海量共享数据集让现代人工智能能够掌握编程和人类推理等复杂任务。
但彼此割裂的数据孤岛目前阻碍机器学习在癌症免疫疗法领域取得拯救生命的突破。
通过构建适配人工智能的研究网络，标准化基础设施和全球协作有望加速药物发现。
大型语言模型之所以学会写作、编程和推理，是因为它们接受了海量共享数据集的训练，数据涵盖莎士比亚作品到软件代码库。规模、标准化和开放获取促成了现代人工智能的发展。
癌症研究也应得到同样的对待。
人工智能模型已经能够检测数十亿个变量之间的模式。将这些系统应用于医学，可以预测哪些患者会对治疗产生应答，揭示疗法为何失效，并在药物组合进入临床试验之前进行模拟。在免疫疗法领域，疗效取决于免疫细胞与肿瘤之间数百万次动态相互作用，这种模式识别能力可能带来变革。
机器学习系统的表现，取决于其训练数据的质量。
科学研究已准备就绪，遗憾的是，数据基础设施尚未就绪。如今，大多数癌症研究仍然各自在实验室开展，数据集也彼此分散。有价值的信息被困在孤岛中——锁在机构防火墙之后、散落在补充文件里，或存储于不兼容的格式中。即使研究结果已经发表，其底层数据也往往不完整（偏向仅呈现阳性结果），或无法复现。
机器学习系统的表现，取决于其训练数据的质量。分散且不一致的数据集会产生零散且不一致的见解。没有共享标准和汇集的数据，无论算法变得多么强大，人工智能都无法帮助我们破解癌症治疗的复杂性。
如果我们希望人工智能加速治愈疾病，就必须先为其训练构建恰当的数据基础。
共享数据为何重要
当前时刻具有独特而深远的意义。一方面，生物学已进入新时代。单细胞和空间技术如今让我们能够以前所未有的精度观察免疫系统——不仅能看到有哪些细胞，还能了解它们在空间中的位置、相互作用方式以及随时间的演变。我们可以将癌症及其治疗测量为一个鲜活、动态的系统。另一方面，人工智能架构已经日趋成熟，能够处理这类多模态数据——基因组、空间和纵向数据——其规模远超人类的处理能力。
测量工具和计算工具首次实现了匹配。但如果没有协调一致的基础设施，我们就有可能错失巨大的机遇。
后果并非只是理论上的。无法复现的研究据估计每年造成280亿美元的损失，仅在美国就是如此，而问题始于获取数据。当开放科学中心着手验证癌症领域最具影响力的研究中的193项实验时，他们连尝试大多数实验所需的信息都无法获得。在八年间设法完成的50项实验中，不到一半得出了相同结果。数据要么被锁在付费墙后，要么埋在文件柜里，要么根本没有共享。一项发表于《BMC医学》的研究发现，只有16%的肿瘤学数据可公开获取；按照其他研究人员实际使用数据所需的标准核查后，这一比例降至1%以下。
在一个生命取决于速度的领域，这种低效令人无法接受。而在人工智能有望加速发现的当下，它已成为我们最大的障碍。
夯实基础：CRI Discovery Engine
癌症研究所近期推出了CRI Discovery Engine，旨在弥补这一缺口——它不是专有数据库，而是服务整个领域的共享基础设施。
我们与斯坦福大学医学院、宾夕法尼亚大学佩雷尔曼医学院和纪念斯隆凯特琳癌症中心的研究人员，以及技术合作伙伴10x Genomics携手，正在推动免疫疗法数据生成、组织和共享方式的标准化。目标很简单：创建一个大型、协调统一、适用于人工智能的数据集，供任何符合条件的研究人员使用。参与项目的科学家承诺以自己的初步发现充实数据库，打破学术研究中的孤岛。初期阶段结束后，全球各地的外部研究人员也能够添加数据，使这一资源不断发展、价值日增。我们的目标是为癌症免疫疗法研究建立一种通用语言，让研究结果可复现、可比较，并可供人工智能使用。
重要的是，只有在各方激励一致时，这类工作才能奏效。企业保护知识产权无可厚非。各实验室也在争取认可和经费。然而，癌症等疾病不会受机构边界限制。即使疗法彼此竞争，也要共享数据基础设施的竞争前协作至关重要。
非营利组织和公私合作伙伴关系可以在此发挥关键作用：召集利益相关方、制定标准，并建设任何单一实体都难以独自承担的资源。
接下来会怎样
癌症领域的下一次突破不会来自某一个实验室或某一种算法，而将来自协作网络：科学家、临床医生、技术专家和政策制定者以共同的基础开展工作。
设想一下，人工智能模型利用数千种癌症与治疗组合的协调统一数据进行训练。研究人员可以先在模拟实验中检验假设 ，再开展真实实验。临床医生可以在治疗开始前识别可能产生应答的患者。一家机构取得的发现可以立即推动另一家机构取得进展。
这并非遥不可及的宏大设想，而是基础设施。与道路、电网和互联网等任何基础设施项目一样，它需要协同、标准和集体投入。
人工智能将帮助我们解码癌症的复杂性。但单靠算法无法拯救生命。真正的工作是建设共享基础，让人类和人工智能的智慧能够共同学习。如果我们把这件事做好，就能将数十年的发现进程压缩到数年。
对患者而言，这段时间不是无关紧要的指标，而关乎生存。
