2023肿瘤数智诊疗研究的现状及前景.docx

《2023肿瘤数智诊疗研究的现状及前景.docx》由会员分享，可在线阅读，更多相关《2023肿瘤数智诊疗研究的现状及前景.docx（11页珍藏版）》请在第一文库网上搜索。

1、2023肿瘤数智诊疗研究的现状及前景摘要肿瘤是威胁人类健康的重大疾病。随着科技的进步，数智技术与肿瘤诊疗日趋融合，不仅推动了诊疗方法的创新，还为疾病预后分析提供了新的视角。本综述聚焦肿瘤数智诊疗研究的现状及前景，概述肿瘤数智诊疗模型的构建流程，并对其所依赖的深度学习和机器学习技术进行梳理，重点介绍数智诊疗模型在肿瘤的诊疗决策、疗效预测以及疾病预后评估等关键领域的应用；分析肿瘤数智诊疗目前存在的问题及应对策略。本文明确了肿瘤数智诊疗技术在当今医疗领域的地位，提出数据驱动与知识引导相结合的研究范式将进一步提升肿瘤的整体诊疗水平。刖言据国家癌症中心统计，中国2016年新增癌症病例406.4万例，新增

2、癌症死亡病例241.4万例1。根据世界卫生组织（WHO）国际癌症研究机构数据，2023年中国新发癌症病例457万例,死亡病例300万例2。中国恶性肿瘤新发病例和死亡例数均居全球第一，且持续上升。在过去的10余年里，中国恶怅中瘤生存率呈现逐渐上升趋势。目前中国恶性W瘤的5年相对生存率约40.5%,与10年前相比，总体提高约10%,但与发达国家相比仍存在差距。其中，在中国预后较好的肿瘤，如乳腺癌（82.0%）、甲状腺癌（84.3%）和前列腺癌（66.4%）的5年生存率仍远低于美国等发达国家（90.9%、98%和99.5%）1o肿瘤的早期发现与精准诊疗对改善患者总体生存至关重要，扩大相关肿瘤的筛查及

3、早诊早治覆盖面、肿瘤临床诊治规范化和同质化推广应用有助于降低肿瘤发病率与死亡率。肿瘤患者因其高度的瘤间以及瘤内时空异质性，诊治十分复杂3。中国医疗卫生行业面临巨大的服务需求压力，对肿瘤等特殊病种的医疗资源更是局限在少数医疗机构。2017年7月，国务院印发的新一代人工智能发展规划中提到，推动人工智能在医疗健康领域的应用研究，建立快速精准的智能医疗体系，加快数字健康向数智健康转型。肿瘤数智诊疗即结合数字与智能技术辅助开展肿瘤诊疗，对肿瘤患者的基本信息.影像、病理.基因检测等数据进行整合，通过分析数据中的隐含关系，在疾病预防.辅助诊断.药物研发治疗反应和预后评估等方面展开研究，提升总体肿瘤精准诊治能

4、力，解决医疗资源紧缺4。本文将对数智技术在肿瘤辅助诊疗的发展方向和研究现状进行综述，并讨论在数智技术快速发展的背景下，肿瘤数智诊疗研究中存在的问题和建议。01肿瘤数智诊疗模型建立的简要过程数智诊疗模型的建立基于两个元素：数据和算法。一些医学数据本身即为数据格式，如患者基本信息（年龄、性别、身高、体质量等）、临床检验数据；而另一些数据则需要进行二次统计表征，如患者主观感受或某些症状表现，病理数据、影像学数据以及多组学基因测序数据。构建数智诊疗模型的第一步便是处理数据信息，适当地清洗数据（异常值处理、数据标准化、特征选择等），再通过算法将特征与患者的临床表现、表型、预后、治疗反应等进行大样本训练5

5、-7。在算法选择方面，传统机器学习算法如随机森林网和支持向量机9仍被广泛应用，随机森林通过分别使用不同的特征训练多棵决策树模型，最后再结合所有的模型综合给出预测结果；支持向量机通过给定的特征通过数学方法尝试找到一个能够以最大间隔把两个类别分开的决策边界从而给出预测。深度学习算法如U-Net10,快速的基于区域的卷积神经网11、目标检测算法（YO1O）12等则广泛应用于医学图像的分割和病灶检测等任务。然而这些深度网络的训练通常需要大量的标注数据。为了减少对这些标注数据的依赖，研究者们开始尝试将这些网络与自监督学习方法结合，如自监督算法（BYO1）13和SimSiam14,典型的自监督学习方法首先

6、会对同一份数据进行不同的数据增强操作，如旋转、拉伸、遮挡或调节对比度，而这些增强数据会被输入到同一个网络结构的编码器中（如U-Net的编码器）目标是让网络对经过不同增强的数据产生相似的表示或向量，确保网络的编码器能够提取数据的内在特征，进而根据不同的任务进一步进行微调。在微调中，将采用先前通过自监督方法预训练的编码器，并在其后附加特定的解码器（如U-Net或YO1O的解码器或者多层感知器等等）。这样组成的完整网络结构随后使用标注数据进行进一步的训练，以适应特定任务，如肿瘤分割或病灶检测，常见的神经网络模型结构有全连接神经网络、循环神经网络（常用于文本/时间系列任务）、卷积神经网络（常用于图像任

7、务）等。这种结合自监督学习的策略，使得在标注数据受限的情境下，仍然能够训练出性能卓越的模型（图1）。df、O-一J数据增强编码器解码器嵌入层参数调整病理检查数据患者基本信息临床检验数据基因组学数据影像组学数据图1肿通数智诊疗模型建立的简要过程及常用的人工智能算法02肿瘤数智诊疗模型的研究现状肿瘤数智诊疗模型的应用主要分为以下几个方面：1）利用患者的基本信息、临床检验.影像检查等数据辅助进行临床诊断。2）通过患者的精准诊断信息，对患者的治疗方案提出建议，治疗反应进行预测。3）通过诊断.治疗以及个人基本信息等对患者的预后进行预测，以提示临床的预见反应。2.1 数智技术辅助肿瘤诊断肿瘤的精准诊断是精

8、准治疗的基础。恶性W瘤常呈高侵袭性，或伴有微卫星灶，在影像学上难以精准鉴别，更有部分恶，的中瘤早期在影像学或组织学上呈良性表现，却在短期内快速恶化。国内肿瘤的诊疗现已步入多学科协作诊疗(mu1tidiscip1inaryteam,MDT)时代,即由外科医生、影像、病理、药学、护理等多领域人员组成的MDT团队协助诊疗，在多方专业意见下，肿瘤的诊疗水平得以提高15。然而组建高水平的MDT团队，提高MDT开展率并不容易，特别是在基层医院16。数智辅助诊断可基于多学科数据进行大样本训练，并综合多重信息给予客观的诊断结果。肿瘤数智诊疗在辅助诊断方面的研究可分为主要的两个方向：1)利用人工智能技术对病理图

9、像进行分割、识别与分析。如在乳腺癌中，利用深度学习算法从全视野数字切片中识别并分割出肿瘤区域，结果表明在限制时间的诊断模拟中，人工智能算法能媲美病理专家(AUC:0.994vs.0.810,P0.001)17o2)通过对临床影像学数据进行特征分析，对患者分子病理特征进行预测。如Park等18通过提取弥散和扩张MR1成像的特征，对异柠檬酸脱氢酶(isocitratedehydrogenasezIDH)野生型胶质瘤的受体酪氨酸激酶(receptortyrosinekinases,RTKs)、P53、视网膜母细胞瘤肿瘤抑制通路(retinob1astoma,RB)表达情况进行训练，构建模型用于表征核

10、心信号通路,对于RTK通路预测的AUC值为0.88,P53通路为0.76,RB通路为0.81,可指导IDH野生型胶质母细胞瘤的靶向治疗。2.2 数智技术辅助肿瘤治疗预测和选择肿瘤的治疗包括手术治疗、靶向治疗、免疫治疗等19。人工智能辅助识别实体肿瘤边界，可以帮助外科医生在术中实现肿瘤全切，降低术后复发风险如Cao等20使用深度学习模型对早期肝细胞癌（肿瘤大小5cm）患者进行微血管侵犯状态的术前预测，在训练集和验证集中的准确率达99.1%和97.2%,可为手术切除方案提供参考。肿瘤靶向治疗通过靶向关键恶性基因以清除肿瘤21,而免疫治疗则通过逆转肿瘤微环境的免疫抑制状态，增加抗原提呈，激活杀伤性T

11、细胞，靶向肿瘤抗原，而对肿瘤细胞进行自体清除22。患者的靶向或免疫治疗方案应基于患者肿瘤的分子病理信息，建立定制化的治疗方案。结合数智技术研究病理形态学与分子表型间的关系，在开发靶向治疗.免疫治疗标志物上具有明显优势。Denkert等23通过量化乳腺癌活检病理中肿瘤浸润淋巴细胞与乳腺癌不同亚型对化疗敏感性的关系证实，不同亚型的免疫微环境中存在不同免疫学渗透，未来或有助于采取免疫调节治疗方法治疗乳腺癌。Shamai等24通过深度学习算法，从3376例乳腺癌患者队列的苏木精-伊红染色图像中，准确预测了程序性死亡受体配体1表达，AUC值为0.91-0.93,有望辅助应用于临床。另外，Jiang等25

12、综合了肿瘤内的多种免疫逃逸机制，设计了一个计算架构：肿瘤免疫功能障碍和排斥评分，该架构可很好地预测肿瘤患者对免疫治疗的反应，从而指导患者的临床治疗方案。由此可见，数智技术可更好地结合患者病理、分子分型的特点，对患者的治疗反应和治疗方案提供更精准指导。2.3 数智技术辅助疾病预后预测作为诊疗评估的重要一环，精准预测预后可实现治疗方案的动态调整，也可评估疗效。Jiang等26利用术前计算机断层扫描影像训练多任务深度学习模型，可以准确预测胃癌患者的腹膜复发和生存，在训练集、内部验证队列和外部验证队列均具有较高准确率，AUC值分别为0.857、0.856、0.843(图2)。Wang等27通过从计算机

13、断层扫描影像中挖掘全肺信息构建全肺人工智能模型，实现无创，的页测EGFR基因型和EGFR-TK1治疗的预后，在6个独立队列中实现了AUC为0.7480.813o术后并发症是影响肿瘤患者术后康复和预后的重要因素，不仅增加医疗费用，并且增加患者围手术期的死亡率，因此早期识别术后并发症高危患者并提前采取干预显得格外重要。Mazo等28通过外部验证的术后肺部并发症风险预测模型，提出7项与术后肺部并发症相关的独立危险因素。Bi1imoria等29利用来自393家美国外科学院国家手术质量改进计划(ACSNSQIP)医院的标准化临床数据，开发了基于21个术前因素的回归模型，以预测术后30天内发生各种围手术期

14、并发症的风险，该模型在死亡率和发病率方面具有出色的性能，c指数为0.944和0.816,已被认可用于为患者提供相关并发症的咨询。但值得注意的是，Donadon等30评估了该模型预测肝切除术后结果的能力，发现该模型计算器低估了肝切除术后并发症、死亡率和术后住院时间的风险。今后在肿瘤数智诊疗模型开发和优化中，需要基于肿瘤特异性的临床信息和数据，对肿瘤患者围手术期并发症、治疗反应等进行更精准地预测。03肿瘤数智诊疗模型的研究中存在的问题及策略研究目前，肿瘤数智诊疗模型在多领域研究人员的参与下发展迅速，但肿瘤实际诊疗水平的进步远落后于肿瘤智能诊疗模型的更新速度。这种情况不利于明确数智诊疗模型的发展方向

15、，甚至会浪费大量医疗和科研资源，也影响数智诊疗模型与诊疗水平的整体进步。3.1 医疗信息化程度不统一的问题人工智能技术以数据为基本元素，不同医疗机构之间缺乏统一的信息化病例结构或信息交换接口：1）直接影响数据的收集，样本的数量与质量均难以保障，以此为基础构建的模型质量也更加参差不齐。2）影响模型的应用与推广，研究者之间使用的数据来源未经统一质控批次校准.标准化等，基于某一数据平台获取的高性能模型在不同平台的数据集中表现不-,造成现在的大量模型仍停留在研究阶段，成为无用模型。允许现有平台差异存在，建立统一的数智服务的大数据平台或是目前有效的解决方式。3.2 医疗工作人员参与度问题无论是构建针对特

16、定疾病的辅助诊疗系统，还是诊疗模型的实际临床应用，都需要医务工作者参与指导并具体实施：1）医学专家可以提供权威的医学知识和丰富的临床经验，对构建规范统一的医学信息系统和内容准确完备的知识图谱具有指导作用，但中国人均优质医疗资源极度紧缺，经验丰富的医学专家往往忙于临床诊疗，难以投入大量精力参与到相关研究工作当中。2）医务工作者作为数智诊疗模型的实际应用者，从对研究模型的理解到合理应用也需要大量的时间成本，一些医生与专家虽期待人工智能能够为诊疗方式带来变革，但却仍难以提高参与度。因此，应当增强跨领域人才培养培训，加强医务工作者利用人工智能辅助医疗流程的思维方式与能力，改变传统的工作流程与习惯31,提高医疗工作人员在数智领域的参与质量，既可产出更加规范统一的数智模型，也能增加数智模型的