IBM Watson for Oncology（IBM Watson腫瘤解決方案）是IBM與紀念斯隆-凱特琳癌癥中心聯合開發的一種認知計算系統，可以通過自然語言處理（natural language processing）從一般文檔中提取結構化數據。WFO平臺使用自然語言和機器學習分析了海量的非結構化醫療數據，主要集中在乳腺癌，結直腸癌和肺癌。

近期，2016年底世界乳腺癌領域最重要的國際會議——圣安東尼奧乳腺癌會議（SABCS）在美國召開。當地時間12月9日，研究者報告了IBM Watson for oncology(WFO)和人類腫瘤專家團隊在乳腺癌診療上的對決，比較了兩種方式給出的治療建議的一致性。

研究內容

該研究以印度班加羅爾Manipal醫院的多學科診療團隊（Manipal multidisciplinary tumor board, MMDT）為參考，選擇638例乳腺癌病例供Watson分析。

所有納入的乳腺癌都為MMDT過去3年所收治，包括514例局部和124例轉移患者。收集患者的治療推薦和相關的臨床病理數據并輸入Watson。記錄Watson給出的治療推薦，數據錄入的時間，以及從分析數據到給出推薦的時間。

按照不同顏色將Watson給出的治療建議分為三類：其中綠色表示標準推薦治療（REC），橙色表示供參考（FC），紅色表示不推薦（NREC）。根據不同的腫瘤分期和受體狀態對MMDT和Watson治療建議的一致性進行評價。

主要結果

按照Watson的標準，MMDT給出的治療建議中REC占46.4%，FC占26.1%，NREC占21.5%，將近73%的治療推薦屬于Watson版的標準推薦治療（REC）和供參考（FC）。然而MMDT的治療建議有6%不在Watson版中。

◆以MMDT為參照，在非轉移性腫瘤病例中Watson所給治療推薦的一致性接近80%，在轉移性疾病中則只有45%；

◆根據受體狀態亞組分析，同樣以MMDT為參照，三陰性乳腺癌病例中Watson所給治療推薦的一致性為67.9%，而HER2陰性病例中僅有35%；

◆對于所有亞組（按受體狀態），非轉移性疾病中機器與人類專家的一致性明顯優于轉移性疾病。

研究者表示，Watson和人類專家之間的意見分歧可能是HER2陰性乳腺癌的治療選擇多樣。依據HER2狀態需要考慮的治療和變量太多，這就需要人類的思考能力。而病例越復雜，則治療推薦的差異也就越多。

在用時方面，雖然人類專家可通過增加經驗提升工作效率，但還是需要花更長時間去思考可用的治療并形成推薦意見。起初，醫生需要平均20分鐘時間給出治療建議，提高后時間縮短為平均12分鐘；而轉移性疾病所要花的時間比局部疾病長5~7分鐘。

與之形成鮮明對比的是，Watson從提取分析數據到給出治療建議平均只要40秒。

人工智能與人類

Watson在標準推薦治療（REC）和供參考（FC）兩種意見上與印度腫瘤多學科專家團隊的符合率達到73%，然而在轉移性疾病和HER2陰性患者上仍有很大的改進空間。

Watson for Oncology是腫瘤人工智能診療領域的代表，雖應用前景廣闊但短時間內無法替代醫生的角色，只能作為一種診療參考。在處理信息的速度上，Watson遠遠超過人類，但診療活動可不是給出一個建議那么簡單。

一方面，患者都是獨立的個體，有自己獨特性，醫患之間的溝通交流和醫生給予的人文關懷對腫瘤的治療至關重要，這遠超一般意義的“數據分析”。另一方面，在復雜疾病（如轉移）的處理上，Watson更傾向于以最佳的可用證據為基礎提出建議，而醫生則可能會考慮大劑量化療迅速緩解癥狀等措施，后者的評估更靈活。

IBM Watson for Oncology是個體化治療的重要一步，但應謹記：人工智能雖然能改善診療質量，提供更多的參考信息，然而現階段只能作為診療的輔助工具，無法替代醫生和患者在醫療活動中的主導性地位。

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