人工智能技术的运用猜想
2022年01月21日 【健康号】 汇聚专家共话临床     阅读 7952

头颈部肿瘤的发病率和死亡率很高,随着人类癌症基因组的解码,目前治疗能更精确选择靶向特定基因进行治疗,此外,随着对肿瘤细胞与免疫系统相互作用的深入理解,目前还发展出新的针对抗肿瘤免疫的治疗策略


作者:天津市肿瘤医院   李燕巍

头颈部肿瘤的发病率和死亡率很高,随着人类癌症基因组的解码,目前治疗能更精确选择靶向特定基因进行治疗,此外,随着对肿瘤细胞与免疫系统相互作用的深入理解,目前还发展出新的针对抗肿瘤免疫的治疗策略[1]。本文将阐述人工智能技术在诊断、医学影像分析、医学病理分析、疾病预测、随访管理等方面的现状。

有学者硏发了一种新型系统[2],该系统利用人体组织切片的全幻灯片图像(WSI)检测和分级,筛选潜在恶性(癌前)和恶性头颈部病变。收集2009年10月至2020年4月,通过OVID、Scopus和网络科学搜索了MEDLINE电子数据库。采用严格的纳入标准,遵循PRISMA指南,偏差风险评估是使用特制的QUADAS-2工具进行的。采用了启发式、有监督和无监督的学习方法,包括10多种不同的分类和分割技术。大多数研究使用统一中心的数据集(40-270幅图像),包括WSI内的小子图像,精确度在79%到100%之间。认为有监督的机器学习方法,是口腔潜在恶性和恶性病变的诊断辅助手段。支持人工智能检测作为口腔癌前病变的早期诊断依据。     

另一项柏林查理特大学和德国癌症联合会(DKTK)的研究[3]成功地解决了头颈部癌症诊断中长期存在的问题。研究人员与柏林科技大学(TU)的同事们一起,利用人工智能开发了一种新的分类方法,根据化学DNA的变化来识别癌组织的。研究人员使用了几百种头颈癌的DNA甲基化数据,以训练一个深层神经网络来精确诊断。

Li 等 [4] 开发了一种基于深度卷积神经网络的生存分析方法,以学习影像信息和生存风险之间的非线性关系。研究结果表明深度卷积神经网络生存分析方法比现有的放射学方法更好地预测肿瘤复发风险。然而,使用人工智能诊断其他头颈部病变的证据却很少。总的来说,证据的质量很低,大多数研究显示,存在偏差的风险很高,这很可能高估了准确率,需要开发先进的深度学习技术。

参考文献

[1] Abduljabbar K, Raza SEA, Rosenthal R, et al Geospatial immune variability illuminates differential evolution of lung adenocarcinoma [J]. Nature Medicine, 2020.

[2] 清华大学中国科技政策研究中心.2018中国人工智能发展报告[R].北京:2018.

[3] Campanella G,Hanna MG,Geneslaw L,et al.Clinical-grade computational pathology using weakly supervised deep learning on whole slide images[J].Nat Med,2019,25(8):1301-1309.

[4] Liang S,Tang F,Huang X,et al.Deep-learning-based detection and segmentation of organs at risk in nasopharyngeal carcinoma computed tomographic images for radiotherapy planning[J].Eur Radiol,2019,29(4):1961-1967.

 


提示x

您已经顶过了!

确认
''
|
请选择举报原因
垃圾广告信息
色情低俗内容
违规有害信息
侵犯隐私、虚假谣传