首页 > 文章详情

精准医疗的未来——AI在卵巢癌诊断与治疗中的突破性进展

2024年06月09日

整理：肿瘤资讯

来源：肿瘤资讯

在医学领域，人工智能（AI）的应用正日益成为提高诊断准确性、个性化治疗方案设计和预后评估的关键技术。最近，由福建医科大学附属第二医院的吕国荣教授、李鲁宏教授团队进行的一项研究，深入探讨了AI在卵巢癌（OC）诊断、分型及预后评估中的应用，为我们揭示了AI技术在提升卵巢癌管理中的潜力^[1]。该研究于2024年1月发表在ONCOLOGY REPORTS 上，为我们提供了一个关于AI如何助力实现精准医疗的全面视角。

研究背景

OC是女性生殖系统中最常见的恶性肿瘤，尽管治疗有所进展，但晚期OC患者治疗后70%复发，生存率极低^[2]。2020年，全球新诊断OC病例约31.4万，死亡约20.7万^[3]。OC主要源自上皮细胞，分为浆液性和粘液性亚型。WHO基于遗传谱系将上皮性OC（EOC）分为I型和II型，I型包括低级别浆液性癌等，通常手术治疗效果较好，而II型EOC对化疗反应较差，预后不佳。

AI是计算机科学的一个重要分支，在医学研究的多个领域发挥着重要作用，包括成像、病理学、基因组学、转录组学、蛋白质组学和代谢组学。近年来，基于AI的多组学研究已经广泛开展，重点关注OC的诊断、良恶性肿瘤的分化以及病理分类、药物疗效和预后的预测。研究人员已经研究并回顾了AI在OC中的临床应用。然而，以往的研究大多局限于基于医学图像的内容讨论，没有详细阐述基于病理学、基因组学、转录组学和其他组学技术的其他组学技术。此外，大多数前述研究仅限于评估AI在单组学中应用的价值。本研究提供了AI在影像组学和其他组学应用中的全面回顾。

影像组学在卵巢癌诊断中的应用

影像组学是一种从医学影像中提取大量高通量图像特征的非侵入性方法，这些特征与肿瘤的病理生理学有关。在OC的诊断中，影像组学已被证明是一种方便、经济的工具，对于妇科疾病的诊断、肿瘤分期和基因型预测以及预后评估具有重要价值。

影像组学的主要步骤包括医学影像获取、图像分割、特征提取、特征筛选和模型构建（图1）。常用的影像获取方法包括计算机断层扫描（CT）、磁共振成像（MRI）、正电子发射断层扫描（PET）和超声。图像分割通常涉及自动、手动和半自动方法，以确定感兴趣区域（ROI）。特征提取则涵盖了肿瘤形态学、一阶、二阶和高阶特征，这些特征可以反映肿瘤的形状、大小、血管分布及其与周围组织的关系。

图1. 影像组学流程图，影像组学的过程包括图像采集、ROI分割、特征提取、特征筛选、模型建立等

在OC的影像组学研究中，AI的应用已经开始标准化和简化诊断过程。AI可以模仿人脑的认知行为，从图像中提取信息，用于特征筛选和模型构建。机器学习（ML）是医疗AI的核心，包括监督学习、无监督学习和强化学习。深度学习（DL）作为ML的一个子集，通过多个人工神经网络解决复杂问题，能够自动识别数据中的特征，避免手动特征选择（图2）。

图2. AI算法的关系

影像组学、ML和DL不是独立的个体，但在大多数情况下错综复杂地交织在一起。影像组学的建模过程通常依赖于 DL。目前，人工智能已被广泛应用于疾病的诊断、良恶性肿瘤的鉴别以及治疗效果的预测（图3）。

图3. 人工智能在组学中的应用。人工智能广泛应用于影像组学、病理组学、基因组学、转录组学、蛋白质组学和代谢组学。这些组学可用于多种临床应用，包括鉴别诊断、病理分类、预测基因状态、肿瘤转移、预后和药物反应

不同病理亚型的预测

AI技术通过分析医学影像数据，辅助医生对OC进行更准确的亚型分类。例如，通过超声图像分析，AI模型能够区分I型和II型EOC，这对于选择合适治疗方案和预测治疗效果至关重要。研究表明，基于超声的影像组学模型在预测EOC不同病理亚型方面具有较高的准确性，通过LASSO回归筛选出关键特征，建立了具有满意预测效率的模型。

预测基因的突变状态

在基因突变状态预测方面，AI同样展现出巨大潜力。由于OC患者的治疗反应与基因突变状态密切相关，如BRCA基因突变与对铂类药物的敏感性增加有关，因此准确预测基因突变状态对于个性化治疗至关重要。AI模型通过分析CT图像提取的纹理特征，成功预测了与OC患者预后相关的基因状态，并且与BRCA突变状态无显著相关，这可能归因于评估的患者数量较少。此外，通过分析PET/CT图像，AI模型还能预测OC中Ki-67的状态，这可能成为一个新的标志物，用于替代Ki-67的检测。

预测药物治疗的疗效和预后

在药物疗效预后评估方面，AI技术通过分析病理图像和临床数据，预测OC患者对特定药物的治疗反应。例如，基于全切片成像（WSI）的深度学习模型能够有效区分对铂类药物不同反应的OC患者，展现出高敏感性和特异性。此外，AI模型还能够预测贝伐珠单抗等药物的治疗效果，为OC的个体化治疗提供了有力的工具。

多组学数据整合在卵巢癌研究中的应用

除了影像组学，AI技术还被用于整合基因组学、转录组学、蛋白质组学和代谢组学等多组学数据，以探索疾病的发生和发展。

在基因组学方面，AI技术被用于分析多组学的OC数据，通过整合不同数据集和使用去噪自编码器框架来识别OC亚型。研究显示，这种方法能够有效地在分子水平上识别OC亚型，并筛选出与特定分子亚型相关的靶标基因和KEGG通路。此外，循环肿瘤DNA（cfDNA）的甲基化分析也通过AI模型用于OC的诊断，显示出高准确度。

在转录组学领域，AI被用来筛选与OC发生相关的微小RNA（miRNAs），这些miRNA可能参与癌细胞的上皮-间充质转化过程以及肿瘤的异质性和适应性过程。通过机器学习模型，基于血清miRNA谱的OC诊断模型展现出良好的诊断性能。
在代谢组学方面，AI被用于分析血清样本中的代谢物，筛选出与OC相关的代谢物，并通过结合风险算法显著提高了OC早期诊断的性能。

结论与未来展望

AI在OC的诊断、鉴别和预后预测方面展现出了令人满意的成效。结合AI模型和传统临床诊断可以提高诊断的准确性和效率，未来可能会改善诊断系统。此外，病理分型和基因状态的预测可能成为一种“虚拟活检”，减少未来对患者的侵入性检测需求。

尽管AI在OC管理中具有潜力，但其临床应用面临一些挑战，包括多组学数据整合的不足和AI算法的单一性。未来研究需要通过多中心、大样本量的验证来增强AI模型的普适性和有效性，并持续优化算法。目前，AI模型主要应用于甲状腺、乳腺和肝脏疾病，而对OC等其他疾病的应用还处于早期阶段。AI的进一步发展将对精准医疗产生重要影响，有望在OC治疗和管理中发挥关键作用。

参考文献

[1] Wang Y, Lin W, Zhuang X, Wang X, He Y, Li L, Lyu G. Advances in artificial intelligence for the diagnosis and treatment of ovarian cancer (Review). Oncol Rep. 2024 Mar;51(3):46.
[2] Allemani C, Weir HK, et al. Global surveillance of cancer survival 1995–2009: Analysis of individual data for 25,676,887 patients from 279 population-based registries in 67 countries (CONCORD-2) Lancet. 2015;385:977–1010.
[3] Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, Bray F. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2021;71:209–249.

声明：材料由阿斯利康支持，仅供医疗卫生专业人士参考

审批号：CN-136028

责任编辑：肿瘤资讯-Elva
排版编辑：肿瘤资讯-Rex