2022在原发性肝癌相关诊断模型中的应用与前景(全文)

2022在原发性肝癌相关诊断模型中的应用与前景（全文）5[1],是男26[2],年中43位表现出比病理学家更好的诊断性能CoxEMAdaboost等,而机器学习的算法可以分为监督学3)、梯度增强机(GBM)、支持向量机(SVM)k近邻(KNN)(ANN)代表有：先验算法(AprioriK-均值(K-means)的深度学习本身也会用到有监督和无监督的学习方法来训练深度神经网络。本文将深度学习在肝癌诊断、复发中应用进展介绍如下。构建模型预测肝癌发生风险应用构建血清蛋白质组学模型协助早期诊断血清AFP清肿瘤标志物中的金标准2001Poon等AFPcut-offAFP肝癌诊断模型。Camaggi等201045HCV相关肝硬化、早期肝癌及522432011年Patterson3-硫酸盐、胆红素水平、年Wang等HBV相关肝硬化进展的早期AFPEstevez[18]2017411HBV及HCV感染的肝细胞癌(HCC)HCC的HBV或HCV感染者,其体内细胞因子分泌明清学指标的检测及学习训练对各种情况下肝癌的协助诊断提供了很大的帮助。构建模型优化影像学诊断肝癌通常通过肝活检或增强计算机断层扫描断[19],CNN)允许在识别肝脏肿块和识别病理病变的特定特征时解释HCC图像[22],CNN等多种算法的应用。2017年,Pang等报告了一种凹凸变优化稀疏贡献特征选择和分类器的深度学习用以提高肝癌图像识别,在凹凸变分(CCV)方法来优化的3种分类器随机森林分类器支持向量机分类器和极限学习机分类器中,CCV-随机森林分类器更能准确的识别肝癌图像。但是作为一种“不可解释的”深度学习模,其存在着“黑盒子”效应2019年,Wang 等[24-25]在其报道的肝肿瘤诊断的深度学习系列研究中,初次提出一种概念验证的“可解释的”深度学习即利用放射成像特征的CNN,识别测试病灶中正确的影像特征。这种“可解释的”深度学习模型可与标准化报系统如LI-RADS)对接,添加了定量数据又利用了影像的相关辅助特征,从而提高了临床实用性,其阳性预测值和灵敏度也分别达到了76.5%和82.9%。此外,在多相核磁图像上,基于概念验证CNN 的深度学习系统(DLS)对常见肝脏病变进行分类的研究中,通过与高年资医师的测试比较,肝癌分类深度学习系统测试出更高的准确度、敏感度和特异度。2020年Shi等报道了密集卷积神经网络的深度学习方法可优化增强CT对肝脏肿瘤的诊断,又进一步丰富了影像组织性的深度学习内容。构建模型优化病理学检查2010等HCC肿瘤分级及微250HCC患者的临床、影像学和组织17575AFPMVI相关(P＜0.05)ANN。在训练组,用于肿瘤分级和MVI预测的受试者工作特征曲线下面积(AUC)0.940.92,93.3%(k=0.8191%MVI(k=0.73)81%的肿瘤分级(k=0.55)和85%的MVI(k=0.57)MVI,可应用于优化病理学检查。2017Li等模型在细胞核分级方面体现了一定优越性。Pang等[23]2017年同HECCVCCV-2020年,等HCC构建代谢组学模型协助诊断2016年LiangLC-QTOF-MS结合多变量数据分析方法对HCC155HCC,所建立的预测模型预测敏感度为96.5%,83%Wang等[31]2018DNA生物标志物评估模型的敏感度、特异度、AUC和变异性,认为多个尿生物标志物的评估模型有一定潜力进行自我训练并完成HCC患者的云筛选。构建基因组学模型协助早期诊断2014年Ibrahim等miRNA和基因之间的生物关系,扩展使用了该技术的miRNA,2015年Gui187117HCC的发展过程提供了新的视角。2018Augello等HCC的生物标志物与HCV器发现MICA的基因位点rs2596542和rs2596538变异体值得进一步研HCV59Kim等cDNA微阵列,每个样本中9000KNN30个显著改变基因的分子标记。这些基因2020Shen等HCC74.19%,而模型的验证成功率达到80%,为临床预测肝癌复发提供了有意义的指导。构建模型预测肝癌术后复发与生存风险应用2012Ho等HCC数据1、3、5、逻辑回归3ANNS对肝切除术2012Shi22926HCC患者,通过传统的逻辑ANNS在预测住院病死率方面更97.28%),2014年Qiao等ANN、LR建立早期HCCANNSAUC更高。机器学习在处理含有缺失值的数据集时具2020Huang等7919例肝癌患者临床病理资CoxXGBoostANN等机器深度学习在肝癌患者预后预测模型中Tseng等[41]2015年为了提高利用多个测量值预测临床结局的准确性,83例肝癌患者的临床HCC复发预报性能,且多次2017年QiuLassoSVM-RFE576CpG甲基化水平检测所得到的数据建模分析,从甲基化的角度建立了预测早期肝癌复发风险的模型。Xu等[43]2017DNA甲基化水平进1098835Lasso10Lasso-Cox8由此可见术后复发与生存风险模型的建立通过深度学习的方法也可达到一定临床指导效果。构建模型预测射频消融(RFA(TACE)生存风险应用RFATACE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等报告了83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)、随机森林算法及混合算法(GA+RF 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的预测型可以提示高风险复发患者2020年Brehar等文献报告纳入RFA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[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。其他Chaudhary等测序、miRNA(miRNA-Seq)TCGA的甲基360HCC患者的生存敏感模型,该模型可将患者分为两种Nam等563HCC复发的预测模型。这项多中心AFPK(PIVKA-AI(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A