2022在原發(fā)性肝癌相關(guān)診斷模型中的應用與前景(全文)

2022在原發(fā)性肝癌相關(guān)診斷模型中的應用與前景（全文）5[1],是男26[2],年中43位表現(xiàn)出比病理學家更好的診斷性能CoxEMAdaboost等,而機器學習的算法可以分為監(jiān)督學3)、梯度增強機(GBM)、支持向量機(SVM)k近鄰(KNN)(ANN)代表有：先驗算法(AprioriK-均值(K-means)的深度學習本身也會用到有監(jiān)督和無監(jiān)督的學習方法來訓練深度神經(jīng)網(wǎng)絡。本文將深度學習在肝癌診斷、復發(fā)中應用進展介紹如下。構(gòu)建模型預測肝癌發(fā)生風險應用構(gòu)建血清蛋白質(zhì)組學模型協(xié)助早期診斷血清AFP清腫瘤標志物中的金標準2001Poon等AFPcut-offAFP肝癌診斷模型。Camaggi等201045HCV相關(guān)肝硬化、早期肝癌及522432011年P(guān)atterson3-硫酸鹽、膽紅素水平、年Wang等HBV相關(guān)肝硬化進展的早期AFPEstevez[18]2017411HBV及HCV感染的肝細胞癌(HCC)HCC的HBV或HCV感染者,其體內(nèi)細胞因子分泌明清學指標的檢測及學習訓練對各種情況下肝癌的協(xié)助診斷提供了很大的幫助。構(gòu)建模型優(yōu)化影像學診斷肝癌通常通過肝活檢或增強計算機斷層掃描斷[19],CNN)允許在識別肝臟腫塊和識別病理病變的特定特征時解釋HCC圖像[22],CNN等多種算法的應用。2017年,Pang等報告了一種凹凸變優(yōu)化稀疏貢獻特征選擇和分類器的深度學習用以提高肝癌圖像識別,在凹凸變分(CCV)方法來優(yōu)化的3種分類器隨機森林分類器支持向量機分類器和極限學習機分類器中,CCV-隨機森林分類器更能準確的識別肝癌圖像。但是作為一種“不可解釋的”深度學習模,其存在著“黑盒子”效應2019年,Wang 等[24-25]在其報道的肝腫瘤診斷的深度學習系列研究中,初次提出一種概念驗證的“可解釋的”深度學習即利用放射成像特征的CNN,識別測試病灶中正確的影像特征。這種“可解釋的”深度學習模型可與標準化報系統(tǒng)如LI-RADS)對接,添加了定量數(shù)據(jù)又利用了影像的相關(guān)輔助特征,從而提高了臨床實用性,其陽性預測值和靈敏度也分別達到了76.5%和82.9%。此外,在多相核磁圖像上,基于概念驗證CNN 的深度學習系統(tǒng)(DLS)對常見肝臟病變進行分類的研究中,通過與高年資醫(yī)師的測試比較,肝癌分類深度學習系統(tǒng)測試出更高的準確度、敏感度和特異度。2020年Shi等報道了密集卷積神經(jīng)網(wǎng)絡的深度學習方法可優(yōu)化增強CT對肝臟腫瘤的診斷,又進一步豐富了影像組織性的深度學習內(nèi)容。構(gòu)建模型優(yōu)化病理學檢查2010等HCC腫瘤分級及微250HCC患者的臨床、影像學和組織17575AFPMVI相關(guān)(P＜0.05)ANN。在訓練組,用于腫瘤分級和MVI預測的受試者工作特征曲線下面積(AUC)0.940.92,93.3%(k=0.8191%MVI(k=0.73)81%的腫瘤分級(k=0.55)和85%的MVI(k=0.57)MVI,可應用于優(yōu)化病理學檢查。2017Li等模型在細胞核分級方面體現(xiàn)了一定優(yōu)越性。Pang等[23]2017年同HECCVCCV-2020年,等HCC構(gòu)建代謝組學模型協(xié)助診斷2016年LiangLC-QTOF-MS結(jié)合多變量數(shù)據(jù)分析方法對HCC155HCC,所建立的預測模型預測敏感度為96.5%,83%Wang等[31]2018DNA生物標志物評估模型的敏感度、特異度、AUC和變異性,認為多個尿生物標志物的評估模型有一定潛力進行自我訓練并完成HCC患者的云篩選。構(gòu)建基因組學模型協(xié)助早期診斷2014年Ibrahim等miRNA和基因之間的生物關(guān)系,擴展使用了該技術(shù)的miRNA,2015年Gui187117HCC的發(fā)展過程提供了新的視角。2018Augello等HCC的生物標志物與HCV器發(fā)現(xiàn)MICA的基因位點rs2596542和rs2596538變異體值得進一步研HCV59Kim等cDNA微陣列,每個樣本中9000KNN30個顯著改變基因的分子標記。這些基因2020Shen等HCC74.19%,而模型的驗證成功率達到80%,為臨床預測肝癌復發(fā)提供了有意義的指導。構(gòu)建模型預測肝癌術(shù)后復發(fā)與生存風險應用2012Ho等HCC數(shù)據(jù)1、3、5、邏輯回歸3ANNS對肝切除術(shù)2012Shi22926HCC患者,通過傳統(tǒng)的邏輯ANNS在預測住院病死率方面更97.28%),2014年Qiao等ANN、LR建立早期HCCANNSAUC更高。機器學習在處理含有缺失值的數(shù)據(jù)集時具2020Huang等7919例肝癌患者臨床病理資CoxXGBoostANN等機器深度學習在肝癌患者預后預測模型中Tseng等[41]2015年為了提高利用多個測量值預測臨床結(jié)局的準確性,83例肝癌患者的臨床HCC復發(fā)預報性能,且多次2017年QiuLassoSVM-RFE576CpG甲基化水平檢測所得到的數(shù)據(jù)建模分析,從甲基化的角度建立了預測早期肝癌復發(fā)風險的模型。Xu等[43]2017DNA甲基化水平進1098835Lasso10Lasso-Cox8由此可見術(shù)后復發(fā)與生存風險模型的建立通過深度學習的方法也可達到一定臨床指導效果。構(gòu)建模型預測射頻消融(RFA(TACE)生存風險應用RFATACE是肝癌患者不可或缺的重要輔助治療手段,主要針對無法耐受手術(shù)切除和不能手術(shù)切除的肝癌人群2014年Liang等報告了83接受RFA治療的HCC患者,共采用了5種特征選擇方法,包括遺傳算法(GA)、模擬退火算法(SA)、隨機森林算法及混合算法(GA+RF SA+RF),從總共16個臨床特征中選擇一個重要的特征子集,這些方法與SVM開發(fā)具有更好的性能預測模型相結(jié)合,最終結(jié)論提示SVM的預測型可以提示高風險復發(fā)患者2020年Brehar等文獻報告納入RFA放療患者214例和205例,通過放射組學特征和重要臨床變量建立RFA和放療的列線圖,評估愈后,結(jié)論提示深度學習建立的放射組學模型和列線圖實現(xiàn)了對RFA與放療的無進展生存期的準確預測,可以促進二者之間的優(yōu)化治療選擇。預測肝癌接受肝動脈化療栓塞治療反應由Abajian[46]2018年報告,研究包括36例HCC患者,使用磁共振成像和臨床患者數(shù)據(jù),創(chuàng)建一個人工智能框架,通過應用機器學習技術(shù)預測接受TACE治療患者的愈后。用臨床資料、基線影像和治療特征訓練LR和RF,結(jié)果顯示,結(jié)合患者臨床資料和磁共振圖像數(shù)據(jù),應用機器學習算法可以在術(shù)前預測肝癌患者TACE的結(jié)果2020年P(guān)eng等收集了國內(nèi)多中心共789例中期肝癌患者,建立一個轉(zhuǎn)換學習技術(shù)的殘差CNN預測模型,預TACE治療的效果,可以更好的幫助臨床醫(yī)生篩選哪些患有HCC的患者更能夠從介入治療中獲益。其他Chaudhary等測序、miRNA(miRNA-Seq)TCGA的甲基360HCC患者的生存敏感模型,該模型可將患者分為兩種Nam等563HCC復發(fā)的預測模型。這項多中心AFPK(PIVKA-AI(MoRAL-AI)的最大加權(quán)參數(shù)。人體和腫瘤的生物多樣性決定著任何深度學習的模型并不能適用所有的A