首页 > 文章详情

十邑论坛第236期｜走近ASCO GI研究进展：监测肿瘤进展和风险评估的深度学习算法

04月02日

来源：肿瘤资讯

由福建省抗癌协会癌痛专业委员会和福建省抗癌协会中西医整合肿瘤专委会青年委员会主办的【十邑论坛】开播啦！论坛于每周四推出，带您用中文听原汁原味的美国临床肿瘤学会胃肠道肿瘤研讨会（ASCO GI）研究。本期十邑论坛，哥本哈根大学Davide Placido教授分享了如何利用人工智能（AI）来预测胰腺癌的风险，【肿瘤资讯】特邀福建省肿瘤医院赵珅教授进行相关研究解读。

赵珅解读

00:00

赵珅

副主任医师，医学博士，硕士生导师

腹部肿瘤内科副主任医师
福建省抗癌协会癌痛专业委员会副主任委员
福建省抗癌协会中西医整合肿瘤专委会青年委员会副主任委员
福建省抗癌协会肿瘤心理专委会委员兼秘书
中国老年学和老年医学学会精准医疗分会委员
中国老年学和老年医学学会肿瘤康复分会食管癌专家委员会委员
福建省医学会科学普及分会青年委员会委员
福建省肿瘤内科学会青年委员会委员
福建省转化医学实验室主要成员
临床研究多次在国际会议ASCO GI、ASCO、ESMO以壁报及口头形式展示。同时在重度癌痛止痛治疗方面治疗，获得2022年福建省抗癌协会科技奖。积极关注肿瘤领域新进展的传播，在福建省抗癌协会支持下每周在肿瘤资讯十邑论坛专栏及4个微信平台传播国际肿瘤新进展知识，获得好评。主持生自然科学基金、省卫生计生委等多项课题项目，参与多项全国多中心临床研究。在SCI源期刊、国内核心期刊发表论文数十篇。

AI擅长于从数据中学习复杂模式。越来越多来自诊断、药物、实验室检测、生命体征等医疗保健数据被记录，这些信息可以被 AI 模型汇集，为每位患者生成个性化的风险评估。此外，AI模型能够从时间序列数据中学习，而医疗保健数据本质上是与时间相关的。

以目前使用的一些模型为例。这两个模型都很强大，非常适用于处理时间序列数据（图1）。它们处理时间序列数据的方式略有不同。左边模型中有一个循环架构，将序列中的每一个时间点输入，并根据之前发生的事件来调整输出，这可以通过患者历史记录中的事件来评估风险。右侧是一个转换器式的架构，使用注意力机制，这也是大型语言模型的基础机制。它通过序列数据中的元素分配权重来实现学习，同样能够掌握信息并集中处理。

图片1.jpg

图1 不同模型机制

团队构建一个模式，试图从个体疾病轨迹或者诊断轨迹中预测胰腺癌风险。研究使用丹麦国家患者登记处的信息，包括1977年至今所有住院和门诊患者的信息，而且是一个实时更新、持续登记的状态。这个模型既可以提供个性化风险，也能够定义特定高风险人群。这个人群适合进行癌症监测。研究对输入进行建模的方式是通过采用国际疾病分类（ICD）代码。输入数据的方式是将这些诊断代码转换为嵌入向量，并加入关于时间和年龄的信息。这样模型能够知道哪些疾病代码被分配给了患者。输出建模时，没有将这个模型作为二元分类对待，只是简单地在特定时间范围内进行评估分选（图2）。

图片2.jpg

图2 胰腺癌预测模型

我们开发了一个动态模型，可以在每次向患者分配新的疾病代码时评估癌症风险，而且风险是和时间相关的。预测窗口会根据情况而变化，从3个月到60个月不等，根据癌症发生的时间模型将学习一个特定的界域函数。

模型性能方面，我们首先测试了是否使用更复杂的模型，确定了更佳性能模型。之后验证这些模型是否可以应用于临床。这需要移除提示怀疑有恶性肿瘤的诊断代码。排除数据导致性能下降，最终我们找到了3个月排除的最佳平衡点。

验证这些模型另一个关键步骤是在不同医疗保健系统上测试这些模型。我们获得了美国退伍军人数据集，将丹麦数据训练模型进行交叉应用。两个数据集存在差异，无法将丹麦数据得到的模型应用于美国退伍军人数据中。验证模型的另一个方式是建立标准纳入患者筛查。丹麦数据的相对风险是60，而美国数据是33。最后利用AI归因和特征解释方法研究了这些集成的梯度，并发现了最强风险因素。

总之，AI模型可支持设计基于癌症风险的筛查项目。在其他医疗系统中进行外部验证十分必要，纳入其他模型可能有助于更早捕获数据。在临床应用前，需要进行前瞻性验证。

大家可以自行下载对应幻灯，再配合本音频听，效果更好。

https://rs-os-lyh-dt-publicread-file-bosmetadata-prod.liangyihui.net/boss-upload/YTvoCAFx81mssdIYaHpMfA/VKTrU1YNzvQ6APvV.pptx

责任编辑：Jelly
排版编辑：xiaodong