专家论坛|刘景丰:深度学习在原发性肝癌相关诊断模型中的应用与前景( 四 )


3构建模型预测射频消融(RFA)、经导管肝动脉化疗栓塞术(TACE)生存风险应用
RFA、TACE是肝癌患者不可或缺的重要辅助治疗手段,主要针对无法耐受手术切除和不能手术切除的肝癌人群 。 2014年Liang等[44]报告了83例接受RFA治疗的HCC患者,共采用了5种特征选择方法,包括遗传算法(GA)、模拟退火算法(SA)、随机森林算法(RF)及混合算法(GA+RF和SA+RF),从总共16个临床特征中选择一个重要的特征子集,这些方法与SVM开发具有更好的性能预测模型相结合,最终结论提示SVM的预测模型可以提示高风险复发患者 。 2020年Brehar等[45]文献报告纳入RFA和放疗患者214例和205例,通过放射组学特征和重要临床变量建立RFA和放疗的列线图,评估愈后,结论提示深度学习建立的放射组学模型和列线图实现了对RFA与放疗的无进展生存期的准确预测,可以促进二者之间的优化治疗选择 。 预测肝癌接受肝动脉化疗栓塞治疗反应由Abajian等[46]2018年报告,研究包括36例HCC患者,使用磁共振成像和临床患者数据,创建一个人工智能(AI)框架,通过应用机器学习技术预测接受TACE治疗患者的愈后 。 用临床资料、基线影像和治疗特征训练LR和RF,结果显示,结合患者临床资料和磁共振图像数据,应用机器学习算法可以在术前预测肝癌患者TACE的结果 。 2020年Peng等[47]收集了国内多中心共789例中期肝癌患者,建立一个转换学习技术的残差CNN预测模型,预测TACE治疗的效果,可以更好的帮助临床医生筛选哪些患有HCC的患者更能够从介入治疗中获益 。
4其他
近年来,深度学习不仅在基于图像的癌症检测和治疗预测方面,而且在多组学数据的集成方面也取得了一些进展 。 Chaudhary等[48]报道使用RNA(RNA-Seq)测序、miRNA(miRNA-Seq)甲基化数据和TCGA的甲基化数据构建360例HCC患者的生存敏感模型,该模型可将患者分为两种因生存率而有显著差异的最佳亚型 。 Nam等[49]用基于传统回归方法的DL算法,构建了563例患者肝移植后HCC复发的预测模型 。 这项多中心研究表明,肿瘤直径、年龄、AFP水平和维生素K缺失或拮抗剂Ⅱ(PIVKA-Ⅱ)是基于AI的肝移植后复发模型(MoRAL-AI)的最大加权参数 。
人体和肿瘤的生物多样性决定着任何深度学习的模型并不能适用所有的患者 。 AI在肝癌的诊疗领域也一直在研发,帮助临床医师的智能辅助决策系统 。 Singal等[50]开发机器学习模型,并与传统预测模型进行比较;其中基于决策树的随机森林模型(C-statistic为0.71)比常规回归模型(C-statistic为0.64)的效果更好 。 然后在另一队列(1050例HCV相关HCC患者)中验证,机器学习模型(敏感度为80.7%、特异度为46.8%)比传统模型(敏感度70.7%、特异度41.6%)的结果也更优 。 Divya等[51]2019年在对HCC射频术后复发与否的算法研究中,提出一种有效的抽样方法,使用逆随机抽样,以克服类不平衡问题 。 同时也提出了一种优化方法,使用人工植物优化算法(APO)来选择最有特征和参数分类,以提高分类的有效性和效率 。 利用SVM和RF分类器,基于最优特征和参数对肝癌患者和非肝癌患者进行分类 。 Giordano等[52]报道探针电喷雾电离质谱与AI相结合,用来评估SVM和RF两种算法的整体诊断准确度 。 该方法在肝癌诊断上具有较高的准确度、特异度和敏感度 。 这两种算法的总体诊断准确度均超过94% 。 该研究的主要限制是所有样本来自同一临床中心,可能会限制机器学习的能力,不过即便如此,他所提出的方法也可以被转化到外科肿瘤的临床实践中并得到广泛应用,最终可能体改肿瘤患者治愈的终极目标 。
5小结及展望
在医疗保健和信息技术不断更新的时代中,越来越多利用数据科学和技术使医疗保健个性化,并增强与患者的交互 。 AI伴随着计算机科学技术的飞速发展,深度学习技术同样会不断深入发展,深度学习所构建的各种模型在肝癌研究领域的应用也会更加深入 。 未来,深度学习这些研究领域应该涉及多个中心的合作,应该包括更大样本量的肝癌患者,这样才能使AI、机器学习、深度学习在肝癌的诊疗中发挥更大的作用 。