当人工智能足够先进能够帮人类破解癌症难题吗？

健康极客网 2025-09-19 19:13

谈癌色变，这已经是整个世界的问题。现在，医疗行业试图通过AI破解癌症难题，真的有希望吗？为此全球各国展开了广泛的讨论。

早在1969年12月9日，时任美国总统尼克松曾通过广告向民众喊话：“尼克松先生，您可以治愈癌症。”虽然自1990年起，美国癌症的发生率和死亡率开始下降，但直到今天，癌症仍是美国人的第二大致命杀手，仅次于心脏病。

同样在英国，每年死亡人数中约有四分之一是癌症引起的。不过癌症死亡人口的比例却在下降，过去50年，从1973年的每10万人约328人降至2023年的每10万人约252人。

美国俄亥俄州克利夫兰医学中心研究人员Alex Adjei指出：“杯子中有一半是水，你认为是半满还是半空，具体要看你的视角，但在抗癌斗争上，人类取得了实实在在可以衡量的进展。”

哈佛大学癌症专家Garry Nolan对AI技术寄予厚望，他说：“癌症种类繁多，涉及数百万项研究、无数数据点，关联路径错综复杂，单靠一个人的大脑是无法记住的。”

虽然AI技术为人类带来希望，但我们也不应该过度吹捧。Garry Nolan称：“人工智能将帮助我们攻克癌症，并实现许多其他伟大目标。但人类必须全程参与，引导问题的提出，解读答案，这种人机协作是真正的力量所在。”

所以，人类离真正治愈癌症还有很远的距离。幸运的是，科学家们并没有放弃。

尝试用AI设计抗癌药物

不久前，人工智能药物设计和研发公司Isomorphic Labs宣布，由人工智能设计的抗癌药物将首次进行人体临床试验，它或许能为人类找到新的癌症治疗方案。

目前Isomorphic Labs抗癌药物仍处于研发阶段，即进入临床应用前的试验与优化环节。该实验室相信，通过持续提升计算机智能水平、结合临床研究与数据积累，将助力人类逐步解决各类癌症难题。

该实验室总裁科林・默多克（Colin Murdoch）表示：“10种进入临床的药物中，有9种会失败，这一数据令人担忧。”

传统药物研发周期极为漫长，往往需要10-15年，耗资数十亿美元，而且失败率极高。

Isomorphic Labs用到了DeepMind开发的AlphaFold技术，该技术可帮助科研人员更深入地理解蛋白质结构。

当细胞正常运作时，其合成的蛋白质不会对人体造成危害；一旦蛋白质发生变异，可能引发疾病，癌症便属于其中之一。若将致病蛋白质类比为“锁”，药物就是“钥匙”，只有二者精准匹配，才能“打开锁”（即发挥治疗作用）。

过去，确认蛋白质结构既费时又费力，还耗费大量资金；借助AlphaFold技术，这一过程的时间可从“数年”压缩至“数分钟”。

事实上，不同类型的癌症差异显着：它们虽同属癌症，但本质上可看作是几百种不同的疾病。对科学家而言，既要关注癌症的“个性化”治疗需求，也要探索“通用”治疗方案。

默多克认为：“未来5年，我预计新药设计的速度和成功率将大幅提升。当然，临床试验仍需按规范开展，这需要一定时间；但在对疾病核心机制的认知及药物研发效率层面，未来5年必将取得突破性进展。”

Isomorphic Labs虽成立时间不长，志向却极为远大——它希望用AI攻克人类所有病痛。

默多克称：“目前，我们的核心是研发能助力药物设计的工具。25年后，我希望能实现这样的愿景：几乎所有类型的癌症都有对应的治疗药物，能够有效控制病情、缓解症状。那将是一个无比美好的世界。”

用AI帮助患者早点发现癌症

大型制药巨头Pfizer（辉瑞）也在利用数据工具研究癌症，探索创新治疗方案。Pfizer肿瘤学首席官杰夫・莱戈斯（Jeff Legos）拥有20年研究经验，他认为，AI潜力巨大，能够从海量数据中挖掘人类难以发现的“独特洞察”，这是人类仅凭自身能力无法做到的。

目前，新药从研发到上市平均需10年，研发成本已增至原先的4倍，而整体成功率仍低于10%。正因如此，Pfizer认为，AI为“早期发现”和“早期干预”提供了关键可能——它坚信“时间就是生命”，对于等待治疗突破的癌症患者而言，每一天都至关重要。

当患者被确诊癌症时，往往会陷入巨大的恐惧。为此，Pfizer开发了“Health Answers by Pfizer”工具，该工具可向患者提供癌症领域的实时咨询支持。此外，Pfizer还推出了Scout工具：科学家通过该工具可同步查阅外部文献与内部实验数据，从海量信息中高效提炼新见解、精准提出新研究假设。

当医生使用新药物为患者治疗时，需处理复杂的基因信息与影像学数据；借助AI技术，医生可以提前判断患者对特定药物的反应。

Noetik公司同样聚焦于癌症治疗，其独特之处在于：该公司认为，要让药物在患者身上发挥理想疗效，本质上并非单一的分子设计问题，而是需要先结合患者个体的癌症生物学特征，厘清药物在特定病灶中的作用机制。

因此，Noetik开发了“OCTO基础模型”（OCTO Foundation Model），简单来说，就是用人类肿瘤样本数据训练AI系统，帮助模型更深入地理解肿瘤特性。该模型的核心功能之一，便是模拟单个肿瘤细胞的生物学行为。

最初，Noetik的数据集主要聚焦于肺癌，收集了数千份肺癌患者的肿瘤样本；如今，其数据范围已扩展至结直肠癌、子宫癌、卵巢癌及肉瘤等多个癌症领域。

许多AI大语言模型基于互联网数据训练，但在生物学领域，互联网数据显然不够全面，所以模型训练都需要准备高质量的生物数据。

当患者前往医院检查时，医生会采集其肿瘤样本，这些样本正是Noetik数据的核心来源。在此基础上，Noetik会生成多维度的分析数据：首先从组织层面分析蛋白质情况，接着深入RNA层面展开研究，最后通过DNA分析确定基因突变的具体情况。

为患者定制AI个性化癌症疫苗

实际上，人体所产生的肿瘤是由癌细胞、免疫细胞及基质细胞构成的复杂生态系统，这些细胞之间存在动态相互作用。为理解这种复杂性，需要收集海量数据。

只有AI才具备处理海量数据的能力，从而揭示数据中隐藏的生物学规律。例如，基于神经网络的算法已被应用于单细胞RNA测序数据，用于对免疫细胞状态进行分类，并揭示这些免疫细胞在肺癌、结直肠癌、乳腺癌和胰腺癌等癌症中是如何浸润肿瘤的。

在没有AI之前，寻找可作为药物靶点的肿瘤抗原或免疫检查点相当困难；通过AI筛选海量数据集，可快速发现癌细胞逃避免疫系统的机制，从而加速这一寻找进程。

例如，阿斯利康（AstraZeneca）已与Immunai公司展开合作，利用人工智能免疫建模技术寻找生物标志物，并为肿瘤学临床试验中的药物剂量策略提供指导。

在癌症免疫学领域，确定哪些患者能真正从免疫治疗中获益，这是当前研究的最大挑战。