1. 首頁 > 生活雜燴 > 健康養生 > >

RCC文獻月評第六期——專家領讀腎癌領域最新文獻及研究進展( 三 )


目的：在本項研究中開發并評估了一種可預測ccRCC患者預后的多模態深度學習模型（MMDLM) 。
實驗設計與參與者：將非轉移和轉移性ccRCC患者分為兩組：（1）第一組是癌癥基因圖譜組（TCGA組） ， 包括來自TCGA數據庫的230名ccRCC患者 。 （2）第二組是美因茨組（外部驗證組） ， 包括來自美因茨大學醫學中心的18名ccRCC患者 。 應用MMDLM模型對每一名患者的組織病理學顯微圖像數據、CT/MRI影像數據以及外顯子組測序基因組數據都進行了綜合處理與分析 。
結果驗證和與統計分析：結果驗證包括Harrell的一致性指數（C-index）和預測5年生存狀態的各種性能參數（5YSS) 。 使用了多種可視化技術使模型更易被理解 。
結果：MMDLM對ccRCC患者預后的預測效果較好 ， 患者平均C-index為0.7791 ， 平均準確率為83.43% 。 與單一來源數據相比 ， 對多來源的數據進行綜合分析具有更好的結果 。 另外 ， MMDLM的預測是一個優于其他臨床參數的獨立預后因素 。
結論：多模態深度學習有助于ccRCC患者預后的預測 ， 并可能有助于指導該疾病的臨床管理 。
總結：基于人工智能的計算機程序可以同時分析各種醫療數據（組織病理學顯微圖像數據、CT/MRI影像數據以及外顯子組測序基因組數據） ， 從而預測腎癌患者的生存時間 。

RCC文獻月評第六期——專家領讀腎癌領域最新文獻及研究進展
文章圖片
【專家點評】
腎癌是泌尿系統致死率最高的惡性腫瘤 ， 目前臨床上有一些可以預測ccRCC患者預后的實用工具 ， 包括加州大學洛杉磯分校的綜合分期系統（UISS）和國際轉移性腎癌數據庫聯盟的風險模型（IMDC）等 ， 但是這些工具包含的信息有限并且使用操作繁瑣 。 這項來自美因茨大學醫學中心病理研究所的研究開發了一個基于人工智能（AI）的多模態深度學習模型（MMDLM） ， 其可以同時分析各種醫學數據 ， 包括CT/MRI圖像 ， 基因組數據和醫學顯微圖像等 ， 從而預測ccRCC患者的生存時間 。 該模型的優勢主要體現在：1.整合了多種的組織病理學和放射學影像資料以及經全外顯子組測序的遺傳信息 ， 盡可能利用更多的信息進行分析提高模型預測的準確率；2.該模型可將ccRCC患者分為低風險或高風險 ， 在預測患者預后的同時還可指導患者的后續醫療方案；3.模型還具有可視化技術可直觀顯示相關結果 。
隨著科技的發展 ， AI已經運用到了我們生活的方方面面 。 目前“AI+醫療”已成為了越來越多的研究聚焦點 。 這項研究向我們展示了AI深度學習通過大批量地處理高維數據在預測ccRCC患者預后中的優勢 。 當然 ， 目前AI在腫瘤領域的應用尚處于初步探索階段 ， 其具體應用還有待不斷深入研究 。

RCC文獻月評第六期——專家領讀腎癌領域最新文獻及研究進展
文章圖片
圖3：患者隊列、臨床示例和MMDLM概述

RCC文獻月評第六期——專家領讀腎癌領域最新文獻及研究進展
文章圖片
圖4：MMDLM在ccRCC中對預后預測的評估
參考文獻：
1.ChadTang,PavlosMsaouel,KiekoHara,etal.Definitiveradiotherapyinlieuofsystemictherapyforoligometastaticrenalcellcarcinoma:asingle-arm,single-centre,feasibility,phase2trial.TheLancetOncology,2021.22(12):1732-1739.
2.C.Ciccaresea,etal.EfficacyofVEGFR-TKIsplusimmunecheckpointinhibitorsinmetastaticrenalcellcarcinomapatientswithfavorableIMDCprognosis.CancerTreatmentReviews100(2021)102295.
3.Schulz,Stefan,etal.MultimodalDeepLearningforPrognosisPredictioninRenalCancer.Frontiersinoncology11(2021):788740
點評專家介紹
副主任醫師 ， 醫學博士 ， 碩士研究生導師
國家公派訪美學者
中山大學孫逸仙紀念醫院泌尿外科腫瘤亞?？聘敝魅?/p>