《Cancer Treatment and Research Communications》：Emerging Light-Based Strategies in Cancer Theranostics: Photodynamic Therapy, Nanomedicine, and Precision Oncology
编辑推荐：
这篇综述深入探讨了人工智能（AI）如何赋能光基癌症诊疗一体化（Theranostics）。文章阐述了AI通过提升光学成像精度、优化治疗计划（如个性化光动力疗法PDT/光热疗法PTT参数）以及加速新型光敏剂和纳米药物的发现，从而推动精准肿瘤学的发展。同时，文章也指出了数据标准化、模型可解释性及临床转化等挑战与未来机遇。
人工智能在癌症诊疗一体化新兴光基策略中的整合：光动力疗法、纳米医学与精准肿瘤学
引言：迈向精准的光基诊疗一体化
在精准肿瘤学领域，诊疗一体化（Theranostics）将诊断与治疗相结合，为患者提供个性化的治疗策略。传统的化疗和放疗常带有“试错”性质，而诊疗一体化则通过整合分子成像和生物标志物驱动的治疗选择，引入了更具靶向性和高效性的方法。在众多诊疗一体化技术中，光基诊疗一体化技术，如光动力疗法（PDT）、光热疗法（PTT）和荧光引导成像，因其无创、高特异性和实时监测能力而备受关注。然而，实现高肿瘤特异性、克服光穿透深度限制以及应对肿瘤内异质性等挑战仍然存在。人工智能（AI）的融入为解决这些难题提供了变革性方案，通过数据驱动的决策制定和个性化治疗方案，显著提升了光基癌症诊疗一体化的精准度和疗效。
人工智能在诊疗一体化成像中的应用
图像处理与诊断
AI，特别是深度学习（DL）模型，如图像分割、特征提取，能够精确区分健康与癌变组织。在结直肠癌和乳腺癌的医学图像分类中，卷积神经网络（CNN）等架构展现了强大的性能。例如，在结直肠腺癌病理学中，基于小图像块的集成CNN框架对核特征的提取精度很高，曲线下面积（AUC）达到91.7%。对于乳腺肿瘤成像，经过微调的集成CNN在区分恶性与良性病变方面准确率高达96.7%。
提升成像分辨率、对比度与降噪
AI超分辨率技术突破了传统成像设备的限制。研究表明，AI辅助的超分辨率重建和CT降噪能提高肺癌图像的清晰度和病灶可检测性，而无需增加辐射暴露。在肝癌成像中，AI驱动的降噪算法可将信噪比（SNR）提升高达35%。此外，AI增强的低剂量CT和MRI协议能将图像噪声降低40%，伪影强度降低27%。
诊疗一体化中的光学成像
AI赋能的系统已用于多种光学模态的实时图像解读和术中决策支持。例如，拉曼光谱、荧光成像和光学相干断层扫描（OCT）与AI辅助的光谱和图像分析相结合，能够在手术过程中实现快速组织分类和切缘评估。深度学习辅助的光学成像系统可以整合实时成像输出与手术及病理信息，以指导术中决策。
AI集成光响应纳米材料用于癌症诊疗一体化
光响应纳米材料（如光热剂、光敏剂）与AI结合，可以被重新设计成智能、自适应系统。机器学习引导的光敏剂负载、纳米颗粒尺寸和激发波长的优化，可使光疗疗效相比经验设计的系统提升20-40%。在结直肠癌中，AI优化的光动力和光热纳米平台通过定量关联光剂量与活性氧（ROS）生成及热转换效率，显示出更高的肿瘤消融效率和更低的脱靶光毒性。AI还能促进诊疗一体化控制，其中实时光学反馈可动态调整照射参数。
人工智能在治疗优化中的作用
基于患者特异性数据的治疗结果预测建模
预测模型旨在捕捉肿瘤生长动力学、微环境因素、纳米材料行为和光-组织相互作用之间的复杂关系。患者特异性混合模型整合了成像衍生的特征、生物学先验知识和机器学习算法，以模拟不同治疗条件下的肿瘤反应轨迹。AI辅助的剂量测定模型结合患者特异性的光学特性、光敏剂摄取和组织氧合作用，可在治疗前预测PDT疗效。此外，数字孪生启发的预测模型也被提出，通过随时间更新患者特异性数据来持续模拟个体化治疗结果。
AI驱动的光参数优化
优化光输送是PDT和PTT的关键环节。人工智能算法，特别是强化学习模型，可以根据肿瘤反应和生物反馈实时动态调整波长、强度和曝光时间等参数。AI控制的激光系统可确保均匀的光分布和最佳的穿透深度。通过分析光谱数据，AI能够优化光剂量测定，以实现最大的治疗效果和最小的副作用。机器学习模型还能优化光敏剂浓度和激活时间。
新兴人工智能技术在诊疗一体化中的应用
使用生成式AI创建合成数据集训练模型
生成对抗网络（GAN）和变分自编码器（VAE）等生成式AI已被用于生成合成医学图像和治疗模拟，以增强模型训练。这些AI生成的数据集可以模拟罕见的癌症亚型，使机器学习模型能够更好地泛化并提高临床环境中的诊断准确性。
用于自适应治疗策略的强化学习
强化学习（RL）已成为诊疗一体化中自适应治疗计划的有力工具。基于RL的模型持续从患者反应中学习并相应调整治疗方案。通过采用基于奖励的优化，这些模型可以优化药物剂量、光参数和曝光时间。RL多智能体系统还可以协调多模态疗法。
临床应用中更好理解的可解释人工智能
可解释人工智能（XAI）通过为AI生成的推荐提供可解释的见解来解决AI驱动决策缺乏透明度的问题。XAI模型（如基于注意力的深度学习网络和SHAP）使临床医生能够理解哪些特征促成了AI的预测，从而增强AI系统的可靠性。
人工智能在光基癌症诊疗一体化中的作用
光动力疗法
AI正在变革PDT中光敏剂和治疗参数的临床前发现与优化。机器学习模型可以预测新候选药物的有效性和安全性，加速更高效PDT药物的开发。AI驱动的模拟和分子水平分析增强了对这些药物如何在分子水平上与光相互作用的理解。例如，机器学习被用于优化光敏剂的配方，提高了其在皮肤癌模型中的PDT有效性。此外，AI辅助的光输送系统已被开发出来，通过考虑肿瘤特异性的光学特性来改善照射的空间和时间控制。AI驱动的临床决策支持系统（CDSS）分析患者数据，为每位患者推荐最佳的治疗策略。
光热疗法
PTT利用光热剂将吸收的光（通常在近红外NIR光谱）转化为局部热量，从而选择性破坏肿瘤组织。AI算法越来越多地应用于通过增强热反应预测、调节光强度和引导激光放置来优化治疗输送。强化学习和深度神经网络已被用于模拟热扩散并实时调整治疗参数。此外，机器学习促进了光热纳米材料的理性设计和筛选。AI引导的混合纳米结构能够预测光热转换效率和生物分布特性。
荧光成像
AI可以缓解传统荧光技术信噪比低、光漂白和光谱重叠等限制。深度CNN架构在从复杂背景中分割荧光标记的肿瘤方面表现出强大的性能。在术中可行性研究中，AI辅助的近红外荧光成像改善了肿瘤切缘描绘，并能检测到常规手动解读无法识别的亚毫米级病灶。生成对抗网络已被探索用于从低剂量采集重建高分辨率荧光图像。
拉曼成像
AI通过增强光谱去噪、特征提取和分类准确性来应对拉曼成像信号弱、光谱重叠和实时解读挑战。机器学习模型已应用于拉曼光谱以检测多种肿瘤类型中与恶性肿瘤相关的生化变化。更近期的深度学习（DL）方法在实验和术中环境中实现了更高通量和近实时拉曼分析。例如，生成式AI框架可将拉曼数据转化为类似组织病理学的图像，以支持舌鳞状细胞癌的术中决策。
光学相干断层扫描
AI可以通过实现自动分割、特征提取和组织分类来改进OCT诊断。深度学习模型，特别是CNN，在分析多个解剖部位的OCT图像方面表现出强大的性能。例如，将DL应用于口腔黏膜OCT扫描提高了对潜在恶性病变的诊断准确性。放射组学OCT分析也成为一种补充方法，使用手工制作和深度放射组学特征在皮肤病学OCT研究中实现了可重复且敏感的皮肤癌分类。
光声断层扫描
AI可以通过加速图像重建、提高信噪比和支持多模态数据整合来解决光声断层扫描（PAT）重建速度、信号质量和数据解读方面的挑战。基于深度学习（DL）的重建方法已证明能够从稀疏数据集中恢复高质量的PAT图像，在实验和临床前环境中实现近实时成像。基于CNN的多模态融合方法已被应用于整合光声和超声信息，以改善早期转化性乳腺成像研究中的病变表征和治疗计划。
AI驱动方法相较于传统光基诊疗一体化的优势
传统的PDT、PTT和荧光引导干预等方法依赖于预定的光剂量、经验选择的光敏剂和光学信号的手动解读。这些限制通常导致次优的光-组织相互作用、多变的治疗效果以及治疗过程中有限的适应性。相比之下，AI驱动的诊疗一体化引入了一种数据自适应范式，将成像反馈、生物学背景和纳米材料行为整合到统一的决策流程中。AI引导的系统支持自适应光剂量测定、改进荧光和拉曼成像中的信噪比解读，并推动向基于实时反馈持续更新治疗参数的预测性和闭环治疗策略过渡。AI赋能的数字孪生等新兴概念进一步体现了这种转变。
人工智能对纳米医学的变革性影响
纳米医学优化
AI驱动的优化使得能够数据引导地调整纳米医学平台内的药物比例。在一项研究中，AI被用于优化四药纳米医学组合的剂量比例，在多种乳腺癌细胞系中，与单药治疗、未优化组合以及非纳米颗粒方案相比，显示出更优的疗效和安全性。AI还应用于优化纳米医学的配方参数。
临床中的AI引导治疗
在临床肿瘤学中，剂量调整通常是为了降低毒性，而非提高疗效。然而，新兴研究表明，通过实施优化剂量策略，有可能同时实现这两个目标。主要障碍在于开发能够将特定剂量变化与实时理想结果联系起来的模型。CURATE.AI是一个基于AI的剂量平台，可根据个体患者定制治疗。在一项涉及肝移植受者的临床研究中，CURATE.AI被用于优化常用免疫抑制剂他克莫司的剂量。该平台引导抛物线式的个性化剂量以维持目标药物水平，其表现优于常规滴定方法。在肿瘤学案例中，对于一名转移性去势抵抗性前列腺癌（mCRPC）患者，该平台优化了ZEN-3694（一种BET溴结构域抑制剂）与恩杂鲁胺的组合治疗。仅基于患者特异性数据，CURATE.AI建议减少50%的剂量，从而实现了最佳的临床结果。
挑战与未来方向
尽管前景广阔，但将AI完全整合到临床实践中仍面临诸多挑战。主要障碍包括数据的标准化、可用性和质量。AI系统，尤其是深度学习模型，需要大型、多样且标注良好的数据集。然而，光基治疗、诊断和诊疗一体化领域仍然缺乏大型、标准化的数据库。不同研究在成像技术、设备规格以及治疗方案和参数上的差异进一步限制了模型的泛化能力和可重复性。
AI模型的可解释性是另一个重要缺点。许多系统作为“黑箱”运行，对决策过程提供的信息有限。在癌症诊断或治疗方案选择等生命攸关的应用中，缺乏透明度引发了关于可靠性、解读和验证的担忧。从实际角度来看，稳健的外部验证、监管批准以及与现有临床工作流程的无缝整合对于确保安全性、可重复性和现实世界适用性仍然至关重要。
光激活纳米平台中AI的临床应用仍处于非常早期的阶段。大部分可用数据来源于体外研究、动物模型或理论模拟。此外，将AI整合到光基疗法中面临技术挑战，因为光动力或光热治疗期间的实时反馈需要计算密集、高速的数据处理。除了技术挑战，还存在社会技术问题，例如培训临床医生有效使用AI系统的必要性，以及在决策过程中建立明确的人机协作指南。
未来的机遇包括开发更复杂的AI算法、与可穿戴设备结合以实现患者持续监测，以及通过跨医学平台的数据共享来推进AI模型的训练和验证。在光活性和光诊疗纳米医学领域，AI驱动的药物发现可以快速推进该领域。机器学习算法可以通过准确预测光物理行为、靶点特异性和生物相容性等关键属性，更快地识别新的候选药物、纳米载体和偶联物。
