OpenAI进军癌症筛查，助力Color Health推出AI助手- Cancer Copilot！

Color 这家公司最近搞了个大动作——联手 OpenAI，用 GPT-4o 模型打造了一款名为 Cancer Copilot 的 AI 助手。它的目标很明确：帮医生制定癌症筛查计划，同时为确诊患者规划治疗前的准备。这可不是什么概念产品，而是已经落地的实际工具。

说起来，Color 这家公司从 2013 年就开始了，最初是做基因检测的。十年前，他们在遗传性癌症风险领域推出了针对 BRCA1、BRCA2 以及其他 17 种癌症基因的低成本临床级检测，并且首创了将遗传咨询作为检测配套服务的模式。这步棋走得挺早。

后来，Color 参与了美国“All of Us”研究计划，为参与者提供 ACMG 59 个基因的数据分析解读与咨询。也正是这个项目，让 Color 进一步扩大了与研究机构和医疗机构的合作。到 COVID-19 大流行期间，这套模式被迅速放大。如今，Color 的合作方覆盖了雇主、工会、健康计划及政府机构，核心目标是通过一套全面的癌症管理方案来真正控制癌症。到目前，Color 已经服务了超过 700 万患者。

2023 年，Color 与 OpenAI 正式牵手。这次合作的目标非常务实——用最新的 AI 能力，实实在在地改善癌症患者的护理质量，同时推动健康公平的可及性。

在具体应用开发上，Color 选了两个大方向：

大家都知道，癌症的筛查、诊断和治疗流程又复杂又耗时。每一次筛查的错过、每一次治疗的延迟，都会直接影响患者的结局。数据很直观：治疗延迟仅仅四周，患者的死亡风险就会增加 6% 到 13%。

而且，筛查需求本身高度个性化。举个例子，超过三分之一的 Color 患者，需要根据标准指南中未涉及的个人风险因素，进行更早或不同方式的筛查。指南本身在不断更新，个体的风险因素又不总是那么清晰。现实情况是，绝大多数高风险女性并没有按照风险调整后的指南进行筛查。原因很简单：要么她们没去看医生，要么医生没时间、或者缺乏相应的背景知识去调整她们的筛查方案。

早期诊断几乎总是比晚期诊断好得多，这一点无需多言。但一旦确诊，时间就成了最宝贵的资源。让人头疼的是，医生在开始治疗前，往往需要完成一系列所谓的“治疗前检查”。具体做哪些检查，取决于癌症类型、患者病史和各种个案因素。但大多数情况下，患者被转诊给肿瘤科医生后，得等上几天甚至几周才能见到医生，然后才被告知需要做一堆额外的检查来辅助治疗决策。这一来二去，几周时间就白白浪费了，肿瘤科医生也在反复的无效预约中消耗精力，甚至有时被迫在信息不完整的情况下做出治疗决定——因为再等下去，风险更大。

所以，Color Copilot 的两个核心应用场景就非常清晰了。第一个场景，是

，然后。第二个场景，则是，帮他们判断到底需要做哪些检查来为治疗决策提供依据。这样，一旦患者确诊，就能立即采取行动。等到患者第一次见到肿瘤医生时，她已经有更高的概率准备好开始治疗——这节省的，就是几周的宝贵时间。

Color 使用的是 OpenAI 的 API，将患者医疗数据与临床知识深度融合。结果就是，

要做出这样的解决方案，挑战不小。系统必须能解释格式五花八门的患者数据，分析密集的医疗保健指南，同时还得保护患者隐私，无缝整合进临床医生现有的工作流程，确保患者安全，并且与电子健康记录（EHR）和核心医院系统做好集成。

值得注意的是，Copilot 应用的输出，每一步都要经过临床医生的审核，医生可以随时修改，确认无误后再呈现给患者。这保证了安全性和专业性。

<iframe allowfullscreen="" frameborder="0" src="https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_3508281358542159875"></iframe>

具体流程是这样的：Copilot 首先提取、处理并规范化患者信息，比如家族史、个人风险因素，同时整合来自权威来源的临床指南和数据。这里 GPT-4o 的能力非常关键——很多信息隐藏在结构和措辞都不一致的页面里，可能是 PDF，也可能是临床笔记，格式五花八门。有了这些数据，Copilot 就能回答诸如“这位患者应该进行哪些筛查？”这样的核心问题，找出遗漏的诊断项，生成个性化的筛查计划。它甚至能自动生成完成诊断检查所需的文档，比如医疗必要性文档和保险预授权申请。最后，临床医生会评估输出结果，所有源信息都清晰可见，医生可以编辑 Copilot 的输出，这也能反过来帮助改进未来的迭代。一旦医生满意，信息就可以直接加入患者的治疗计划。

在 Copilot 的试验中，结果相当亮眼：使用 Copilot 的医疗保健提供者，能够识别出的缺失实验室、影像、活检或病理结果，是未使用者的

。而且，用 Copilot 分析患者记录、找出信息差距，临床医生平均只需要。没有 Copilot 的话，数据支离破碎，往往会导致数周的延误。

Color Copilot 使用的是 OpenAI 的 API，也就是应用程序编程接口——这是开发者调用 OpenAI 模型最常见的方式。和大多数开发商一样，Color 根据发送和接收的 token（词段）数量向 OpenAI 支付费用。

目前，Color 已经开始在临床医生中进行初步试用，将工具应用于有限数量的病例。在推广上，Color 采取了非常谨慎的策略，在患者护理环境中使用分阶段的模型标准，每个实施阶段都进行迭代评估和验证。

按计划，到 2024 年下半年，Color 打算在医生监督下，通过 Copilot 应用为

提供由 AI 生成的个性化护理计划。

Color Copilot 是 OpenAI 进军医疗领域的又一重要动作。今年 4 月，OpenAI 刚宣布与 mRNA 疫苗开发商

合作，Moderna 将使用 GPT 等生成式 AI 来加速业务流程，比如为临床试验选择最佳剂量。这次进军肿瘤诊疗，OpenAI 为临床医生提供了更强大的工具，去理解和分析医疗记录、指南、实验室数据和诊断信息。未来，AI 或许能吸收和分析海量的生活方式数据、临床数据乃至真实世界数据，帮助医生更快地发现甚至无症状的癌症线索——那才是癌症早筛和预警的真正意义所在。

持续关注医疗健康领域的这些 AI 革命，确实值得期待。