![图1所示。从数据输入、特征提取、选择和模型构建等方面概述工作流程。信贷:DOI: 10.3233 / cbm - 210201](http://www.alohadebbie.com/sites/default/files/styles/content_large/public/AI.jpeg?itok=6QE6C7UI)
图1所示。从数据输入、特征提取、选择和模型构建等方面概述工作流程。信贷:DOI: 10.3233 / cbm - 210201
2022年3月2日人工智能(AI)、深度学习(DL)和机器学习(ML)已经改变了许多行业和科学领域。现在,这些工具正被应用于解决癌症生物标志物发现的挑战,其中大量的图像和分子数据的分析超出了传统统计分析和工具的能力。在一个特殊的问题的癌症生物标记物,研究人员提出了各种方法,并探索了使用AI、DL和ML来提高癌症和其他疾病的生物标志物的准确性和预测能力的一些独特挑战。
“生物标志物领域拥有大量的成像和基于分子的数据,同时,由于数据太多,没有人能够理解所有的数据,”客座编辑Karin Rodland博士解释道,太平洋西北国家实验室,Richland;俄勒冈健康与科学大学,美国俄勒冈州波特兰市。“人工智能为这个问题提供了一个解决方案,它有可能发现新的相互作用,更准确地反映癌症和其他疾病的生物学特性。”
本杂志介绍了AI、DL和ML的应用前景,包括识别早期癌症,推断特定癌症的位置,帮助为每个患者分配适当的治疗方案,描述肿瘤微环境,预测对免疫治疗的反应。
关于使用人工智能方法识别卵巢癌和胰腺癌生物标志物的文献的全面综述阐明了基本原则,并从整体上审视了该领域面临的差距和挑战。卵巢癌和胰腺癌很罕见,但致命,因为它们缺乏早期症状和检测。首席研究员Juergen A. Klenk博士,位于美国弗吉尼亚州阿灵顿的德勤咨询有限公司生物医学数据科学实验室,和他的同事描述了使用AI和ML分析疾病早期检测图像的研究,以及可以用来预测患者可能结果的模型。讨论了一些挑战,例如收集足够大的数据集的困难。
“当训练算法的数据不具代表性或不完整时,算法就会产生偏见,并产生偏见反应,”克伦克博士说。研究人员建议,要对生物标志物发现产生真正的影响,需要开发跨机构的更大、更多样化的罕见癌症图像数据库,标准化的报告方法,以及增加用户信任的更容易理解的界面。
首席研究员李德标博士,美国加州洛杉矶Cedars-Sinai医学中心生物医学成像研究所博士,和他的同事们开发了一个模型来识别有患糖尿病风险的个体胰腺导管腺癌(PDAC)。PDAC与许多前置条件异常相关,这些异常可以在电脑断层摄影术(CT)扫描,但这些很难通过视觉评估来理解。在他们的研究中,研究人员使用确诊PDAC患者的CT扫描和诊断前6个月到3年做过CT扫描的同一患者的CT扫描,以确定一组可能预测PDAC的CT特征。使用识别的CT特征,该模型对患者和健康对照组进行分类的准确率为86%。
“人工智能对胰腺癌研究进展的挑战是,由于患病率低,数据稀缺。这个概念验证模型的目的是鼓励研究人员建立一个更大的数据集,用于广泛的训练和模型的验证,”李博士说。
Radiomics是利用各种技术从医学影像中提取特征的一个新兴领域。放射学特征可以量化肿瘤的强度、形状和异质性,并已应用于肿瘤的检测、诊断、治疗反应和预后。首席研究员宋少丽博士(上海医学院和复旦大学,中国)和王力生博士(上海交通大学,中国)及其同事结合了早期宫颈鳞癌患者术前正电子发射断层扫描(PET)和CT图像的放射学数据。他们使用算法开发出一种能够预测无病生存的预后特征。
他们观察到:“这个模型可以提供关于潜在复发和转移的更准确的信息,并有助于决策。”
特刊中的其他论文关注于开发新的计算工具,以促进人工智能在生物标志物识别中的应用;利用全细胞成像和免疫荧光技术识别胰腺肿瘤的免疫特征,提供预后信息;使用microrna和应用机器学习来识别与胃肠道间质瘤相关的miRNA谱;并利用多组学数据集的层次聚类来识别结肠癌患者的抗肿瘤免疫特征。
Rodland博士补充说,本期特刊中的文章只是生物标志物研究中使用AI、DL和ML的各种方法的一个小样本。“目前仍然迫切需要更有效的策略来改善癌症的早期检测。在乳腺癌、肺癌、前列腺癌和宫颈癌的成像和非成像数据的解释中,先进的人工智能系统已被证明可以提高敏感性和特异性。”
更多信息:www.iospresscom