《血癌发现》论文进一步证实，Exscientia的人工智能精准医疗平台可改善患者各项转归指标

Exscientia (Nasdaq: EXAI)、苏黎世联邦理工学院、维也纳医科大学和分子医学中心(Center for Molecular Medicine, CeMM)今天宣布，美国癌症研究学会期刊《血癌发现》(Blood Cancer Discovery)新发表了Berend Snijder教授实验室的论文，题为“深度形态学习可通过基于图像的体外药物测试提升精准医疗”(Deep Morphology Learning Enhances Precision Medicine by Image-Based Ex Vivo Drug Testing)。此项事后分析研究立足于《癌症发现》发表的EXALT-1试验所做的颠覆性工作，通过采用深度学习算法，将患者癌症组织样本中的各种复杂细胞形态划分为各种疾病“形态类型”。

EXALT-1是首个采用人工智能支持的精准医疗平台来指导个体化治疗的前瞻性试验，结果显示，相较于医生人工选择的疗法，该平台可显著改善晚期血液癌症患者各项转归指标。EXALT-1试验结果显示，40%的患者出现显著缓解，持续时间至少三倍于其各自疾病的预期值。此项事后分析研究今天发表于《血癌发现》，其结果显示，将EXALT-1采用的技术与可发挥高内涵图像中细胞特异性特征优势的深度学习新进展相结合，有望进一步改善上述患者的多项转归指标。

Exscientia转化研究副总裁、该平台技术的共同发明者Gregory Vladimer博士表示：“继EXALT-1研究结果之后，这些新发现继续证明，我们的人工智能引导精准医疗平台有能力确定高度可行的血癌临床治疗建议，并能够加深我们的见解，提升该平台的临床预测把握度，从而帮助患者。细胞形态，或者说对细胞特征的评估，是癌症诊断的基础。在此项研究中，我们能够运用平台内置的深度学习技术来提升我们确定个体化癌症治疗药物的能力，从而改善患者的临床转归指标。我们很高兴能够扩展Exscientia平台的应用，让个体化医疗造福更广大的群体。”

瑞士苏黎世联邦理工学院分子系统生物学研究所首席研究员Berend Snijder教授补充道：“我们相信，与传统细胞模型系统相比，直接在癌症患者的肿瘤组织中开展药物筛选是了解肿瘤复杂性的一大进步。现在我们能够发挥深度学习的力量，将太字节数量级的图像转化为可付诸行动的见解，这一成就的确令人非常振奋。”

此项事后分析评估了三年时间内深度学习对66例患者离体药物筛选临床预测把握度的影响，汇总数据集包含13亿个患者细胞、136种离体受试药物，涵盖多种血液学诊断，包括急性粒细胞白血病、T细胞淋巴瘤、弥漫性大B细胞淋巴瘤、慢性淋巴细胞白血病和多发性骨髓瘤。结果显示，在接受该平台免疫荧光分析或细胞形态学深度学习推荐的治疗药物的患者中，达到显著临床缓解的比例升高。显著临床缓解的定义是无进展生存期持续时间三倍于各例患者各自疾病的预期值。事后分析还证实，如果同时考虑药物对受试患者样本中健康细胞的毒性，临床预测将变得更为精准。

Exscientia的精准医疗平台采用定制深度学习和计算机视觉技术，可从个例患者组织样本的高内涵图像中提取有临床意义的单细胞数据。该分析可生成有临床意义的见解，即哪些治疗药物将为个例患者带来最大收益。通过Exscientia的基因组学和转录组学能力进一步评估个例患者的治疗结果，可能有助于Exscientia进一步了解其他哪些患者可能会受益于类似的治疗药物。Gregory Vladimer博士和Berend Snijder教授在奥地利CeMM分子医学研究中心的Giulio Superti-Furga实验室工作期间开发出此项底层技术。