亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        人工智能在甲狀腺癌精準(zhǔn)化診療中的研究進(jìn)展*

        2020-06-05 11:16:16李鈴睿杜博綜述陳創(chuàng)審校
        中國腫瘤臨床 2020年7期
        關(guān)鍵詞:分類特征模型

        李鈴睿 杜博 綜述 陳創(chuàng) 審校

        甲狀腺結(jié)節(jié)是常見的外科疾病之一,B超輔助下監(jiān)測(cè)結(jié)節(jié)的患病率為19.00%~68.00%[1]。近年來甲狀腺癌發(fā)病人數(shù)不斷增加,位居中國惡性腫瘤第7位,女性惡性腫瘤的第4位[2]。中國甲狀腺癌5年生存率約為84.30%[3],與美國等發(fā)達(dá)國家約98.00%[4]的5年生存率仍有較大差距。精準(zhǔn)醫(yī)療時(shí)代,患者獨(dú)特性和結(jié)節(jié)多樣性決定腫瘤的異質(zhì)性,必然要求個(gè)體化治療[5]。面對(duì)衛(wèi)生資源不足、醫(yī)療水平參差不齊以及診治不規(guī)范等問題,快速準(zhǔn)確作出診斷,推進(jìn)診治標(biāo)準(zhǔn)化是所有研究者的共同目標(biāo)。在人工智能(artificial intelligence,AI)飛速發(fā)展和醫(yī)療資源數(shù)據(jù)化的推動(dòng)下,二者聯(lián)合研究具有較好的應(yīng)用前景,將逐步運(yùn)用于臨床實(shí)踐以改進(jìn)醫(yī)療決策方式。本文就AI在甲狀腺癌精準(zhǔn)化診療領(lǐng)域的最新研究進(jìn)行綜述。

        1 AI和精準(zhǔn)化醫(yī)學(xué)

        AI是機(jī)器通過不斷學(xué)習(xí),更新運(yùn)算來真切地模擬人類反應(yīng)的科學(xué),其關(guān)鍵是深度學(xué)習(xí),包括傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、支持向量機(jī)(support vector machine,SVM)和k 近鄰法(k-nearest neighbor,k-NN)等。20世紀(jì)60年代,人們受到貓視覺反應(yīng)網(wǎng)絡(luò)的啟示開發(fā)了ANN[6]。其能夠從圖像、聲音和文本等原始資料中識(shí)別感興趣區(qū)域(regions of interest,ROIs),發(fā)現(xiàn)潛在數(shù)據(jù)和復(fù)雜關(guān)系,最終生成決策輸出,是一種靈活高效的數(shù)學(xué)計(jì)算模型。AI模型的應(yīng)用通常需經(jīng)過訓(xùn)練和驗(yàn)證兩個(gè)步驟。訓(xùn)練就是模型對(duì)ROIs不斷學(xué)習(xí)并進(jìn)行自我調(diào)整的過程,因此訓(xùn)練集越大,越容易學(xué)習(xí),模型的可信度越高[6]。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)是卷積理念和ANN的結(jié)合。2012年ImageNet大型視覺識(shí)別大賽上[7],CNN成功地識(shí)別了1 000個(gè)類別的100萬張圖像,與第2名相比錯(cuò)誤率降低了10.90%,自此CNN成為AI研究最活躍的領(lǐng)域之一。

        甲狀腺癌細(xì)胞快速但有限的生長后大多停止生長,但部分癌可快速無限生長表現(xiàn)出致死性[8]。此外,高分化甲狀腺癌可通過去分化、基因變異和黏附障礙等向致死性腫瘤發(fā)展,其中部分亞型無去分化表現(xiàn)卻具有侵襲性[9]。甲狀腺癌發(fā)生發(fā)展極其復(fù)雜,目前診療方法對(duì)結(jié)節(jié)認(rèn)識(shí)有限,過度治療和治療不足從遠(yuǎn)期來看難以界定。因此,只有診斷和預(yù)后預(yù)測(cè)過程的精準(zhǔn)化,才能有助于在正確的時(shí)間選擇正確的患者給予正確的治療[10]。由于CNN出色的圖像信息分析能力,在圖像的目標(biāo)識(shí)別、定位和分割等任務(wù)中具有明顯優(yōu)勢(shì),為解決甲狀腺癌精準(zhǔn)化診療問題提供了新思路。超聲圖像、細(xì)胞涂片及病理切片等二維圖像,可為深度學(xué)習(xí)提供大量數(shù)據(jù),使得AI在甲狀腺癌領(lǐng)域得到廣泛應(yīng)用,并推進(jìn)其精準(zhǔn)化診療的進(jìn)程。

        2 AI在甲狀腺癌診斷中的應(yīng)用

        隨著網(wǎng)絡(luò)構(gòu)架、算法的發(fā)展和醫(yī)療數(shù)據(jù)的積累,AI在甲狀腺癌診斷中的應(yīng)用不斷深入。其研究主要集中在兩個(gè)方面:1)精準(zhǔn)診斷:良惡性的分類,病理類型的鑒別;2)病灶量化:自動(dòng)分割、提取病變特征。迄今為止,部分研究已實(shí)現(xiàn)產(chǎn)品化。

        2.1 超聲診斷

        超聲檢查是高頻超聲照射至軟組織,因組織反射能力產(chǎn)生不同的反射波形成圖像,具有無放射性、無創(chuàng)、易重復(fù)等特點(diǎn),是甲狀腺結(jié)節(jié)首選的影像學(xué)檢查。AI在甲狀腺超聲診斷領(lǐng)域發(fā)展最為迅速,主要集中在結(jié)節(jié)良惡性的分類上。Ma等[11]首次嘗試訓(xùn)練兩種不同深度的CNN獲得融合的特征圖對(duì)甲狀腺結(jié)節(jié)進(jìn)行分類。Song 等[12]以金字塔狀方式從整體到局部定位并分析結(jié)節(jié)特征,在分類中與超聲醫(yī)師表現(xiàn)出相似的敏感性和更高的特異性。Li 等[13]在多中心大樣本研究中獲得相同結(jié)果。上述研究開發(fā)了計(jì)算機(jī)輔助診斷(computer-aided diagnosis,CAD)系統(tǒng)的臨床應(yīng)用潛能,但臨床知識(shí)未得到充分利用[14-15],圖像的整體輸入和良惡性結(jié)果的單一輸出、結(jié)節(jié)的異質(zhì)性未得到可視的量化分析,缺乏充分解釋[16],臨床推廣受到限制。

        多項(xiàng)研究對(duì)不同輸入量下ANN模型的分類性能進(jìn)行了探討。Choi 等[17]以鈣化灶的數(shù)量、距離比、最大密度和偏斜度4個(gè)不同特征及其組合作為輸入量;Ardakani等[18]從270個(gè)統(tǒng)計(jì)紋理特征中選出10個(gè)最有效的特征輸入;Nguyen 等[19]聯(lián)合空間和頻率方面特征進(jìn)行分類;上述研究準(zhǔn)確率分別為82.80%、97.14%和90.88%。從驗(yàn)證過程看,Liu等[15]構(gòu)建了以臨床知識(shí)為向?qū)У木矸e神經(jīng)網(wǎng)絡(luò)(clinica-knowledgeguided convolutional neural networks,CKG-CNN),該模型在結(jié)節(jié)不同大小、邊緣、形態(tài)、縱橫比、囊實(shí)性和有無鈣化等不同群組中診斷的準(zhǔn)確性均高于超聲醫(yī)師。Thomas等[16]以輸出具有相似特征的圖像輔助診斷,而非直接得出良惡性結(jié)論。上述研究的主要特點(diǎn)見表1。

        由此可見,AI模型可減少超聲醫(yī)生的工作負(fù)荷,有效避免不必要的有創(chuàng)檢查,且從傳統(tǒng)超聲特征和數(shù)字化結(jié)構(gòu)方面為充分認(rèn)識(shí)結(jié)節(jié)做出解釋。目前已有AI與甲狀腺超聲聯(lián)合的商用CAD系統(tǒng)如S-Detect系列,與S-Detect1相比,S-Detect2已能檢測(cè)到鈣化,并分為有無鈣化、微鈣化、粗大鈣化或邊緣鈣化4類[20]。在臨床實(shí)踐中,多項(xiàng)研究表明此CAD 系統(tǒng)診斷性能與超聲醫(yī)師相比,前者敏感性略高,而特異性和受試者工作曲線下面積(area under the curve,AUC)稍低[20-22]。

        表1 AI在超聲鑒別良惡性甲狀腺結(jié)節(jié)中的應(yīng)用

        2.2 細(xì)針穿刺細(xì)胞學(xué)診斷

        當(dāng)甲狀腺超聲圖像提示結(jié)節(jié)有惡性征象時(shí),可考慮行細(xì)針穿刺活檢(fine needle aspiration biopsy,F(xiàn)NAB)進(jìn)一步明確結(jié)節(jié)的性質(zhì)[1]。FNAB常用外徑22~27 G的穿刺針對(duì)結(jié)節(jié)進(jìn)行穿刺,從中提取細(xì)胞成分,通過細(xì)胞學(xué)特征對(duì)病灶進(jìn)行判斷。AI在FNAB中的應(yīng)用也趨向于甲狀腺癌的病理分類和癌細(xì)胞的特征分析。

        Sanyal等[23]利用CNN在放大倍數(shù)(×10和×40)下獲取不同特征進(jìn)行甲狀腺乳頭狀癌(papillary thyroid carcinoma,PTC)和non-PTC分類,準(zhǔn)確率為85.06%。Guan等[24]應(yīng)用VGG-16和Inception-v3模型區(qū)分PTC和良性結(jié)節(jié)獲得更優(yōu)的結(jié)果,準(zhǔn)確率分別為95.00%和87.50%。但濾泡細(xì)胞對(duì)PTC識(shí)別的干擾均為上述研究的局限之處。濾泡腺瘤(follicular carcinoma,F(xiàn)C)和濾泡癌(follicular adenoma,F(xiàn)A)區(qū)別在于是否侵犯包膜或血管,常規(guī)FNAB 難以區(qū)分。Savala 等[25]在獲得濾泡細(xì)胞的細(xì)胞學(xué)特征(濾泡數(shù)、細(xì)胞數(shù)及核特性等)和形態(tài)數(shù)據(jù)(面積、直徑、周邊及核面積等)的基礎(chǔ)上建立了ANN模型,成功地區(qū)分了FNAB 涂片中的FC和FA,但此研究納入樣本較少。超過90.00%的甲狀腺癌來源于濾泡上皮細(xì)胞[1],提高正常濾泡上皮細(xì)胞的識(shí)別能力可能是未來AI在細(xì)胞學(xué)中應(yīng)用研究的重點(diǎn)。

        FNAB診斷在細(xì)胞病理學(xué)TBSRTC報(bào)告系統(tǒng)中可分為6級(jí),Ⅲ、Ⅳ級(jí)不確定結(jié)節(jié)存在14.00%~25.00%的惡性風(fēng)險(xiǎn),臨床管理中可選擇手術(shù)治療[1],但患者必然承擔(dān)手術(shù)帶來的身心負(fù)擔(dān)和術(shù)后并發(fā)癥的風(fēng)險(xiǎn)。Zoulias 等[26]聯(lián)合ANN、SVM和k-NN 對(duì)2 036 張穿刺涂片進(jìn)行良惡性分類準(zhǔn)確率達(dá)98.60%,在對(duì)FNAB 不確定的結(jié)節(jié)(73 張)檢驗(yàn)時(shí),與FNAB(50.00%)相比,該模型(84.60%)在整體準(zhǔn)確率上有顯著提高。Alexander等[27]和Patel等[28]均從基因?qū)用鎸?duì)同一組不確定結(jié)節(jié)良惡性鑒別獲得相似的敏感性,前者利用167種相關(guān)基因表達(dá)分類特異性為52.00%;后者利用RNA 基因測(cè)序分類器(genomic sequencing classifier,GSC)特異性為68.00%;嗜酸性細(xì)胞腫瘤是Ⅲ、Ⅳ級(jí)定性的難點(diǎn),兩者對(duì)其分類時(shí)特異性分別為11.80%和58.80%。上述兩種模型均已實(shí)現(xiàn)產(chǎn)品化。AI在不確定結(jié)節(jié)中的應(yīng)用將有效減少不必要甲狀腺的切除。上述研究主要特點(diǎn)見表2。

        表2 AI在甲狀腺病理學(xué)中的應(yīng)用

        2.3 組織病理學(xué)診斷

        組織病理檢查是將標(biāo)本制成切片,輔以免疫分子及基因表達(dá)測(cè)定,觀察細(xì)胞和組織的形態(tài)結(jié)構(gòu),識(shí)別其來源及變化,最終作出病理診斷,是腫瘤診斷的金標(biāo)準(zhǔn)。Wang等[29]在甲狀腺結(jié)節(jié)病理分類中進(jìn)行了初步研究。該研究在組織學(xué)圖像中評(píng)價(jià)VGG-19和Inception-ResNet-v2 對(duì)7個(gè)病理類型(正常組織、ATC、FTC、MTC、PTC、結(jié)節(jié)性甲狀腺腫和腺瘤)的診斷性能,結(jié)果表明前者平均準(zhǔn)確率高于后者(分別為97.34%和94.42%)。VGG-19在所有惡性病理類型中表現(xiàn)出良好的識(shí)別能力,值得注意的是MTC 中達(dá)到100%,而在正常組織和腺瘤中分別為88.33%和92.44%??梢?,AI在組織病理學(xué)中識(shí)別甲狀腺正常組織及良性腫瘤仍具有挑戰(zhàn)性。

        PTC是甲狀腺癌最常見的病理類型,約占85.00%[1],世界衛(wèi)生組織(WHO)根據(jù)腫瘤細(xì)胞形狀、比例、結(jié)構(gòu)及細(xì)胞核特征等將PTC分為含經(jīng)典型(classical variant,CV)在內(nèi)的15種亞型,其中高細(xì)胞亞型(tall cell variant,TCV)、實(shí)性/梁狀亞型(solid variant,SV)、鞋釘樣亞型(hobnail variant,HV)、彌漫硬化亞型(diffuse sclerosing variant,DSV)及柱狀細(xì)胞亞型常被認(rèn)為是侵襲性亞型(aggressive variant of PTC,AVPTC)[30-31]。PTC 總體預(yù)后良好,但長期隨訪后發(fā)現(xiàn)復(fù)發(fā)率可達(dá)25.00%,主要與腺外侵犯、淋巴及遠(yuǎn)處轉(zhuǎn)移等浸潤性特征有關(guān)[32],AVPTC 常表現(xiàn)出上述特征,是復(fù)發(fā)獨(dú)立的中等危險(xiǎn)因素[1,33]。在無浸潤性表現(xiàn)時(shí)AVPTC與CV總體生存相當(dāng),當(dāng)合并任一浸潤性特征時(shí)二者差異具有統(tǒng)計(jì)學(xué)意義[33]。各亞型間細(xì)胞形態(tài)可重疊且有兩種及以上亞型并存現(xiàn)象,根據(jù)細(xì)胞形態(tài)特征難以高效鑒別,因此需要更精準(zhǔn)的方法對(duì)PTC亞型分類。上皮性鈣黏附蛋白及β-連環(huán)素在AVPTC和部分非侵襲性亞型中差異表達(dá)[34]。此外,基因在PTC 進(jìn)展中起重要作用,如BRAF 突變?cè)赥CV和HV表達(dá)可達(dá)80.00%以上[30],RET/PTC重排與DSV[30]及具有輻射暴露史的SV[31,35]變異相關(guān)。有研究表明,免疫細(xì)胞浸潤與組織分型相關(guān),特別樹突狀細(xì)胞與TCV形態(tài)呈正相關(guān)[36]。而Yamamoto等[37]根據(jù)乳腺肌上皮細(xì)胞特征運(yùn)用SVM模型區(qū)分正常組織、導(dǎo)管增生和低/高等級(jí)的導(dǎo)管原位癌4種病理類型,準(zhǔn)確率為90.90%??梢娦螒B(tài)特征、基因分子信息和腫瘤微環(huán)境等數(shù)據(jù)均有利于精準(zhǔn)化AI分類模型的構(gòu)建。

        3 AI在甲狀腺癌預(yù)后預(yù)測(cè)中的應(yīng)用

        目前,美國甲狀腺協(xié)會(huì)(ATA)風(fēng)險(xiǎn)分層以及美國癌癥聯(lián)合委員會(huì)制定的TNM分期和MACIS評(píng)分系統(tǒng)在甲狀腺癌死亡和復(fù)發(fā)風(fēng)險(xiǎn)評(píng)估中應(yīng)用廣泛,主要根據(jù)年齡、腫瘤情況及淋巴結(jié)狀態(tài)等臨床病理指標(biāo)進(jìn)行評(píng)估。2015年ATA 指南已提及BRAF 或TERT狀態(tài)可輔助臨床醫(yī)生進(jìn)行危險(xiǎn)評(píng)估但未常規(guī)推薦[1]。上述評(píng)估體系正整合臨床病理和基因等數(shù)據(jù)不斷完善,但人工評(píng)估差異較大,AI技術(shù)的應(yīng)用可加快預(yù)后評(píng)估的精準(zhǔn)化,但目前甲狀腺預(yù)后AI模型報(bào)道有限。

        3.1 傳統(tǒng)病理參數(shù)模型

        Jajroudi等[38]利用多層感知器神經(jīng)網(wǎng)絡(luò)(multilayer prediction,MLP)和Logistic模型對(duì)7 706個(gè)樣本的16個(gè)特征(包括腫瘤位置、大小、分級(jí)及病理分期等)進(jìn)行數(shù)據(jù)分析,比較了二者在甲狀腺癌患者中1、3、5年生存時(shí)間的預(yù)測(cè)性能。結(jié)果表明,MLP僅預(yù)測(cè)1年生存時(shí)間的準(zhǔn)確性、敏感性及特異性優(yōu)于Logistic模型(分別為92.90%、92.80%、93.00%和81.20%、88.90%、72.50%)。雖然Faradmal 等[39]在乳腺癌中應(yīng)用基于病理參數(shù)的MLP模型在預(yù)測(cè)1、2、3年的無病生存時(shí)間均優(yōu)于Log-Logistic模型(平均AUC為0.845和0.744),但是兩個(gè)模型的預(yù)測(cè)性隨時(shí)間推移均有所下降??梢妭鹘y(tǒng)病理參數(shù)雖有助于甲狀腺AI模型進(jìn)行短期預(yù)后預(yù)測(cè),但對(duì)于遠(yuǎn)期預(yù)后評(píng)估的價(jià)值有限。

        3.2 基因變異通路模型

        Zhao 等[40]從甲狀腺癌高危組(T2、N1、M1及以上)和低危組(T0、T1、N0和M0期)差異表達(dá)的190種基因中篩選出10條基因變異通路為輸入量,構(gòu)建ANN 風(fēng)險(xiǎn)預(yù)測(cè)模型,兩組生存時(shí)間差異具有統(tǒng)計(jì)學(xué)意義。該模型在獨(dú)立的數(shù)據(jù)集中驗(yàn)證,識(shí)別高低風(fēng)險(xiǎn)組的準(zhǔn)確率分別為86.00%和77.50%。AI 基因模型均在乳腺癌[39]、胃癌[41]及卵巢癌[42]的復(fù)發(fā)生存評(píng)估中表現(xiàn)出良好性能,基于基因大數(shù)據(jù)的甲狀腺癌精準(zhǔn)化預(yù)測(cè)有廣闊的應(yīng)用前景(圖1)。

        圖1 AI在甲狀腺癌診斷和預(yù)后預(yù)測(cè)中的應(yīng)用

        病理圖像是對(duì)病變組織的直接反應(yīng),切除標(biāo)本可獲得完整的癌巢信息,了解癌巢與周圍組織的關(guān)系,可為患者的個(gè)體化治療提供預(yù)后相關(guān)表型和分子信息。Veta 等[43]通過有絲分裂和基因表達(dá)量化腫瘤增殖情況評(píng)估乳腺癌患者預(yù)后。Yuan等[44]聯(lián)合病理圖像和基因表達(dá)分析發(fā)現(xiàn)間質(zhì)的空間分布和淋巴細(xì)胞浸潤是影響生存獨(dú)立的預(yù)后因素,且此聯(lián)合模型的預(yù)測(cè)性能優(yōu)于單一的圖像或基因分析。病理圖像為深度學(xué)習(xí)提供形態(tài)特征的結(jié)構(gòu)化數(shù)據(jù)和基因分子等標(biāo)準(zhǔn)化數(shù)據(jù),在預(yù)后評(píng)估中具有明顯優(yōu)勢(shì)。但基于病理圖像的甲狀腺癌AI 預(yù)后預(yù)測(cè)模型尚未建立。

        4 結(jié)語

        隨著甲狀腺癌發(fā)病率的升高,診斷和預(yù)后評(píng)估的精準(zhǔn)化需求越來越大。AI在甲狀腺癌診療中有許多可能性(圖1),可提高診斷的準(zhǔn)確性和客觀性,結(jié)合統(tǒng)計(jì)數(shù)據(jù)與現(xiàn)有臨床知識(shí)充分認(rèn)識(shí)甲狀腺結(jié)節(jié),量化信息,更有效地進(jìn)行預(yù)后分析,這些方法將有助于臨床醫(yī)生根據(jù)患者需要提供從診斷到術(shù)后動(dòng)態(tài)的精準(zhǔn)化管理。然而目前甲狀腺癌AI對(duì)醫(yī)療數(shù)據(jù)的運(yùn)用有限,對(duì)濾泡細(xì)胞的識(shí)別仍具有挑戰(zhàn)性,亞型分類和預(yù)后預(yù)測(cè)還有待于深入研究。未來甲狀腺癌AI研究可在現(xiàn)有參數(shù)基礎(chǔ)上,深度分析腫瘤及其微環(huán)境,發(fā)現(xiàn)高效能指標(biāo),對(duì)結(jié)節(jié)精準(zhǔn)分類,實(shí)現(xiàn)個(gè)體化預(yù)后預(yù)測(cè)以指導(dǎo)早期精確治療。

        猜你喜歡
        分類特征模型
        一半模型
        分類算一算
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        如何表達(dá)“特征”
        不忠誠的四個(gè)特征
        分類討論求坐標(biāo)
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        抓住特征巧觀察
        av在线播放免费网站| 欧美日韩亚洲色图| 亚洲成Av人片不卡无码观看| 日韩精品极品免费在线视频 | 亚洲精品国产av成拍| 成年丰满熟妇午夜免费视频| 熟女熟妇伦av网站| 亚洲电影一区二区三区| 亚洲一区二区三区新视频 | 少妇中文字幕乱码亚洲影视| 一个人在线观看免费视频www| 日韩熟妇精品视频一区二区| 中文字幕一区二区三区综合网| 亚洲gay片在线gv网站| 熟妇的荡欲色综合亚洲| 国产免费久久精品99久久| 真人作爱免费视频| 五月丁香六月综合激情在线观看| 男女视频网站免费精品播放| 亚洲av无码国产精品色| 亚洲乱码中文字幕综合| 国产情侣一区在线| 国产一区二区不卡av| 亚洲av综合一区二区在线观看| 国产乱人伦精品一区二区| 久久久亚洲精品蜜桃臀| 丰满又紧又爽又丰满视频| 亚洲国产精品成人综合色| 亚洲狠狠网站色噜噜| 最新亚洲av日韩av二区一区| 极品尤物精品在线观看| 玩弄放荡人妻少妇系列| 人妖av手机在线观看| 真实夫妻露脸爱视频九色网| 中文无码熟妇人妻av在线| 国产精品视频yuojizz| 成人短篇在线视频夫妻刺激自拍| 亚洲av熟女少妇久久| 亚洲а∨天堂久久精品2021| 欧美成人高清手机在线视频| 国产精品一区二区三区在线观看|