤分割、特征识别和高危病变预测，改善了诊断过程，提供了精确和详细的评估。人工智能算法根据个人独特的临床特征量身定制综合评估，有望提高患者风险分类，从而使患者需求与最合适的治疗计划相结合。通过发现人眼不可见的潜在因素，如肿瘤放射敏感性或分子剖面的内在变化，人工智能软件有可能彻底改变反应异质性的预测。为了精确和高效的剂量测量计算，人工智能技术提供了显著的优势，它提供了定制的幽灵体模，并简化了复杂的数学算法，使个性化剂量测量在繁忙的临床环境中可行和可访问。人工智能工具有潜力用于预测和减轻治疗相关的不良事件，使早期干预成为可能。此外，生成人工智能还可以用于寻找新的靶点，开发新的放射性药物，促进药物发现。然而，尽管人工智能在治疗领域的作用有巨大的潜力和显著的兴趣，但这些技术并不缺乏限制和挑战。还有很多东西需要探索和理解。在本研究中，我们探讨了当前人工智能在治疗学中的应用，并寻求为未来的研究和创新拓宽视野。

关键词:人工智能，机器学习，治疗学，肿瘤剂量学，药物发现，核医学

简介

Theranostics（诊疗一体化）将先进的成像技术与靶向治疗相结合，为精准肿瘤的关键领域提供见解，如优化的治疗方案和有效的监测。尽管试验和登记的早期结果是有利的，但现代治疗学仍处于早期发展阶段。因此，许多临床细微差别，包括个体化剂量的确定或治疗成功的预测因素，需要进一步的探索。

人工智能(AI)包括先进的计算算法，旨在识别复杂数据集中的模式，并通过复制人类智能来执行任务。考虑到现代数据处理能力，人工智能在其他复杂领域的应用，如放射组学、基因组学或转录组学，可能会通过提供有价值的见解来加速患者管理的进展预测治疗结果，丰富个性化医疗服务，这是Theranostics（诊疗一体化）的最终目标。

尽管人工智能已经被纳入医疗保健的各个层面，但它在诊疗应用中的作用值得进一步探索。在本文中，我们回顾了当前和新兴的人工智能在诊疗一体化重要方面的应用，如患者选择、肿瘤剂量测定、患者监测和药物发现，以引入新的观点，并启发医疗保健专业人员在这一领域的未来人工智能驱动的研究。

人工智能的概念

在我们探讨人工智能在治疗学中的应用之前，有必要熟悉一些基本的术语。人工智能是最广泛的概念，它包含了所有的算法，使机器能够执行类似人类的认知功能，如解决问题、推理和学习。机器学习(ML)、深度学习(DL)和神经网络(NNs)都是AI的子集。必须强调的是，使用更先进的算法和更广泛的数据可以带来更准确的结果，并简化复杂任务的执行。因此，可以根据学习方法和所需的数据量等细微差别来区分这些概念(ML、DL、ANN)。

机器学习是人工智能的一个综合子集，可以从“结构化数据”中学习，使其能够识别模式、学习和执行特定任务。结构化数据具有良好的组织和格式，通常以数字或字母(如日期或名称)表示，因此ML算法可以快速处理它。相比之下，涉及图像或文本等格式的非结构化数据缺乏预先确定的组织或格式，这使得分析[10]更加复杂和具有挑战性。尽管非结构化数据提供了对上下文更深入的理解，但它需要比用于ML的算法更复杂的算法。

神经网络(NNS)是机器学习(ML)的一个子集，多个节点试图模拟人类神经元及其交互。这些节点设置为一个输入层、一个或多个隐藏层和一个输出层。虽然单层神经网络可以生成初步的预测和/或决策，但合并其他层和更广泛的数据可以提高结果的质量。神经网络有多种形式，每种形式都适合不同类型的数据和目的。卷积神经网络(Convolutional neural networks, CNNs)是一种特殊的神经网络，它使用高级的数学运算来进行分析并识别视觉数据，在放射学领域具有巨大的潜力。

深度学习代表了人工智能中最先进的概念，它利用复杂的计算机编程和广泛的训练来破译隐藏在大型数据集中的复杂模式。深度学习由多个神经网络组成，以显著的准确性执行高度复杂的任务。本质上，术语“深度”指的是网络的多层，使它们能够更有效地处理复杂的任务。此外，与处理结构化数据的传统ML不同，DL扩展了其分析非结构化数据的能力，而无需人工干预。由于非结构化数据在当前可用数据中所占的比例更大，数字数据中心正蓄势待发地塑造着技术的未来。

诊疗一体化中的人工智能

现代分子成像技术产生了丰富的成像数据。这些数据最终需要复杂的自动化工具和软件系统。自1995年FDA批准的首个人工智能增强医疗设备推出以来，人工智能已被纳入医疗实践的多个方面，超过520个人工智能/ML算法已获批准，其中大多数属于放射学和肿瘤学应用。需要强调的是，它们都不是专门用于治疗的。在本章中，我们将探讨人工智能应用可以显著促进和增强治疗学不同方面的关键领域。

患者选择和风险分层

考虑到每个患者的独特性质，调整患者的最佳治疗方案需要一个全面的分析，考虑到患者的个体特征和肿瘤的特点。人工智能通过整合不同类型的患者和肿瘤特异性数据，包括多组学(如基因组学和蛋白质组学)，为这一过程带来了巨大的希望(图1)。这种整合使人们能够更深入地理解复杂的生物系统和疾病，从而改善为每个患者选择最适合的治疗方法的过程。

图1。利用人工智能整合多组学生物医学数据，为理解复杂的生物系统和疾病提供了一种强大的方法。多组学数据，包括基因组学，蛋白质组学，代谢组学，转录组学，放射组学等，提供了一个全面的视角，对健康和疾病的分子机制的基础。人工智能算法，尤其是机器学习和深度学习领域的人工智能算法，擅长分析和整合这些异类数据集，揭示人类肉眼无法察觉的模式、交互和洞见。这使得研究人员和临床医生能够加深他们对疾病病理学的理解，改善患者选择，帮助剂量测定和药物发现，并制定个性化的治疗策略。利用人工智能整合多组数据的能力，标志着精准医疗和医疗保健的重大飞跃。

传统的癌症分层主要依赖于癌症的表征，包括病理和放射学特征、遗传特征和血清标志物。然而，对组织病理学样本和放射学影像的手工解读可能容易出现观察者间的差异。

此外，由于肉眼固有的局限性，观察者可能无法完全捕捉到肿瘤特征的复杂多样性。例如，目前在前列腺癌中使用177Lu-PSMA-617的指南推荐使用分子成像来评估肿瘤PSMA表达(68Ga/18F-PSMA PET或99mTc-PSMA SPECT显像)。虽然有相当比例的PSMA高摄取患者表现出明显的前列腺特异性抗原(PSA)反应，但仍有30%的患者未能达到令人满意的PSA下降。同样，68Ga-DOTATATE PET/CT是评估生长抑素受体(SSTR2)表达和指导放射性核素治疗(RNT)候选选择的首选方法。值得注意的是，即使高68Ga-DOTATATE摄取提示肿瘤细胞中SSTR2表达增加，RNT也不是对所有患者都有效。必须认识到RNT(放射配体治疗)的疗效受多种因素的影响，而不仅仅是受体的表达。例如，肿瘤吸收的辐射剂量受到不同耐受水平的危险器官的限制辐射此外，由于剂量效应关系仍未揭示，许多肿瘤可能仍然剂量不足。然而，由于目前大多数RNT的选择标准是基于受体表达，高受体水平患者治疗反应的差异突出了在了解影响治疗疗效的未发现因素方面的差距。

最近，人们对利用基于放射组学的人工智能模型来识别用于肿瘤表征的成像生物标志物的兴趣日益浓厚。从根本上说，放射组学是一种将影像数据转化为可操作的临床信息的定量方法。Kitajima等人证明，使用经过治疗前和治疗后骨扫描图像训练的AI软件开发的成像生物标志物，有效地区分了223RaCl2治疗[25]的应答者和无应答者。Papp等人探索了利用PET/MRI放射学数据训练的ML模型，以区分低危前列腺病变和高危前列腺病变，并预测前列腺癌[26]患者的生化复发的潜力。他们发现，放射学训练的有监督的ML模型可以产生高效的无创病变特征，具有87%的敏感性和94%的特异性。Bevilacqua等人的另一项研究评估了来自混合68Ga-DOTANOC PET/CT的放射学特征在确定胰腺NETs (panNETs)组织学分级中的价值。他们的模型是使用来自切除的原发病灶或活检的影像学和组织病理学数据进行培训。在他们的研究中，放射组学模型预测panNET的组织病理分级的敏感性为88%，特异性为89%。这些研究表明，AI可以预测某些癌症的肿瘤分级和转移潜力，如前列腺癌和NETs。因此，将人工智能应用到临床决策过程中可能会产生更好的风险分层和治疗应用的患者选择(图2)。

图2。放射组学工作流程结合了基于人工智能的算法来分析医学影像数据。放射组学工作流程采用基于人工智能的算法从医学影像数据中提取大量特征。这些算法通过减少图像采集时间，帮助降低噪声，并在不影响质量的情况下自动化病灶分割，从而提高了患者和医生的经验。利用放射学数据，人工智能软件将图像转换为高维、可挖掘的数据，有助于识别人眼不可见的模式和生物标记。这些特征可以与临床结果相关联，以提高诊断准确性，预测疾病进展，并制定个性化的治疗计划。

为了有效地利用人工智能技术，需要确保人工智能模型使用广泛的数据进行训练。这提高了他们概括和应用知识到看不见的场景的能力。Cysouw等建立了两种ML模型来评估其对转移性疾病和高危病理肿瘤特征的预测能力。一种模型使用18F-DCFPyL PET/CT放射学数据进行训练，而另一种模型使用标准PET特征，如SUV和体积数据进行训练。研究表明，基于放射组学的模型优于传统PET参数训练的模型，特别是在预测淋巴结病变和高危病理肿瘤特征方面。在本研究中，与纯PET数据相比，通过合并PET/CT更广泛的放射学数据，ML模型的预测能力显著增强，突出了全面性的重要性ML模型训练数据集的多样性。另一个关键点是，人工智能算法会随着处理更多数据的时间而不断进化和改进。然而，提供准确和标准化的影像学数据以确保结果的一致性和可靠性是很重要的。这也将有助于解决影响放射组学特征稳健性的技术问题，并开发用于不同临床环境的生物标记物。

治疗应用的临床结果在患者之间可能存在显著差异，即使是处于相同阶段和具有相似人口统计学特征的患者。许多因素可能在决定治疗反应中发挥关键作用，如肿瘤微环境、肿瘤生物学和分子概况、转移负担等。在这些反应变异的潜在解释中，固有肿瘤放射敏感性也作为一个关键因素出现。这种放射敏感性可能受到多种生物和病理因素的影响，如缺氧、基因突变和不同的细胞周期阶段。2022年，Kim等人根据不同癌症类型的基因组数据创建了一个DL模型，以检测对放射治疗的反应变化。他们的DL模型预测的体外放射敏感性具有令人印象深刻的98.85%的准确性。在此基础上，Dromain等人探索了人工智能在预测肠胰腺NETs的反应变异性和生存率方面的作用。他们将反应异质性定义为在单个患者中同时存在反应性和非反应性病变。他们的DL模型训练于肠胰腺网的CT图像，有效地预测治疗12周后的无进展生存期。此外，在各种转移病灶之间观察到的异质性与肿瘤进展有关。根据这些结果，理解反应的异质性可以提供比目前RECIST(实体肿瘤反应评价标准)提供的更多的临床洞察，允许预测患者的结果，而不只是依赖于肿瘤大小标准。这些预测是至关重要的，因为在这个阶段停止或继续治疗的决定有可能显著减少无效治疗相关发病率的负担。

准确的疾病分期和肿瘤负荷量化对于患者特异性风险分类和循证管理至关重要。然而，阅片者评估的潜在变化可能会挑战分期的准确性。规范分期过程可以提高诊断的一致性，提高临床判断的准确性。此外，精确的肿瘤负荷量化可能是评估个体风险和预期的一个有价值的工具，预后研究表明，一些参数，如代谢肿瘤体积(MTV)，这是一种成像衍生指标，可作为RNT治疗各种类型癌症的预后预测因子。虽然人工评估肿瘤负荷提供了重要的见解，但它们是劳动密集型的，这妨碍了像MTV这样的体积参数在临床实践中的常规使用。自动化平台PYLARIFY AI™(aPROMISE)是唯一一款由FDA批准的ML驱动软件，可以在PSMA PET/CT图像上提供标准化的PSMA PET报告。它利用人工智能提供定量测量，并增强不同读者之间的一致性。初步研究结果表明，PROMISE还可能使医师最初评估的患者相形见绌。FDA批准这种人工智能驱动的技术，标志着治疗学领域的一个关键里程碑，表明人工智能在增强医生判断和优化整体患者管理策略方面的潜力。

肿瘤剂量测定法

内部辐射剂量学量化了每单位质量或器官/组织体素沉积的电离辐射能量。通过预测和识别靶组织、危险器官和健康组织的吸收辐射剂量，剂量学研究为客观评估治疗对每个患者的安全性和有效性提供了必要的见解。尽管如此，内部剂量测量很少在核医学临床环境中进行，不像它在放射治疗诊所的广泛应用。这种差异主要是由于体内放射性核素的复杂动力学和与传统剂量测定技术有关的时间密集过程。在常规实践中，放射治疗的剂量要么作为一个固定的活动剂量，要么根据患者的体重进行调整。然而，需要注意的是，吸收剂量受到各种众所周知的内外因素的影响，如物理半衰期、发射辐射的类型、生物分布和消除率、组织加权因素、患者和肿瘤特征，这突出了采用个性化剂量测量方法的重要性。

由于诊断研究只使用微量放射性物质，因此，辐射对健康组织造成损害的风险通常被认为是微不足道的。然而，为了治疗目的，放射性核素也通常以标准化剂量使用，如诊断目的的使用。即使这些剂量的确定是为了确保治疗成功，同时尽量减少毒性风险，一刀切的方法可能会忽略个体的差异，特别是在剂量大得多的情况下。此外，尽管放射性核素治疗的无进展和总体生存结果令人鼓舞，但一些患者可能需要再治疗，这增加了累积辐射暴露和辐射诱发损害的可能性。因此，采用标准化方法可能导致对该疾病的治疗不足或过度，或超过危险器官的安全辐射剂量阈值。

Theranostics（诊疗一体化）独特方面在于它能够通过成像收集药代动力学数据，并将这些信息应用于剂量学计算。为了获得影像学数据，可以利用平面闪烁成像、SPECT/CT或PET/CT等多种成像技术在治疗前后追踪放射性核素。这些成像模式在治疗前和治疗后的不同阶段的应用产生了独特的见解。虽然治疗前成像对于个体化治疗规划至关重要，但治疗后成像提供了治疗结果的关键数据，包括放射性核素的分布和消除，从而洞察治疗对靶区和周围组织的影响。然而，在繁忙的临床环境中，在特定时间框架内的不同时间获取多个治疗前/治疗后图像通常被认为对医疗保健提供者和患者都是不切实际的。因此，对可行剂量测定方法的需求日益增长，特别是在各种放射性核素疗法广泛应用之后。在这些方法中，Hänscheid和先验信息方法作为简化治疗学剂量测定的方法脱颖而出。Hänscheid方法在每个放射性核素治疗周期后的特定时间采用单次SPECT/CT扫描来计算吸收剂量。先验信息方法使用初始周期后多个SPECT/ CT的时间-活动曲线模型，并将这些模型应用于后续治疗周期的单时间点采集。鉴于越来越多的研究支持高效时间剂量法的有效性，人工智能技术的集成，特别是CNN和DL，对进一步优化和增强这些过程具有重要的前景。使用先前剂量学研究的大量数据集和治疗前/治疗后图像训练CNN和DL模型，能够识别生理参数与放射性核素动力学相关的模式。

成熟的剂量测量方法，如医疗内部辐射剂量(MIRD)系统结合了生物分布和清除数据并被认为是理想的器官剂量学。然而，传统的MIRD方法依赖于70公斤成年男性或女性的简化、非特异性模型作为这些剂量学计算的模型，导致缺乏患者特异性细节。剂量学技术的另一个主要例子是蒙特卡罗(MC)模拟。蒙特卡罗模拟提供了人体辐射剂量分布的深入预测，考虑到复杂的人体结构和辐射-组织动力学。尽管MC模拟剂量学具有优势，但其对执行复杂方程和算法的高计算要求限制了其临床应用。为了解决传统剂量学技术的局限性和利用其优势，越来越多的研究正在利用它们来训练DL模型。几项研究表明，使用DL模型估计的吸收剂量与传统方法相当，甚至超过传统方法。因此，通过将已建立的方法与先进的DL工具相结合，在提高准确性的同时，手工劳动和时间可能会显著减少。

人工智能通过促进器官和肿瘤分割，减少误差和分割时间，在治疗前和治疗后都有助于剂量测定。例如，Sharma等人报道，专家需要大约30分钟来分割肾脏;相比之下，Nazari等人则展示了一种人工智能驱动的系统，在不到3秒的时间内就能实现双肾分割，而且精度很高。然而，这些系统并非完美无缺。为特定癌症类型设计的人工智能工具可能并不普遍适用。事实上，这种“聪明的汉斯效应”——一种人工智能工具在特定任务上表现出色，但却难以将其概括到不同场景的现象——在人工智能驱动的剂量学中非常普遍。例如，PET辅助报告系统原型使用淋巴瘤和肺癌数据训练的神经网络。然而，其在18F-FDG PET/CT扫描对其他肿瘤的解释准确性仍不确定。

研究人员还探索了各种加速图像采集时间的策略。一种方法是减少预测的数量或每次预测所花费的时间。然而，短暂的采集时间可能导致图像噪声升高，潜在地影响图像质量和肿瘤背景比。这个挑战可以通过使用基于人工智能的可学习系统来解决，比如图像重建神经网络。例如，Shao等人开发了一种DL模型，称为SPECTnet，可以直接将原始投影数据转换成高分辨率、低噪声的图像。通过采用新颖的两步训练策略和利用广阔的该研究表明，与传统的重建方法相比，他们的dl模型能够在不到一秒的时间内产生更清晰的SPECT图像。

在治疗学剂量学研究中使用基于人工智能的工具有望显著提高研究的准确性和效率。但仍需进一步的研究来验证其有效性，并将其纳入常规临床实践中。

疾病监测

大量研究表明，半定量PET参数及其在整个治疗过程中的变化为疾病预后和治疗效果提供了有价值的见解，譬如在前列腺癌中，肿瘤体积的变化被认为是定义RNT反应的一个生物标志物。通过利用自适应学习算法，人工智能具有利用传统参数来推进治疗监测的革命性潜力。各种基于人工智能的平台为众多专业的临床医生和患者提供电子会诊，丰富和完善临床体验。例如，Tempus Labs是一款支持人工智能的临床助手，它可以识别肿瘤组织样本中的基因突变，分析电子健康记录、实验室值和成像数据，并结合所有特定于患者的信息来创建一个全面的医疗概要。利用这个配置文件，Tempus Labs通过交互系统实时为医疗保健专业人员提供个性化的治疗建议，以促进整个治疗过程中的决策过程。

利用电子健康记录数据和实验室数据的变化，人工智能驱动的算法可能有助于优化癌症患者的患者护理。这些算法对患者进行评估和分类，使医疗专业人员能够根据个人需求和视力定制后续预约和干预措施。这种量身定制的方法旨在确保明智的资源管理和增加患者的医疗保健体验，潜在地降低死亡率和发病率。

作为未来的发展方向，数字孪生模型是一种动态虚拟模型，可以模仿真实物体或系统的行为，通过实时数据、仿真和ML进行增强。虽然这在医疗保健领域是一个相对较新的概念，但自20世纪60年代以来，美国国家航空航天局(NASA)一直在使用类似的概念，通过创建基于地球的航天器仿真来进行研究和仿真。在医学领域，数字双胞胎代表患者的虚拟复制品，帮助临床医生做出决策。该模型包含广泛的数据，如环境变量、医疗记录、医学成像、实验室数据、个体特征、遗传信息和既往治疗史(图3)。此外，与传统的模拟或模型不同，数字双胞胎会随着时间的推移学习和更新。这使得它们能够实时适应变化的环境，就像人类一样。因此，数字双胞胎提供了一种有前途的方法来制定定制的治疗计划，考虑到诸如合并症或潜在药物相互作用等因素，并提供了对疾病轨迹有价值的见解。

图3。“数字孪生”的概念。医疗保健领域的数字双胞胎是一种虚拟模型，可以复制个人的健康状况，整合来自更广泛来源的数据，如医疗记录、影像数据、实验室测试、遗传数据、环境变量、先前治疗和多组学等。这些模型实现了个性化治疗计划、疾病进展的预测分析和医疗保健服务的优化。通过模拟不同的医疗场景并从医疗设备中捕获实时数据，数字双胞胎可以通过定制的干预措施和主动的健康管理改善患者的结果。此外，数字双胞胎支持临床决策过程，并改变医疗保健。

药物发现

虽然治疗外科已经存在了几十年，但该领域最近的进展刺激了更多的制药公司开发新的放射性药物，重新利用现有药物，并扩大治疗应用。不消说，全球放射性药品市场呈上升趋势，预计到2031年其价值将达到95.3亿美元。

放射性药物开发是一项具有挑战性的工作，包括无数个方面，包括目标识别、先导化合物识别、放射性核素选择、载体分子配方、合成、评估和药物审批(图4)。这些过程繁琐且昂贵，但人工智能驱动的治疗药物发现研究有望优化，为创新放射性药物的更快开发和审批铺平道路。因此，谷歌、DeepMind、Insilico Medicine,、Deep Genomics和Healx等科技巨头也在对基于人工智能的药物发现应用进行大量投资。

图4。放射性药物开发过程。放射性药物开发过程包括识别目标分子和合适的先导化合物，然后设计、合成和验证用于诊断或治疗疾病的放射性化合物。首先，确定一种潜在的治疗或诊断剂，并与一种放射性同位素化学结合。该化合物经过严格的临床前试验，以评估其安全性、生物分布和生物模型的有效性。成功的候选人将进入临床试验，在那里他们的治疗效果，剂量学和安全性将在患者中进行评估。这一细致的过程确保了放射性药物是有效的，他们的预期用途和安全的患者应用。在获得FDA(美国食品和药物管理局)批准后，生产过程和上市后监测继续进行。

药物的开发与新靶点的发现是平行的。结合人工智能可以通过自动化技术有效地简化这一关键步骤。例如，人工智能工具AlphaFold已经被用来分析氨基酸序列和肽键的角度，从而预测蛋白质的3D结构。最近，Ren等人进行了一项研究，展示了AlphaFold在识别潜在药物靶点方面的应用。他们最初的发现揭示了一种新的CDK20小分子抑制剂，这可能代表了一个有前途的治疗肝细胞癌途径。2023年1月，生殖人工智能药物开发公司Absci宣布，其人工智能平台已成功利用创新人工智能方法生产出新生抗体，并在湿式实验室实验中进行验证。他们的方法的独特之处在于，它能够在不使用训练数据的情况下产生抗体，从而减少了药物发现过程中通常需要的时间和资源。这些最近的创新在治疗领域有着巨大的前景，治疗的目标范围从抗体到在癌变过程中至关重要的酶。

在确定一个目标后，随后的步骤评估确定的分子作为药物候选的潜力。在硅模型中，基于计算机的实验和虚拟筛选(VS)技术可以使用人工智能算法加速评估。虚拟筛选技术是一种计算方法，它可以有效地筛选大量数据库，以识别对特定目标具有高可能的期望生物活性的化合物，同时消除潜在的有害或次优候选物质。在虚拟筛选过程中，可以调整已鉴定化合物的组成和结构，以优化药代动力学特征，如吸收、分布、代谢、排泄和毒性。

一旦配体被精制，它们就可以用于生物学评价和最佳放射标记过程的预测。这包括选择最合适的方法将放射性同位素附着到目标分子上，以确保效率和稳定除了在理论药物设计中发挥作用外，人工智能还被用于生成假想药物化合物的合成路径。在某些情况下，人工智能还可能建议对这些化合物进行修改，以促进其制造过程。

AI局限性

虽然人工智能已经简化了我们日常生活中的许多流程，但它在医疗保健中的应用仍需要进一步考虑。由于人工智能算法的有效性依赖于其训练数据的多样性和范围，限制了其应用于罕见情况或代表不足的少数群体，没有特定的数据。此外，随着人工智能从广泛的数据收集中学习，对患者信息隐私和安全的担忧仍然至关重要，这些数据可能会被未经授权的访问和误用。另一个担忧是，人工智能系统无法对其应用的结果负责。AI系统的问责性在很大程度上取决于算法的透明度、训练数据的质量以及开发者和/或用户做出的决定。这突出了结构化指南和法规的重要性，以确保负责任地使用人工智能系统。尽管存在这些障碍，人工智能在医疗保健领域的整合每天都在迅速扩大。因此，通过开发复杂、可靠的人工智能算法来应对当前的挑战应该是我们关注的焦点，旨在负责任地、有效地利用人工智能在医疗保健领域的全部潜力。

结论

通过提供个体化的数据驱动为临床医生和患者提供支持，Theranostics（诊疗一体化）中人工智能运用有可能彻底改变医疗模式。从肿瘤特征、个性化患者风险分类、预后预测、个性化剂量测量，到揭示人眼不可见的潜在因素，如肿瘤放射敏感性或分子谱的内在变化，人工智能有可能彻底改变个体化医疗。然而，尽管这些进步带来了巨大的希望，但在常规临床实践中采用人工智能算法引也发了一些担忧，包括数据的安全性、结果的问责性、结果的全面性和多样性。因此，为了充分利用人工智能的潜力，在考虑其局限性并确保其成功融入临床实践的同时，需要进一步的研究和指南，使人工智能的使用与其责任相符。

相关链接：【JNM】核医学人工智能的指南发布啦