达索系统的人体虚拟孪生助力未来癌症治疗
本文接续《达索系统的人体虚拟孪生愿景》http://jixietop.top/thread-62544-1-1.html本文为《2024国际人体虚拟孪生大会》系列篇章之一，主要内容为持续更新的人体虚拟孪生与未来癌症治疗等内容。
来自Gustave Roussy癌症中心国家精准医学中心（IHU PRISM）的Julien Vibert博士在演讲中强调了人体虚拟孪生技术在推进医疗保健个性化方面的重要性。Vibert博士指出，这项技术通过整合多尺度的生物、临床和环境数据，在肿瘤学领域展现出变革性的潜力。
“人体虚拟孪生不仅仅是一种新型工具，它代表了我们理解和治疗复杂疾病如癌症的方式的根本转变。”Vibert博士说，“通过利用这些先进的数字模型，我们可以更深入地了解每位患者的独特病情，并为他们量身定制最有效的疗法。”
Vibert博士还提到了人体虚拟孪生在心脏科和神经学科的应用前景，认为该技术有助于提高患者疗效并推动精准医学的发展。
他特别介绍了MediTwin等创新合作项目，该项目旨在创建一个能够反映患者个体特征的数字副本，用以进行安全的药物测试和疗法优化。
此外，Vibert博士讨论了如何通过仿真来预测不同治疗方案的效果，从而避免对真实患者施加无效或有毒副作用的治疗。这种做法可以减少不必要的风险，同时加快新药的研发过程。
“我们的目标是创建一个持续更新的人体虚拟孪生，”他说，“这将使医生能够在虚拟环境中试验多种可能性，最终确定最适合患者的治疗路径。”
尽管面临诸多挑战，包括数据标准化和技术验证等问题，Vibert博士坚信，随着更多资源投入到研究和开发中，人体虚拟孪生将成为未来医疗实践中的关键组成部分。他呼吁各界共同努力，确保这一前沿科技能尽快惠及广大病患。
Julien Vibert演讲的主要内容如下：
大家好！非常感谢能邀请我来这里。今天我特别兴奋，要给大家讲讲人体虚拟孪生在癌症研究中的重要性。
我这任务可不简单，得在大概30 分钟里，给大家讲讲癌症到底是啥，毕竟可能不是所有人都熟悉癌症。还有肿瘤学，就是专门研究治疗癌症的学科，以及癌症为啥这么复杂，为啥我们医生觉得需要人工智能建模和人体虚拟孪生这类工具，能给患者带来更好的治疗。
我叫Julien Vibert，在Gustave Roussy研究所工作，这是在维勒瑞夫的一个大型抗癌中心。我在药物研发部门，我有机器学习和基因组学的背景。
首先说说癌症。癌症是一种疾病，大概20 年前人们就描述过它的一些特征。当一个细胞具有某些能让它生长的特性时，它就可能变成癌细胞。
这里有六个关键特征，其中最重要的可能是细胞具有异常且持续的增殖能力，还有就是所谓的复制永生，在下面能看到。
癌细胞还有其他特性，比如能抵抗细胞死亡，还能吸引新的血管来给自己提供养分。所有这些因素加起来就导致了癌症，肿瘤会不断生长，不幸的是，到最后往往会导致患者死亡。
接下来，我们对癌症的理解在数据收集和理论方面都有了指数级的进步。2011年，癌症的这些特征又有了进一步发展，有了更多被描述出来的特性。
这里面有些很重要，比如说左下角的基因组不稳定性，意思是癌细胞的基因组可能不稳定，会产生新的突变。所以癌细胞具有非常动态的性质，它会随时间变化，也会随着给患者的治疗而变化。这就使得癌症很难治疗。
还有，第一次出现了一些不涉及癌细胞本身，而是涉及它的微环境的特征。比如说大家都知道免疫疗法在过去几年成了非常有效的治疗方法，这都和免疫系统有关。癌细胞会避开免疫系统，我们就得想办法让免疫系统识别癌细胞，这样才能有效地摧毁癌细胞。
这里我就不详细说了，只是想告诉大家，10年过去了，这可能是目前对癌细胞最新的全面认识。细胞的性质还是非常动态的，涉及的所有变化不是直接在DNA 序列上，而是以一种体细胞遗传的方式在细胞间传递，这就能让细胞生长并适应环境和患者接受的治疗。
大家都知道，在人体里，我们身体的大部分细胞其实是细菌，所以微生物群会影响癌症的发展和治疗。
今年的一篇最新论文还提到了我们在治疗癌症时作为医生、肿瘤学家需要考虑的其他方面。比如说患者的饮食、运动，我们医生都知道这些对患者在治疗期间的病情发展非常重要。还有患者的心理状态也很重要，但我觉得这里没提到。
作为肿瘤学家，我们得在脑子里综合考虑所有这些因素，为患者找到最佳的治疗方案。所以大家现在能看出来，癌症真的是一种复杂的系统性疾病，我们得把它当成一个整体来看待，这就使得治疗变得非常困难。
不过，随着我们对癌症的理解不断加深，我们也有了更多的工具来更好地治疗癌症，确实也提高了一些患者的生存率，但可惜不是所有患者。我们的目标当然是要更进一步。
癌症作为一种系统性疾病，不仅和癌细胞有关，还和它的微环境有关。左边那些和肿瘤相互作用的细胞，还有其他器官，特别是会发生转移的情况。当肿瘤细胞转移到另一个器官时，就叫做转移。这取决于哪个器官能让哪种类型的肿瘤在里面生长。
当然还有一些系统性的参数，比如炎症或者因为营养不良导致的体重减轻，这些我们都得考虑进去。还有一些非常动态的宏观因素，比如饮食、运动、微生物群等等，在下面都能看到。
那我们现在是怎么治疗癌症的呢？既然我们知道了这么多，现在我们处于一个叫做精准医疗的时代，在古斯塔夫·鲁西研究所尤其如此。
以前的做法，对于所有患有同一种癌症的患者，通常会给他们用同样的化疗方法。但是经过过去几年的研究和试验，我们现在正朝着精准医疗的右边部分发展，也就是更个性化的治疗。
我们是怎么做的呢？其实你们已经看到了癌症涉及的所有决定因素，其中很多是分子或细胞层面的。幸运的是，技术的进步让我们现在能够检测单个患者在DNA、RNA和蛋白质组水平上的所有这些分子变化。
当然，我们需要做活检，就是取肿瘤的组织样本。在古斯塔夫·鲁西研究所，我们经常给患者做活检，比如对DNA 进行测序，这样就能为患者提供非常个性化的诊断。而且我们还可以根据这些分子特征给予靶向治疗。
2015 年有一篇综述，展示了当时的治疗模式。以前的肿瘤学是对所有患有同一种癌症的人群进行一种治疗，然后说这种治疗在统计上比另一种治疗效果好，这都是在人群层面上的。
现在我们想要做个性化医疗，癌症真的是一种因人而异的疾病，每个癌症患者都是不同的，所以我们要能够对每个患者、每个肿瘤进行特征分析，然后在合适的时间给予最佳的治疗。
从历史上看，这是最早的一批论文之一。我在古斯塔夫·鲁西研究所的老板法比斯·安德烈是精准肿瘤学倡议的领导者之一，几年前他就大力倡导这种医学模式。就是对患者进行分子筛查，深入进行分子诊断，然后根据DNA 水平的分子改变提出靶向治疗方案，引导患者参加临床试验a、b或c，真正测试这些基于分子筛查的靶向治疗的效果。我们认为这个想法是正确的，因为它确实给患者带来了实实在在的改善。
2019 年我们在古斯塔夫·鲁西研究所发表了一篇关于乳腺癌基因组特征的论文。这里面的关键信息是，很多肿瘤都有反复出现的突变，叫做驱动突变，意思是在癌基因或抑癌基因上有一个突变，会导致癌症的发展。当然，我们希望能够针对这些驱动突变进行治疗。
总之，现在在癌症研究方面有很多工作是关于找到针对正确分子改变的正确治疗方法，这对于罕见癌症尤其重要，因为很多癌症都有罕见的驱动突变。
我们需要能够为这些患者开发和验证药物，但是又不能像心脏病学那样进行大规模的三期临床试验，有时候我们在古斯塔夫·鲁西研究所每年可能只有10 个某种罕见癌症的患者。
那我们怎么为这些患者开展试验呢？这时候能够进行虚拟试验的合成组就非常重要了，这样才能验证这些药物，并向美国食品药品监督管理局（FDA）注册这些药物，这就是我们现在的想法。
给大家举几个我们现在正在做的前沿技术的例子。比如说循环肿瘤DNA 的临床应用。通常当我们要检测肿瘤时，需要做组织活检，这是一种侵入性的方法，可能会有危险。但是现在我们有了一种工具，通过一次简单的血液检测就能检测到循环肿瘤DNA。
从这个曲线可以看出，检测到循环肿瘤DNA 的患者生存率更低。这在临床实践中是一个我们以前没有的特征，如果我们能够发现这个特征，比如说发现这个患者实际上有我们用其他工具看不到的循环细胞，我们就会想早点改变对这个患者的治疗方案。这就是我们正在开发的一种工具。
另一种创新工具是类器官。类器官是癌症的三维模型。这意味着我们可以从患者身上提取癌细胞，然后把它放在培养环境中，不是那种传统的二维细胞培养，因为传统的二维培养不能很好地模拟患者体内癌症的三维结构，而类器官可以做到这一点。
最后一个创新项目是关于人工智能的。在肿瘤学中，我们在病理切片的诊断方面投入了很多精力，病理切片是我们判断癌症类型的黄金标准。当然，人工智能和深度学习在分析这些图像和正确分类癌症方面非常擅长，甚至在古斯塔夫·鲁西研究所的这个项目中，还能根据病理切片的形态特征预测患者的生存率。
在PRISM 项目以及世界各地，我们目前都在开发新的技术，从分子层面到类器官层面（更微观的空间转录组学），我们想把这些创新技术应用到每个患者身上，更好地预测肿瘤的个体性质和如何更好地治疗它。我们在古斯塔夫·鲁西研究所这样做，现在世界各地也都在做。
接下来我要讲讲为什么我们需要人工智能和建模。我想大家现在都知道，鉴于我给大家展示的癌症的复杂性和大量的数据，我们需要能够治疗癌症，就必须整合多种层面的数据。
在左边，我们有所谓的组学数据，包括基因组学、转录组学、蛋白质组学、表观遗传学，还有成像、病理学以及所有其他社会决定因素，比如电子健康记录。
我们必须把这些数据在时间、队列和医院之间进行整合，但是数据的标准化是一个大问题，这简直是一场噩梦，但我们必须这样做，才能更好地理解癌症和治疗世界各地的患者。
目前在癌症研究中有很多人工智能的研究，从基础研究到转化研究再到临床研究，各个层面都有。我们可以利用基于我们收集的患者数据的人工智能工具，来预测患者的最佳治疗方案。
目前我们有四种类型的数据用于人工智能，这些数据非常丰富，比如图像数据，包括放射学和病理学图像，我之前给大家展示过。
还有基因组学数据，大量的DNA 和RNA 序列数据库，以及很多电子健康记录。自然语言和大型语言模型对我们肿瘤学家来说也正成为非常有用的工具。
说到建模，这可能更理论化一些，对我们肿瘤学家来说不一定很清楚。通常我们更倾向于自下而上的建模，就是我们作为肿瘤学家喜欢深入研究信号通路，比如说这个分子改变会导致这个信号通路的改变，所以我们要使用这种药物来阻断这个通路。但是现在有了人工智能和所有这些数据，我们可能更倾向于自上而下的方法。
就像之前说的，我们有很多数据可以用人工智能进行这种大规模的多尺度分析，虽然有时候这就像一个黑盒子，但我同意我们需要数学和建模来更好地理解。对医生来说，重要的是这不能是一个黑盒子。
我们的目标是朝着通用的医学人工智能发展，因为现在我们主要是为一种模态（比如病理学、放射学或基因组学）开发人工智能模型，现在我们想要整合所有这些，实际上就是要重现我们肿瘤学家大脑所做的事情，整合所有这些信息，然后根据我们的经验找到最佳的治疗方法。
我给大家讲这些，是因为我想引入癌症患者人体虚拟孪生的概念。三年前在《自然医学》的一篇论文中就提到了这个概念。
这就是要为癌症患者创建一个人体虚拟孪生，我说是患者，是因为当然有肿瘤的孪生，但正如你们看到的，不只是肿瘤，还有微环境、免疫系统、微生物群以及所有使患者独一无二的决定因素，我们要能够对这些进行建模、仿真，然后以最好的方式治疗患者。
我们要能够整合患者的所有决定因素，以及我们的经验和文献，包括所有的临床试验和专家的临床建议。
给大家举几个例子，这些不一定是某个患者的孪生，但今年有一篇关于为胰腺癌创建分子孪生的论文，胰腺癌是最致命的癌症之一。
这篇论文是关于用非常前沿的组学技术，包括基因组学、转录组学，对大量患者（数百人）进行深度特征分析，然后基于所有这些标记（这些高维数据）开发人工智能模型，来预测生存率和发现新的治疗靶点，而且效果还不错。
还有一个更雄心勃勃的项目，目前还在进行中。它在《癌症发现》杂志上发表过，是一个大型的联合项目，包括工业界，目的是收集大量数据，以便能够构建一个儿童的人体虚拟孪生。儿童癌症很罕见，我们在儿科肿瘤学中无法进行大规模的临床试验，这个项目对患有癌症的儿童来说应该是具有变革性的。
如果我们要为癌症患者创建人体虚拟孪生，这就是Meditwin 项目的目标，我们在古斯塔夫·鲁西研究所参与了这个项目。一方面，我们要能够基于我给大家展示的所有数据，不仅是分子数据，还有电子健康记录和环境数据来构建人体虚拟孪生。
我们还谈到了现实世界的传感器，这个孪生要有动态性，我们要能够及时更新它。我们有一个知识卡片的概念，就是这个孪生实际上是一个关于肿瘤学的工具，它能够理解这些数据，并且是在临床文献、我们作为临床医生的经验、指南和数据库等方面进行训练的，我们要能够整合所有这些，当然机器学习应该是我们可以利用的工具。
再次强调，建模非常重要，因为我们希望能够在某个时候进行仿真。我在这里展示的更多是一个愿望清单，我不知道我们能不能做到，但我们必须朝着这个方向努力，我们必须收集大量数据来进行建模和仿真。
作为医生，我们真的希望能够进行仿真，我们不想再在真实患者身上测试一种无效的治疗方法，然后再换另一种。我们希望在虚拟世界中测试，如果一种治疗方法有毒性或无效，我们就可以避免在真实患者身上使用。
我们希望有一个能够持续更新的人体虚拟孪生，因为正如我所展示的，癌症是在不断发展的，患者也是在不断变化的，我们希望如果我们开发了这样一个工具，能够对它进行验证。验证这个问题真的非常重要，我们真的希望能够做到这一点，为我们的患者预测最佳的治疗方法。
再说说目前面临的挑战，我们可以花好几个小时来讨论这些挑战。比如说如何验证人体虚拟孪生，我之前说可能要进行临床试验，但工具是在不断发展的，这对监管机构来说是个问题，我们必须改变这种情况，这都是关于人工智能工具在临床实践中的问题，这真的是一场噩梦，但我们必须朝着这个方向前进。
还有如何表示癌症，我之前谈到了建模，但如何用数学方式表示所有这些尺度，这是一个非常重要的问题。如何向患者展示这些，如何收集足够的训练数据来建模和拟合参数，这需要大量的资金、耐心和活检。
如何标准化所有这些数据，如何开发基础设施，谁来管理这些数据，谁来拥有这些数据，这是患者的数据，医生如果不理解这些工具，他们会接受吗当然，我们还得教育医生和患者使用这些工具。
作为肿瘤学家，我们希望有一天能和患者及其人体虚拟孪生一起会诊，在人体虚拟孪生上测试治疗方法，然后告诉患者：“你看，我们认为这种治疗方法是最好的，因为我们在虚拟世界里测试过了，那种方法不行，毒性太大。”
我们想要为临床试验获取合成数据，甚至我们还会思考，人工智能是否能让我们深入了解生物学，是否能带来生物学上的新发现，这对我们作为生物学家和临床医生来说，甚至是一个哲学性的问题。
在人工智能和建模方面，虽然我们有了很多想法和尝试，但要真正实现通用的医学人工智能，还有很长的路要走。目前的人工智能模型在处理复杂的医学数据时，可能会出现过拟合或欠拟合的情况，就像一件不太合身的衣服，要么太紧，要么太松。而且，如何解释人工智能模型的决策过程，让医生和患者能够理解和信任，也是一个亟待解决的问题。
对于癌症患者人体虚拟孪生的验证，更是一个巨大的难题。临床试验的设计需要考虑到人体虚拟孪生的动态性，不能简单地用传统的临床试验方法来验证。我们需要找到一种新的验证方式，能够准确评估人体虚拟孪生是否真正反映了患者的情况，是否能够准确预测治疗效果，这就像在没有地图的情况下寻找一条新的路线，充满了不确定性。
在未来，随着技术的不断进步和研究的深入，我们相信人体虚拟孪生在癌症治疗中的作用会越来越大。也许有一天，我们能够真正实现个性化的精准医疗，为每一位癌症患者量身定制最适合他们的治疗方案，让癌症不再是绝症，让患者能够重新拥抱健康的生活。这是我们的梦想，也是我们努力的方向，我们会一步一个脚印地朝着这个目标前进，为人类的健康事业做出贡献。
巴黎西岱大学放射学教授Laure Fournier在其演讲中探讨了TwinOnco项目的细节，该项目致力于利用AI驱动的虚拟孪生来改善肿瘤患者的随访工作。面对肿瘤监测中的挑战，标准化病变测量的需求，以及从统计性肿瘤评估向个性化、整体化评估的转变，TwinOnco提供了一个创新性的解决方案。
通过整合先进的AI技术，TwinOnco能够为每位患者创建一个虚拟的人类孪生模型，这有助于提高对治疗反应追踪的精确度、更有效地管理肿瘤负担，并最终优化不同肿瘤病例的患者结果。这一方法不仅促进了精准医学的发展，还为肿瘤学领域带来了新的可能性，即针对每个患者的情况进行量身定制的医疗护理。
TwinOnco项目体现了科技与医学的结合，展现了未来可能实现的个性化医疗愿景。随着研究和技术的进步，这个项目有望成为改变肿瘤患者生活质量和延长生存期的重要工具。
Laure Fournier演讲的主要内容如下：
大家好，我是Laure Fournier，是一名放射科医生，在法国巴黎工作，虽然我的口音听起来不太像。今天我想和大家讲讲我的工作，作为一名癌症放射科医生我都做些什么，还有我们在肿瘤虚拟孪生（TwinOnco）项目中所做的努力，以及这个项目可能会带来的成果。
我们都知道癌症是一种非常严重的疾病。在右边这张图上，大家可以看到年龄标准化死亡率，好消息是这个比率在下降。为什么会下降呢？因为我们有越来越多的治疗方法可以提供给患者，更多的药物、更先进的手术方案等等，这无疑是个好消息。
我还想给大家介绍一下肾癌，因为我想用它作为例子来贯穿我的演讲，这也是我所专长的癌症领域。和大多数癌症一样，肾癌有局限性的形式，如果患者足够幸运能在早期被诊断出来，通常可以接受所谓的根治性治疗，一般是通过手术治愈，之后可能就再也不用担心癌症复发了。
但不幸的是，在肾癌患者中，大约有20%到30%（当然，这个比例在不同癌症中会有所不同）的患者一开始就是转移性的，或者后来发展成转移性的。这意味着癌细胞扩散了，在这种情况下，患者就需要接受全身性治疗，也就是口服或静脉注射药物，这些药物会作用于体内所有可能扩散的癌细胞。
我在这里重点关注的是转移性患者，想知道他们会面临怎样的情况。通常，患者会先使用一种药物，希望这种药物能在一段时间内控制病情，肿瘤也会有所反应。
但过了一段时间，肿瘤可能会继续发展，或者患者可能会出现药物毒性反应，这时就需要换用二线治疗药物。二线药物同样有望发挥作用，但可能又会出现肿瘤耐药的情况，如此反复。
好在现在有越来越多的治疗方法可供选择，但在某个时候，肿瘤科医生必须判断一种治疗方法是否不再有效，这就是我和影像学发挥作用的时候了。
这些患者需要经常进行随访影像学检查，很多时候是CT 检查，通过CT 我们可以评估病情，并告知肿瘤科医生肿瘤可能没有像最初那样对治疗产生反应，需要考虑更换药物了。
我会仔细查看所有病变、所有器官，并测量其中一些。看完这些后，我会查看骨骼部分，图像显示会有所变化以便能看到骨骼，然后再次滚动浏览患者身体的图像。我不知道大家觉得这个速度快不快，但实际上我在实际操作中会慢很多，需要花费大量时间。
肾癌的难点在于它可以扩散到身体的各个部位，我们在这个患者身上看到了肺部和淋巴结的病变，但它还可能转移到肝脏、骨骼、肾上腺等部位，甚至可能转移到心肌，对于心内科医生来说可能会更熟悉这种情况。这就意味着放射科医生必须非常专注，非常熟悉查看这些图像。每个患者的一次CT 扫描大约有600 到1000 张图像，工作量很大。
我们通过测量一定数量的病变来进行评估，这里给大家展示一个患者的例子。在治疗前，这个患者有肺部和淋巴结病变，治疗后，肿瘤尺寸缩小了，这说明患者对治疗有反应，这是个好消息。但在右边，大家看到的是另一个患者的例子，不幸的是，在治疗过程中，这个患者的肺部出现了更多病变，这意味着病情在进展，可能需要更换药物了。
这种评估方法效果如何呢？老实说，效果很好。这里给大家展示的是根据影像学上观察到的肿瘤大小变化得出的患者生存率。绿色的线代表肿瘤缩小的患者，他们的生存率最高；底部的线代表肿瘤增大的患者，生存率较差。所以，通过测量病变、评估其随时间的大小变化以及在治疗过程中的变化，是预测患者治疗效果、判断药物是否有效的好方法。
这就是我们目前的标准护理方法，但工作量确实很大。那么，我们能否改进这个工作流程呢？这就是孪生肿瘤项目的切入点。
我的机构与达索系统合作，我们给自己设定了两个目标。首先是提高可重复性，其次是为专家节省时间。如果我不用花那么多时间查看图像，也许就能多花些时间向患者解释病情，比如当前的CT 结果对他的治疗有什么影响，我在报告中写的内容到底意味着什么。
我们正在开发的是一种人工智能驱动的工作流程。大家现在看到的是一个带有自动分割功能的图像查看器。我们开发了一个模型，用来检测转移性病变，在三维空间中勾勒出它们的轮廓并进行测量，为我做好准备工作，这样我只需要查看模型准备好的结果就可以了。这里的挑战在于，我们要处理很多不同器官中的不同病变，这需要模型进行大量学习，所以显然需要大量数据。
这个模型是如何工作的呢？它面对的不是一张图像，也不是简单的胸部X 光片，而是600 到1000 张图像组成的图像序列。模型会在连续的切片中检测病变，然后将连续切片上的病变识别为同一个三维实体，并将其转化为我在测量病变时会做的标注。这就是我们的工具，感谢团队与我分享。
大家可以看到，它像我一样滚动浏览图像，像我一样勾勒病变，但更好的是，它能以三维形式呈现，这为我提供了我目前所没有的额外信息。我虽然在脑海中也能想象出三维图像，但没有这么直观的呈现方式。
https://s3.bmp.ovh/imgs/2025/05/03/f9ffccdb014593e9.jpg
https://s3.bmp.ovh/imgs/2025/05/03/8bcdea802aac76f5.jpg
我不能说患者已经治愈了，也不能说一切都没问题了，毕竟还有一些残留。但我不确定是否应该担心，因为这些残留病灶已经一年多没有变化了。现在我们在免疫治疗中经常会遇到这样的患者，大家都不知道该怎么办。
我应该停止治疗吗？当然，最终决定是否停止治疗的是肿瘤科医生，但我们不知道是否可以冒这个险，也不确定患者是否真的治愈了，这些残留的病灶到底只是疤痕还是有潜在风险，我们还需要更多信息。
第二个病例是我们所说的寡进展病例。大家看到这个患者有几个小的肾癌肿瘤，底部还有一个淋巴结。在治疗过程中，除了一个病变外，其他所有病变都在好转，我们把这种情况称为寡进展。好消息是，当我们发现只有一个病变在进展时，可以采取其他治疗方法。
在这个病例中，患者接受了冷冻治疗，也就是通过冷冻肿瘤来破坏癌细胞。但问题是，我是否总能在众多病变中及时发现那个在进展的病变呢？也许在可以对那个单一病变进行治疗的时候，我可能无法高效地检测到它。
第三个病例是一个更复杂的病例。在左边，大家可以看到患者有多个病变，有胸膜融合，还有原发性肾癌肿瘤、肝脏病变和淋巴结病变。正如大家所见，有些患者的肿瘤负担非常大。在这个病例中，患者的胸膜病变进展得很严重，但其他部位却有很大改善。
在这种情况下，我们该怎么办呢？药物到底有没有效果呢？胸膜病变的进展是否被其他部位的改善所抵消，还是反之呢？我不知道，没有人知道。我们不知道是否应该继续使用这种药物，还是应该换药，目前还不清楚。
如果患者有一个病变在进展，比如我用黄色表示肺部病变、绿色表示淋巴结病变、红色表示肝脏病变，那么这个3D 模型可以自动生成警报，提醒我有一个病变在进展。这将有助于在病变层面评估治疗反应，检测出我刚才提到的寡进展情况，并针对那个反应不佳的单一病变进行治疗。
它还可以帮助我们在器官层面评估治疗反应，就像之前那个胸膜疾病进展的患者一样。我们知道有些器官的预后较差，有些则较好，这样我们就可以将特定器官对特定癌症的影响纳入考虑范围。它也有助于我们评估那些混合反应的病例，即一半病变在进展，一半在反应良好的情况。我们可以得到一个整体的肿瘤负担数据，比如肿瘤负担是多少毫升，以及它是如何变化的，这样我们至少可以得到一个相对客观的印象，判断患者是在好转还是恶化。
第二个想法是从基于人群的决策转变为针对个体疾病的决策。目前，我给患者使用某种药物是因为他是转移性肾癌患者，这就是我对他的全部了解，也是我决定用药的依据。但我们希望能够根据每个患者的具体情况做出决策，不仅要考虑患者的影像学资料，还要考虑所有其他相关数据，对患者进行全面的特征描述。然后，我们可以查看过往患者的病例，寻找与当前患者相似的病例，比如有混合反应或近乎完美但又不完全理想的反应的病例。
看看这些患者后来的情况如何，他们的治疗结果是什么，当时做出了什么决策，这些决策是否正确，我是否应该采取相同的措施。这样，当我们遇到非典型反应的患者（不是那些简单的病例，而是更复杂的病例）时，就可以找到相似的患者，确定最佳的治疗策略。
我们还可以更进一步，就像其他人提到的，要有一个整体的视角。因为患者不仅仅是由他的癌症来定义的，患者是一个有健康史的个体，可能有合并症，比如肌肉减少症（也就是肌肉萎缩）、心血管疾病或肺部疾病等等。我也想把这些因素考虑进去，因为它们会影响治疗决策。
总之，如果要总结一下的话，我希望已经让大家相信，在跟踪癌症患者的过程中，影像学是极其重要的，因为这是我们判断患者对药物反应或病情进展的方法。
它在临床试验中也非常重要，因为这是验证药物疗效的途径。但目前的影像学评估方法耗时、受人为差异影响、需要专业知识。通过这些人工智能驱动的工具和孪生肿瘤项目，我们有望实现更好的标准化，确保无论患者在世界何处接受医疗护理，都能以相同的方式进行评估。
这将实现对患者全身的评估，目前这方面还非常主观，还能提供疾病及其演变的可视化呈现，有助于与肿瘤科医生和患者进行沟通，并能够将个体患者与相似患者进行比较，为个体患者找到最佳的治疗策略。
最后，我要感谢在这个项目中与我们合作的每一个人，无论是我所在机构巴黎公立医院集团（AP - HP）的同事，还是达索系统和Medidata 的合作伙伴。
页:
[1]