IBM Watson for Oncology(IBM Watson肿瘤解决方案)是IBM与纪念斯隆-凯特琳癌症中心联合开发的一种认知计算系统，可以通过自然语言处理(natural language processing)从一般文档中提取结构化数据。WFO平台使用自然语言和机器学习分析了海量的非结构化医疗数据，主要集中在乳腺癌，结直肠癌和肺癌。

        近期，2016年底世界乳腺癌领域最重要的国际会议——圣安东尼奥乳腺癌会议(SABCS)在美国召开。当地时间12月9日，研究者报告了IBM Watson for Oncology(WFO)和人类肿瘤专家团队在乳腺癌诊疗上的对决，比较了两种方式给出的治疗建议的一致性。

研究内容

        该研究以印度班加罗尔Manipal医院的多学科诊疗团队(Manipal multidisciplinary tumor board, MMDT)为参考，选择638例乳腺癌病例供Watson分析。

        所有纳入的乳腺癌都为MMDT过去3年所收治，包括514例局部和124例转移患者。收集患者的治疗推荐和相关的临床病理数据并输入Watson。记录Watson给出的治疗推荐，数据录入的时间，以及从分析数据到给出推荐的时间。

        按照不同颜色将Watson给出的治疗建议分为三类：其中绿色表示标准推荐治疗(REC)，橙色表示供参考(FC)，红色表示不推荐(NREC)。根据不同的肿瘤分期和受体状态对MMDT和Watson治疗建议的一致性进行评价。

主要结果

        按照Watson的标准，MMDT给出的治疗建议中REC占46.4%，FC占26.1%，NREC占21.5%，将近73%的治疗推荐属于Watson版的标准推荐治疗(REC)和供参考(FC)。然而MMDT的治疗建议有6%不在Watson版中。

        ◆以MMDT为参照，在非转移性肿瘤病例中Watson所给治疗推荐的一致性接近80%，在转移性疾病中则只有45%;

        ◆根据受体状态亚组分析，同样以MMDT为参照，三阴性乳腺癌病例中Watson所给治疗推荐的一致性为67.9%，而HER2阴性病例中仅有35%;

        ◆对于所有亚组(按受体状态)，非转移性疾病中机器与人类专家的一致性明显优于转移性疾病。

        研究者表示，Watson和人类专家之间的意见分歧可能是HER2阴性乳腺癌的治疗选择多样。依据HER2状态需要考虑的治疗和变量太多，这就需要人类的思考能力。而病例越复杂，则治疗推荐的差异也就越多。

        在用时方面，虽然人类专家可通过增加经验提升工作效率，但还是需要花更长时间去思考可用的治疗并形成推荐意见。起初，医生需要平均20分钟时间给出治疗建议，提高后时间缩短为平均12分钟;而转移性疾病所要花的时间比局部疾病长5~7分钟。

        与之形成鲜明对比的是，Watson从提取分析数据到给出治疗建议平均只要40秒。

人工智能与人类

        Watson在标准推荐治疗(REC)和供参考(FC)两种意见上与印度肿瘤多学科专家团队的符合率达到73%，然而在转移性疾病和HER2阴性患者上仍有很大的改进空间。

        Watson for Oncology是肿瘤人工智能诊疗领域的代表，虽应用前景广阔但短时间内无法替代医生的角色，只能作为一种诊疗参考。在处理信息的速度上，Watson远远超过人类，但诊疗活动可不是给出一个建议那么简单。

        一方面，患者都是独立的个体，有自己独特性，医患之间的沟通交流和医生给予的人文关怀对肿瘤的治疗至关重要，这远超一般意义的“数据分析”。另一方面，在复杂疾病(如转移)的处理上，Watson更倾向于以最佳的可用证据为基础提出建议，而医生则可能会考虑大剂量化疗迅速缓解症状等措施，后者的评估更灵活。

        IBM Watson for Oncology是个体化治疗的重要一步，但应谨记：人工智能虽然能改善诊疗质量，提供更多的参考信息，然而现阶段只能作为诊疗的辅助工具，无法替代医生和患者在医疗活动中的主导性地位。

        信源：Tony Hagen.IBM's Watson Achieves High Concordance in Tumor Board Test. Dec 09, 2016.Onclive.com.