• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      人工智能在胰腺疾病新型診療模式中的應(yīng)用及進(jìn)展

      2022-11-27 10:03:40陳鑫龍葉凱周文策
      關(guān)鍵詞:胰腺影像學(xué)預(yù)測(cè)

      陳鑫龍,葉凱,周文策

      1.蘭州大學(xué)第一臨床醫(yī)學(xué)院,甘肅蘭州 730013;2.蘭州大學(xué)第一醫(yī)院普外科,甘肅蘭州 730013;3.蘭州大學(xué)信息科學(xué)與工程學(xué)院,甘肅蘭州 730000;4.蘭州大學(xué)第二醫(yī)院普外科,甘肅蘭州 730030

      前言

      胰腺是由外分泌組織與內(nèi)分泌組織共同組成的器官,在消化與代謝中起到重要作用[1]。胰腺疾病主要包括胰腺炎癥、胰腺惡性腫瘤以及胰腺囊性疾病等。急性胰腺炎(Acute Pancreatitis,AP)是最常見(jiàn)的急腹癥之一,其病情變化多樣,程度輕重不等,重癥患者會(huì)出現(xiàn)各類并發(fā)癥,甚至導(dǎo)致休克、死亡[2]。慢性胰腺炎癥(Chronic Pancreatitis, CP)由于纖維化改變導(dǎo)致胰腺內(nèi)外分泌功能紊亂,目前仍以對(duì)癥治療為主[1]。胰腺占位主要包括胰腺良性和交界性或低度惡性腫瘤[2-3],高度惡性的腫瘤則以胰腺導(dǎo)管上皮癌(Pancreatic Ductal Adenocarcinoma, PDAC)為主[4]。良性腫瘤及部分交界性腫瘤可以長(zhǎng)期隨訪觀察,惡性腫瘤與分化差的腫瘤則需要進(jìn)一步治療,術(shù)前合并癥、腫瘤分型及是否R0切除、術(shù)后并發(fā)癥對(duì)于患者的預(yù)后有重要影響[5-6]。

      人工智能(Artificial Intelligence,AI)是一種通過(guò)建立數(shù)學(xué)模型對(duì)數(shù)據(jù)進(jìn)行分析并解決實(shí)際問(wèn)題的方法,可以自動(dòng)學(xué)習(xí)并識(shí)別數(shù)據(jù),主要應(yīng)用于探究各類因素間的復(fù)雜非線性關(guān)系。醫(yī)學(xué)問(wèn)題正是多種因素相互影響的復(fù)雜問(wèn)題,因此AI 在分析醫(yī)學(xué)問(wèn)題方面大有前景[7-8]。AI 主要通過(guò)機(jī)器學(xué)習(xí)(Machine Learning, ML)中的傳統(tǒng)統(tǒng)計(jì)方法與深度學(xué)習(xí)(Deep Learning, DL)方法解決醫(yī)療領(lǐng)域的難題。ML 是指系統(tǒng)通過(guò)輸入數(shù)據(jù)而不涉及形成問(wèn)題進(jìn)行學(xué)習(xí),醫(yī)學(xué)方面常用的傳統(tǒng)統(tǒng)計(jì)方法模型有:支持向量機(jī)(Support Vector Machines,SVM)、隨機(jī)森林(Random Forests, RF)、Logistic 回歸、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)等以最大似然法為基礎(chǔ)的模型;DL 則是利用模型、分析數(shù)據(jù)獲得更高級(jí)別的特征,并根據(jù)特征分析得出結(jié)果,能夠?qū)?shù)據(jù)中非常復(fù)雜的關(guān)系進(jìn)行建模,最常用的DL 方法是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)、生成對(duì)抗模型(Generative Adversarial Network, GAN)等[9-11]。雖然AI 在胰腺疾病診療方面處于起步階段,但已展現(xiàn)出在診斷、治療、疾病預(yù)后等方面的廣闊前景,并為精準(zhǔn)醫(yī)學(xué)發(fā)展、個(gè)體化治療提供一條明確、可行的道路。本文將通過(guò)描述AI在胰腺疾病診療中的應(yīng)用進(jìn)展,為建立新型診療模式提供新思路。

      1 AI與胰腺炎癥

      1.1 AI與AP

      AP是一種常見(jiàn)的消化系統(tǒng)疾病,是由膽石癥、高甘油三酯血癥和飲酒等多種病因引發(fā)胰腺腺泡細(xì)胞內(nèi)胰蛋白酶的過(guò)早激活,導(dǎo)致胰腺及周圍組織自我消化,出現(xiàn)胰腺局部水腫、出血甚至壞死的炎癥反應(yīng)[12]。臨床工作中關(guān)于AP 的嚴(yán)重程度及病情轉(zhuǎn)歸預(yù)測(cè)包括Ranson評(píng)分、Glasgow評(píng)分、APACHEⅡ評(píng)分等,但是這些評(píng)分系統(tǒng)的一個(gè)顯著問(wèn)題是它們會(huì)隨著臨床信息的變化而出現(xiàn)誤差[13]。C反應(yīng)蛋白、血尿淀粉酶、脂肪酶以及血細(xì)胞比容、尿液中胰蛋白酶原激活肽等標(biāo)志物對(duì)于AP 雖然有預(yù)測(cè)作用[14-15],但是與現(xiàn)有評(píng)分標(biāo)準(zhǔn)聯(lián)系并不緊密。由于ANN以非線性方式工作,可以更好地利用現(xiàn)有數(shù)據(jù)描述風(fēng)險(xiǎn)因素之間的相互作用,因此它們是傳統(tǒng)評(píng)分系統(tǒng)的良好的替 代方 案[16]。Pearce[13]使用ML 模型 同時(shí) 納 入APACHEⅡ評(píng)分系統(tǒng)數(shù)據(jù)與C反應(yīng)蛋白數(shù)據(jù),用于AP嚴(yán)重程度及病程預(yù)測(cè)。Andersson[17]首次納入“到達(dá)急診科前的疼痛持續(xù)時(shí)間”這一特征參數(shù)以及AP 病人入院時(shí)基線資料建立ANN模型預(yù)測(cè)轉(zhuǎn)歸為重癥的可能性,兩者均證明與AI 相結(jié)合預(yù)測(cè)模型效能優(yōu)于傳統(tǒng)評(píng)分。

      1.2 AI 與重癥急性胰腺炎(Severe Acute Pancreatitis,SAP)

      20%~25%的AP 患者會(huì)進(jìn)展為SAP。在SAP 進(jìn)展過(guò)程中,腹腔感染起著重要作用,而且也是決定患者預(yù)后的重要因素之一[18-20]。臨床實(shí)踐中AP患者是否并發(fā)腹腔感染常根據(jù)白細(xì)胞計(jì)數(shù)、中性粒細(xì)胞百分比和C 反應(yīng)蛋白等實(shí)驗(yàn)室檢查判斷,但是后者在SAP患者中普遍升高,很難將其用作確定是否存在腹腔內(nèi)感染的指標(biāo)[21]。Qiu 等[22]通過(guò)分析炎癥和凝血參數(shù)并使用Logistic 回歸模型(Logistic Regression Model,LRM)和ANN 模型構(gòu)建預(yù)測(cè)早期腹腔內(nèi)感染的可靠且實(shí)用的模型,及時(shí)預(yù)測(cè)AP 的嚴(yán)重程度與進(jìn)展為SAP的可能。

      約20%的SAP 患者會(huì)出現(xiàn)器官功能衰竭(Organ Failure,OF),并且有30%的OF 患者死亡,但是在OF發(fā)生之前,很難預(yù)測(cè)SAP 的最終臨床結(jié)局[23]。Xu等[24]通過(guò)收集多中心數(shù)據(jù)并使用6 種不同ML 模型對(duì)數(shù)據(jù)進(jìn)行重復(fù)驗(yàn)證,不同模型之間進(jìn)行內(nèi)部驗(yàn)證并建立預(yù)測(cè)性能良好的多器官功能衰竭(Multiple Organ Failure,MOF)預(yù)測(cè)模型。

      SAP同樣會(huì)導(dǎo)致多種并發(fā)癥,這些并發(fā)癥大多會(huì)導(dǎo)致嚴(yán)重后果,因此預(yù)測(cè)并發(fā)癥的發(fā)生也是AI 與臨床實(shí)踐結(jié)合的重點(diǎn)[25]。門靜脈血栓形成(Portal Vein Thrombosis, PVT)是AP 的血管并發(fā)癥之一,PVT 可以累及所有門脈分支[26],并產(chǎn)生局限性門靜脈高壓,導(dǎo)致胃或食管靜脈曲張出血。它還可能導(dǎo)致患者肝衰竭、腹水、住院時(shí)間延長(zhǎng)、死亡率升高[27]。Fei[28-29]分別通過(guò)徑向基函數(shù)(Radical Basis Function, RBF)模型與反向傳播(Back Propagation, BP)模型預(yù)測(cè)PVT,并證明兩者效能均優(yōu)于傳統(tǒng)Logistic回歸分析。SAP 患者在入院早期死亡率的預(yù)測(cè)一直未進(jìn)行深入研究,應(yīng)用單因素及多因素Logistic回歸分析及ANN模型結(jié)合后構(gòu)建僅有4個(gè)危險(xiǎn)因素的AP早期死亡率的預(yù)測(cè)模型,其預(yù)測(cè)效能不劣于具有14 個(gè)危險(xiǎn)因素的APACHEⅡ評(píng)分[30]。Keogan 等[31]通過(guò)CT 圖像特征、臨床數(shù)據(jù)及實(shí)驗(yàn)室檢查訓(xùn)練新的ANN 模型預(yù)測(cè)AP 患者嚴(yán)重程度,該模型在預(yù)測(cè)受試者是否會(huì)超過(guò)平均住院時(shí)間方面優(yōu)于傳統(tǒng)評(píng)分系統(tǒng)。AI與臨床數(shù)據(jù)相結(jié)合會(huì)提升關(guān)于AP 患者疾病嚴(yán)重程度、并發(fā)癥發(fā)生率和死亡率的預(yù)測(cè)效率,然而一些研究顯示出相互矛盾的結(jié)果,并且大多數(shù)算法僅與現(xiàn)有評(píng)分系統(tǒng)或模型之間進(jìn)行效能對(duì)比,而沒(méi)有在外部數(shù)據(jù)集上得到驗(yàn)證,因此,建立具有外部驗(yàn)證數(shù)據(jù)集的新型AI模型是進(jìn)一步研究的重點(diǎn)[13,17,32-33]。

      1.3 AI 與自身免疫性胰腺炎(Autoimmune Pancreatitis,AIP)

      AIP 是一種自身免疫性疾病,以淋巴細(xì)胞浸潤(rùn)與纖維化為主,臨床表現(xiàn)上會(huì)出現(xiàn)無(wú)痛性黃疸,影像學(xué)上也會(huì)出現(xiàn)“血管侵犯”的表現(xiàn)[34-35],通過(guò)血清學(xué)以及影像學(xué)僅能鑒別出70%的AIP 患者,僅在57.7%的AIP 患者可以通過(guò)超聲內(nèi)鏡引導(dǎo)下的細(xì)針穿刺活檢(Endoscopic Ultrasonography-Fine Needle Aspiration,EUS-FNA)明確診斷。如何診斷AIP 并與PDAC 等惡性疾病相鑒別一直是臨床實(shí)踐的重點(diǎn)及難點(diǎn)[36]?,F(xiàn)代CNN 通過(guò)使用AIP、PDAC、正常胰腺、CP 的EUS圖像進(jìn)行分析并輔助鑒別診斷,不僅防止PDAC的漏診與誤診,而且及時(shí)指導(dǎo)醫(yī)師應(yīng)用免疫抑制劑或激素治療阻止AIP進(jìn)展為CP[37]。

      1.4 AI 與復(fù)發(fā)性急性胰腺炎(Recurrent Acute Pancreatitis,RAP)

      RAP 是指AP 兩次或兩次以上發(fā)作,發(fā)作之間疾病接近或完全緩解。17%~22%診斷為AP 的患者將來(lái)會(huì)復(fù)發(fā),高達(dá)36% 的RAP 患者最終會(huì)進(jìn)展為CP[38-40]。目前的干預(yù)措施并未證明能有效減少?gòu)?fù)發(fā),因此準(zhǔn)確預(yù)測(cè)RAP 的發(fā)病并將其與其他腹部疾病進(jìn)行鑒別,避免其進(jìn)展為CP 尤為重要[41-43]。通過(guò)將CT 影像特征納入等距特征映射方法(ISOMAP)SVM 訓(xùn)練,成功將功能性腹痛、RAP 與CP 三者鑒別[32]。Chen 等[44]選擇將AP 患者影像組學(xué)中的特征像素按照7:3 隨機(jī)分配到訓(xùn)練集及驗(yàn)證集中,使用Logistic回歸分析及SVM 預(yù)測(cè)AP的復(fù)發(fā)率及相關(guān)的危險(xiǎn)因素。AI適用于解決胰腺炎癥中各種非線性的復(fù)雜問(wèn)題,不僅提高了原先診療模式下的準(zhǔn)確度,降低誤診率,同時(shí)也為胰腺炎癥新型診療模式的建立提供新思路。

      2 AI與胰腺腫瘤

      2.1 AI 與胰腺囊性腫瘤(Pancreatic Cystic Neoplasms,PCN)

      PCN 主要包括導(dǎo)管內(nèi)乳頭狀黏液瘤(Intraductal Papillary Mucinous Neoplasm,IPMN)、漿液性囊腺瘤(Serous Cystic Neoplasm, SCN)和黏液性囊腺瘤(Mucinous Cystic Neoplasm,MCN)、實(shí)性假乳頭腫瘤(Solid Papillary Neoplasm, SPN)4 類[2],IPMN、SPN、MCN 是胰腺惡性腫瘤的癌前病變[45],其中以侵犯主胰管的IPMN惡變率最高,達(dá)70%[46],因 此Kuwahara[47]將已確診IPMN患者的EUS圖像輸入CNN 進(jìn)行訓(xùn)練,預(yù)測(cè)模型準(zhǔn)確率達(dá)94%,遠(yuǎn)遠(yuǎn)優(yōu)于人為診斷與傳統(tǒng)Logistic 回歸分析,做到及時(shí)、精確診斷癌前病變,避免其進(jìn)展為惡性腫瘤。許多研究利用PCN 的CT、MR 影像學(xué)特征或放射組學(xué)數(shù)據(jù),通過(guò)ML 算法建立出具有優(yōu)異的鑒別、預(yù)測(cè)效能的模型,展現(xiàn)出AI在診斷囊性腫瘤方面優(yōu)于傳統(tǒng)診斷方法的準(zhǔn)確性以及很大的潛力,不僅可以鑒別囊性病變的性質(zhì),同時(shí)也可以鑒別出不同亞型,根據(jù)這些結(jié)果選擇手術(shù),或密切隨訪,制定出適合每一位患者的治療措施[3,48-54]。Kruita 等[2]將手術(shù)及EUS-FNA 獲得的囊液進(jìn)行腫瘤標(biāo)志物以及淀粉酶檢測(cè),通過(guò)DL 模型進(jìn)行學(xué)習(xí)、驗(yàn)證,并最終與現(xiàn)實(shí)結(jié)果進(jìn)行對(duì)比,證明AI診斷模型對(duì)惡性和良性囊性病變高度敏感,可用于排除惡性胰腺囊性病變。

      AI 算法不僅可以處理臨床資料或影像學(xué)數(shù)據(jù),也可以將兩種數(shù)據(jù)結(jié)合,進(jìn)一步提升ML 模型的適用范圍及準(zhǔn)確性。最近的研究表明生物標(biāo)志物微小核糖核酸(miRNA)具有區(qū)分良性與高風(fēng)險(xiǎn)PCN 的潛力[55-56],因此可以將腫瘤的影像學(xué)特征與miRNA 相結(jié)合預(yù)測(cè)囊性腫瘤如IPMN 的惡性潛能,對(duì)術(shù)后患者的血漿及組織進(jìn)行全基因組miRNA 分析,根據(jù)術(shù)后診斷篩選出特異性miRNA,并分組收集組內(nèi)不同患者的CT 影像學(xué)特征,兩類變量相結(jié)合預(yù)測(cè)IPMN 的惡變風(fēng)險(xiǎn),及時(shí)進(jìn)行手術(shù)治療,避免其進(jìn)展為惡性腫瘤[57]。

      2.2 AI 與胰腺神經(jīng)內(nèi)分泌腫瘤(Pancreatic Neuroendocrine Tumors,pNETs)

      pNETs占整個(gè)消化道神經(jīng)內(nèi)分泌腫瘤的12%[58]。腫瘤的分級(jí)取決于Ki67指數(shù)和有絲分裂計(jì)數(shù)。為了幫助病理學(xué)家捕捉可能遺漏的切片中腫瘤組織位點(diǎn),Niazi 等[59-60]將Ki67 抗體染色的活檢的圖像標(biāo)記為像素點(diǎn)通過(guò)CNN模型區(qū)別為腫瘤區(qū)域和非腫瘤區(qū)域,利用轉(zhuǎn)移學(xué)習(xí)強(qiáng)化模型區(qū)分切片中腫瘤和非腫瘤區(qū)域的能力,減少病理科醫(yī)師的工作量并避免漏診。不同分級(jí)的pNETs 在臨床實(shí)踐中的處理原則截然不同,其中G1/2 組可以進(jìn)行胰腺部分切除術(shù),而G3 組為了改善預(yù)后,常進(jìn)行包括根治性手術(shù)切除和系統(tǒng)化療在內(nèi)的綜合治療策略[61-62]。Luo 等[63]分別使用DL 算法中的CNN 模型與傳統(tǒng)ML 模型學(xué)習(xí)不同分級(jí)患者術(shù)前的增強(qiáng)CT 圖像,并進(jìn)行訓(xùn)練、驗(yàn)證、對(duì)比,證明CNN 模型在術(shù)前判斷腫瘤分級(jí)及預(yù)后方面均更加吻合于臨床真實(shí)情況。Gao 等[64]利用GAN訓(xùn)練不同分級(jí)腫瘤的核磁圖像,并在擴(kuò)充訓(xùn)練集中加入CNN 模型,有效避免了CNN 模型過(guò)度擬合的問(wèn)題,最后進(jìn)行交叉驗(yàn)證提高CNN模型的準(zhǔn)確度。

      pNETs在影像學(xué)上多表現(xiàn)為血管富集狀態(tài),這一發(fā)現(xiàn)表明腫瘤具有豐富的毛細(xì)血管網(wǎng),并且最近的研究表明微血管密度與腫瘤預(yù)后密切相關(guān)[65-66]。Chen等[67]利用EUS圖像描述不同患者的血管富集情況,通過(guò)多種ML 模型學(xué)習(xí)訓(xùn)練,進(jìn)而設(shè)計(jì)一個(gè)具有預(yù)測(cè)腫瘤分級(jí)與預(yù)后的血管結(jié)構(gòu)分析模式。手術(shù)切除是徹底治療pNETs 的唯一方式,但是不同分級(jí)腫瘤術(shù)后復(fù)發(fā)率不同,術(shù)后整體復(fù)發(fā)率高,術(shù)后監(jiān)測(cè)方面幾乎沒(méi)有共識(shí)。目前國(guó)際上大多數(shù)指南建議在根治性手術(shù)后的前3~5年進(jìn)行合理的強(qiáng)化隨訪,并至少隨訪7年[68-70]。因此,Song 等[71]收集患者術(shù)前CT 影像學(xué)資料并使用深度學(xué)習(xí)放射組學(xué)(Deep Learning Radiomics, DLR)模型提取特征進(jìn)行驗(yàn)證,并將臨床指標(biāo)添加到優(yōu)化模型中再次進(jìn)行交叉驗(yàn)證,成功預(yù)測(cè)患者術(shù)后的復(fù)發(fā)率并制定個(gè)體化的隨訪計(jì)劃。

      2.3 AI與胰腺癌(Pancreatic Cancer,PC)

      PC 是預(yù)后最差的癌癥之一[72]。在中國(guó),PC 是死亡率最高的惡性腫瘤,早期發(fā)現(xiàn)是增加生存機(jī)會(huì)最有希望的方法[73]。如何早期診斷PC 一直是胰腺外科的重點(diǎn)與難點(diǎn),尤其是當(dāng)患者不存在或者僅有輕微癥狀,影像學(xué)僅發(fā)現(xiàn)細(xì)微病變時(shí)。目前已經(jīng)有很多通過(guò)改良影像學(xué)技術(shù)以提升PC 檢出率的研究[74-76],但是將AI 與CT 圖像相結(jié)合輔助診斷的研究還比較少。目前主要采用的研究方式是首先獲得CT圖像中具有診斷意義的區(qū)域,使用紋理分析方法提取定量特征,考慮到總體樣本量較小,因此Qiu[77]選用線性SVM 模型進(jìn)行交叉驗(yàn)證并訓(xùn)練,Si[78]則選用深度殘差網(wǎng)絡(luò)模型(ResNet)進(jìn)行訓(xùn)練驗(yàn)證,Liu 等[79]在CNN 模型學(xué)習(xí)訓(xùn)練的基礎(chǔ)上與臨床資料、手術(shù)資料相結(jié)合,使得后者的診斷效能優(yōu)于前兩者,Liu 的參數(shù)訓(xùn)練集較前兩者更為豐富,雖然SVM 是一種有效的小樣本學(xué)習(xí)方法,但并不適合用于線性關(guān)系的分析。PC的發(fā)病情況在既往研究中證明與年齡有密切關(guān)系,隨著年齡增長(zhǎng),發(fā)病率也逐漸增高[72]。Rajan等[80]通過(guò)前瞻性收集不同年齡階段人群EUS 圖像,證明隨著年齡增長(zhǎng),胰腺形態(tài)越容易發(fā)生變化。Ozkan[81]進(jìn)一步分年齡段收集PDAC 患者與正常人群的EUS 圖像并提取合適特征,使用ANN 模型進(jìn)行學(xué)習(xí)訓(xùn)練,其準(zhǔn)確性及特異性均優(yōu)于將年齡統(tǒng)一對(duì)比的模型。因此,根據(jù)年齡分組訓(xùn)練可以提高診斷模型整體的性能,也更符合臨床診療的思路。在使用EUS 診斷PC 時(shí),操作者的經(jīng)驗(yàn)和主觀因素對(duì)EUS診斷結(jié)果有較大影響[82],尤其是在并發(fā)CP 的PC 患者中。Zhu 等[83]利用SVM 系統(tǒng)具有良好泛化能力并適合管理有限樣本量簡(jiǎn)單分類問(wèn)題的特點(diǎn),將PC 患者與CP 患者EUS 圖像按2:1 納入樣本并采集特異區(qū)域,通過(guò)SVM 進(jìn)行學(xué)習(xí)驗(yàn)證并建立鑒別CP 與PC 的預(yù)測(cè)模型,Zhang[82]通過(guò)將正常人群、CP 患者、PC 患者EUS 圖像同時(shí)納入樣本并進(jìn)行SVM 學(xué)習(xí)訓(xùn)練,雖然樣本總量小于前者,但其模型的敏感度與特異性均優(yōu)于前者,證明預(yù)測(cè)模型的效能會(huì)隨分組增多而提升。Das[84]通過(guò)ANN 模型分組訓(xùn)練NP、CP、PC 的EUS 圖像數(shù)據(jù),雖然樣本量大于Zhang 的研究,但是其預(yù)測(cè)模型效能僅與Zhu 的模型相當(dāng),說(shuō)明SVM 的泛化能力優(yōu)于ANN 模型,更適于對(duì)小樣本數(shù)據(jù)進(jìn)行診斷鑒別。

      AI 除了通過(guò)與影像學(xué)相結(jié)合提升診斷準(zhǔn)確率,也可以通過(guò)血清學(xué)檢驗(yàn)指標(biāo)提高惡性腫瘤的診斷能力。既往關(guān)于多種血清學(xué)標(biāo)記物聯(lián)合診斷的研究結(jié)果表明雖然聯(lián)合診斷靈敏性升高,但是特異性會(huì)降低[85-86],與計(jì)算機(jī)算法結(jié)合后會(huì)有效避免這類情況的發(fā)生。Yang 等[87]利用多種PC 特異血清學(xué)標(biāo)記物通過(guò)ANN 分組進(jìn)行訓(xùn)練驗(yàn)證,證明ANN 模型在敏感性、特異性和準(zhǔn)確率方面均優(yōu)于傳統(tǒng)Logistics回歸模型。隨著細(xì)胞外小泡(Extracellular Vehicles,EVs)研究的深入,發(fā)現(xiàn)EVs 中的長(zhǎng)鏈RNA(EV long RNAs,exLRs)與腫瘤進(jìn)展、腫瘤分型有關(guān),并在癌細(xì)胞中富集[88-91],但是與PC 的關(guān)系尚未明確。Yu 等[92]收集PDAC 患者、CP 患者以及正常人群血漿進(jìn)行exLRs測(cè)序及通路分析,顯示exLRs 在mTOR 信號(hào)通路和VEGF 信號(hào)通路等與PC 密切相關(guān)的通路中富集,選取特異的exLR 標(biāo)記作為算法數(shù)據(jù)集并使用SVM 算法學(xué)習(xí)訓(xùn)練,分別進(jìn)行內(nèi)部及外部驗(yàn)證,最終得出以特異型exLR 為數(shù)據(jù)變量的診斷模型,可用于早期預(yù)測(cè)PDAC并進(jìn)行鑒別診斷。

      既往研究表明未經(jīng)治療的PC患者中位生存期約為3.5 個(gè)月,5年生存率僅為10%[72]。針對(duì)PC 預(yù)后的預(yù)測(cè),Walczak[6]通過(guò)基于ANN 算法的模型,用于各種治療決策,包括觀察、輔助治療、切除和切除聯(lián)合輔助治療,盡可能使患者獲益。Chakraborty[93]利用從治療前CT 掃描中提取的紋理圖像特征進(jìn)行最小冗余最大相關(guān)性以及樸素貝葉斯算法提取紋理特征并進(jìn)行交叉驗(yàn)證,以預(yù)測(cè)PC 患者的2年生存率,優(yōu)化患者治療方案選擇。淋巴結(jié)陽(yáng)性率一直是臨床實(shí)踐中關(guān)于腫瘤預(yù)后的一個(gè)很重要的判斷因素[94]。淋巴結(jié)比率(Lymph Node Ratio,LNR)是指陽(yáng)性淋巴結(jié)除以檢驗(yàn)的淋巴結(jié)總數(shù),在食管癌、胃癌、結(jié)腸癌、乳腺癌、PC 等腫瘤預(yù)后預(yù)測(cè)方面具有重要作用[95-97]。Smith[98]由此設(shè)計(jì)兩個(gè)使用交互式貝葉斯算法的模型,即通過(guò)術(shù)后患者的腫瘤病理與TM 分級(jí)預(yù)測(cè)LNR,并根據(jù)術(shù)后病理驗(yàn)證模型準(zhǔn)確性,再利用前者的樣本結(jié)合患者基線資料與腫瘤病理、是否行放射治療等數(shù)據(jù)預(yù)測(cè)患者預(yù)后并取得優(yōu)異的預(yù)測(cè)效能。雖然僅通過(guò)實(shí)驗(yàn)室檢查、術(shù)后的病理情況[99]或影像學(xué)資料[100]可以設(shè)計(jì)出優(yōu)秀的預(yù)測(cè)模型,但是納入多種類型的數(shù)據(jù)進(jìn)行分析或許能有效提高模型的準(zhǔn)確性。Kaissis[101]回顧性收集PDAC 患者的MRI圖像特征與臨床數(shù)據(jù),并與實(shí)驗(yàn)室檢查相結(jié)合,通過(guò)RF算法監(jiān)督學(xué)習(xí),最終模型預(yù)測(cè)生存曲線與患者的實(shí)際生存時(shí)間幾乎完全重疊,說(shuō)明多種類型數(shù)據(jù)與正確的算法相結(jié)合可以極大提高模型效能。

      胰腺術(shù)后并發(fā)癥一直是臨床治療的重點(diǎn)和難點(diǎn),權(quán)威機(jī)構(gòu)的臨床指南仍是各大醫(yī)療中心通過(guò)不斷地總結(jié)治療經(jīng)驗(yàn),歸納各類風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分并進(jìn)行改良,但是其準(zhǔn)確性會(huì)隨著臨床治療而產(chǎn)生變化[102],而將AI應(yīng)用于術(shù)后并發(fā)癥預(yù)測(cè)則體現(xiàn)出很大的研究潛力。術(shù)后手術(shù)部位的感染(Surgical Site Infections,SSIs)不僅影響胰腺術(shù)后患者的恢復(fù),同時(shí)也是所有外科醫(yī)生共同面對(duì)的問(wèn)題。目前,多項(xiàng)研究使用ML算法模型進(jìn)行數(shù)據(jù)分析學(xué)習(xí),術(shù)前數(shù)據(jù)作為算法輸入,術(shù)后治療方案用于確定是否發(fā)生術(shù)后感染,最后通過(guò)單一算法或多種算法結(jié)合構(gòu)建新的算法模型預(yù)測(cè)術(shù)后感染發(fā)生率[103,104]。胰腺術(shù)后并發(fā)癥以術(shù)后胰瘺(Postoperative Pancreatic Fistula,POFF)最為危險(xiǎn),并且是導(dǎo)致術(shù)后死亡的最大危險(xiǎn)因素[102,105],預(yù)防POFF 也是外科醫(yī)生術(shù)后優(yōu)先關(guān)注的問(wèn)題。Han等[106]回顧1 769 位進(jìn)行過(guò)胰十二指腸切除術(shù)的病人并提取出38 個(gè)臨床變量,通過(guò)PF 和ANN 算法分別學(xué)習(xí)與訓(xùn)練,最后兩種算法模型結(jié)合設(shè)計(jì)了臨床決策工具預(yù)測(cè)POFF。既往的研究表明胰腺組織的彈性模量與POFF 關(guān)系密切[107-110]。Kambakamba[111-112]將胰瘺患者與無(wú)胰瘺患者1:1納入研究,將這些患者術(shù)前的胰腺影像學(xué)紋理特征與胰瘺風(fēng)險(xiǎn)評(píng)分(Fistula Risk Score,FRS)相結(jié)合,通過(guò)ML算法分析驗(yàn)證建議預(yù)測(cè)模型。Mu 等[113]則是將所有的胰腺術(shù)后患者各項(xiàng)臨床數(shù)據(jù)及CT 圖像納入研究,通過(guò)DL 訓(xùn)練,設(shè)計(jì)出胰瘺風(fēng)險(xiǎn)預(yù)測(cè)模型。兩個(gè)研究得出的預(yù)測(cè)模型效能均優(yōu)于FRS評(píng)分。

      交界性可切除與不可切除PC 患者得到R0 切除的比例隨著新輔助治療、MDT 模式概念的提出越來(lái)越高。目前AI 已應(yīng)用于多種腫瘤新輔助治療,評(píng)估治療療效并預(yù)測(cè)預(yù)后[114-117]。De Geus 與Sharma[118-119]均通過(guò)決策分析方法證明基于新輔助治療的管理改善了交界可切除PC 患者的預(yù)后,但是這些決策分析由于整體樣本量很少,納入的變量有限,其效能值得懷疑,因此需要大量數(shù)據(jù)與AI相結(jié)合,制定效能優(yōu)良的預(yù)測(cè)模型,并在臨床實(shí)踐中為每一位患者制定個(gè)體化的化療方案及手術(shù)選擇。

      3 總結(jié)與展望

      在過(guò)去的10年里,AI在普外科領(lǐng)域取得了巨大進(jìn)展,本文主要概述了AI在胰腺疾病方面的應(yīng)用。過(guò)去雖然取得了重大進(jìn)步,但是為了實(shí)現(xiàn)胰腺疾病精準(zhǔn)醫(yī)療,還有許多困難需要解決。需要臨床醫(yī)生充分發(fā)揮各個(gè)學(xué)科優(yōu)勢(shì),通過(guò)收集和處理臨床資料,建立穩(wěn)定準(zhǔn)確的數(shù)據(jù)庫(kù)。臨床實(shí)踐及診療思路不是簡(jiǎn)單的從數(shù)據(jù)到結(jié)果的過(guò)程,這就要求研究人員提出與醫(yī)生臨床思維類似、具有更強(qiáng)的可解釋性的算法。同時(shí),AI應(yīng)該與研究人員及科學(xué)家的工作相結(jié)合,利用AI技術(shù)處理生物醫(yī)學(xué)領(lǐng)域問(wèn)題,將宏觀與微觀相結(jié)合,將臨床資料與組學(xué)資料相結(jié)合。AI技術(shù)并不能代替醫(yī)生進(jìn)行決策,但是可以在減少醫(yī)療繁瑣工作的同時(shí)改進(jìn)目前的診療模式,以實(shí)現(xiàn)個(gè)性化醫(yī)療。

      猜你喜歡
      胰腺影像學(xué)預(yù)測(cè)
      無(wú)可預(yù)測(cè)
      黃河之聲(2022年10期)2022-09-27 13:59:46
      GM1神經(jīng)節(jié)苷脂貯積癥影像學(xué)表現(xiàn)及隨訪研究
      選修2-2期中考試預(yù)測(cè)卷(A卷)
      選修2-2期中考試預(yù)測(cè)卷(B卷)
      同時(shí)多層擴(kuò)散成像對(duì)胰腺病變的診斷效能
      64排CT在腦梗死早期診斷中的應(yīng)用及影像學(xué)特征分析
      特殊部位結(jié)核影像學(xué)表現(xiàn)
      顱內(nèi)原發(fā)性Rosai-Dorfman病1例影像學(xué)診斷
      不必預(yù)測(cè)未來(lái),只需把握現(xiàn)在
      哪些胰腺“病變”不需要外科治療
      南漳县| 康保县| 赫章县| 天镇县| 麻阳| 泸水县| 乳源| 桐柏县| 施秉县| 高阳县| 温州市| 南川市| 建湖县| 神池县| 大渡口区| 海门市| 多伦县| 巩留县| 赫章县| 长春市| 江达县| 莱阳市| 漠河县| 平乐县| 化德县| 法库县| 越西县| 邮箱| 克拉玛依市| 浏阳市| 通海县| 松江区| 黔西县| 南平市| 安新县| 云梦县| 宜春市| 抚州市| 拜城县| 江西省| 葵青区|