人工智能在抗肿瘤药物研发中的应用与进展

随着人工智能的飞速发展以及人们对肿瘤疾病机制的认识逐渐加深,人工智能在抗肿瘤药物的研发中起到了重要作用。本文简要介绍了人工智能的主要模型及在药物研发方面的优势,并基于结构、配体、肿瘤细胞表型及电子健康记录四大方面综述了近年来人工智能在抗肿瘤药物研发中的应用与进展,并总结了人工智能应用于抗肿瘤药物研发中的机遇与挑战,以期为从事相关领域的科研技术人员提供思路与参考。     

基于人工智能和临床诊断的上肢康复评估方法研究进展

脑卒中导致患者肢体运动功能障碍或缺失,严重影响了患者的生活质量。在上肢康复治疗中,医生需要对患者的上肢进行主观康复评估,但这种方法误差大、成本高。因此,人们将人工智能技术应用到医疗康复领域。本文总结了基于s EMG信号特征、运动轨迹误差特征、关节运动角度特征、关节角速度特征的客观评估方法,以及Brunnstrom等级评价法、上田敏评价法、Fugl-Meyer量表评价法、Wolf运动功能测试评价方法等主观评估方法。最后,本文认为现有的客观评估方法普遍受到训练资料过少、特征单一等因素影响。主观评估方法普遍受到评估时间过长、易受主观影响等因素影响。未来的客观评估算法还应在算法准确性、训练资料规模、多特征融合等方面继续改进。     

基于机器学习算法的脑梗死伴颅内动脉狭窄预测模型研究北大核心CSCD

目的评价3种机器学习算法模型对脑梗死患者是否伴有颅内动脉狭窄的预测性能,为缺血性卒中诊治策略提供参考依据。方法回顾性收集自2013年1月至2019年9月喀什地区第一人民医院神经内科收治的缺血性脑卒中患者临床资料。通过特征选择筛选出脑梗死伴颅内动脉狭窄的相关因素作为预测因子,基于随机森林、决策树和神经网络3种机器学习算法建立预测模型。利用受试者工作特征曲线下面积(area under ROC,AUC)、灵敏度、准确率等指标评价3种模型对脑梗死患者是否伴有颅内动脉狭窄的预测性能。结果研究分析了2365例脑梗死患者的74种特征,通过特征选择选出23个特征作为预测因子纳入建模。决策树模型、神经网络模型、随机森林模型的AUC值分别为0.78±0.11、0.85±0.12、0.89±0.10;灵敏度依次为0.92±0.05、0.91±0.06、0.88±0.10;准确率依次为0.79±0.12、0.77±0.13、0.85±0.13。结论随机森林模型对脑梗死患者是否伴有颅内动脉狭窄的预测性能最佳,在无条件进行血管成像检查时可应用于脑梗死是否伴有颅内动脉狭窄的预测,具有一定的临床应用价值。     

基于机器学习的结直肠癌微卫星不稳定基因挖掘及其应用价值分析

背景与目的 结直肠癌（CRC）是全球第三大最常诊断的恶性肿瘤和第二大癌症死亡原因。最新指南推荐所有的CRC患者需要进行微卫星不稳定（MSI）的检测。MSI患者往往具有错配修复蛋白缺失（dMMR）。MSI/dMMR状态已被用作生物标志物预测对免疫治疗的有利反应和预后。然而MSI特征基因及其与肿瘤浸润的免疫细胞的关系未进行阐述。因此本研究通过使用机器学习的方式发掘CRC中新型的MSI特征基因,并且验证其的诊断价值及其与免疫细胞浸润的关系。方法 按照纳入排除标准,将GEO数据库中GSE39582数据集作为训练集,将TCGA数据库中COAD数据集作为外部验证集。使用机器学习的方法（LASSO回归、SVM-RFE算法）,在GSE39582结直肠癌数据集中筛选MSI特征基因,并在TCGA结直肠癌数据中进行验证。采用受试者工作特征（ROC）曲线和曲线下面积（AUC）评价基因对MSI的诊断效能。CIBERSORT算法评估肿瘤样本浸润的免疫细胞成分,Spearman相关性分析验证MSI特征基因和免疫细胞的关系。结果 训练集共纳入536例CRC患者,其中高频MSI（MSI-H）77例（14.37%）。在验证集中,共计389例CRC患者,其中MSI-H 67例（17.22%）。基线资料分析显示,MSI-H/dMMR CRC的TNM分期存活率优于低频MSI（MSI-L）或微卫星稳定（MSS）/错配蛋白完整（pMMR）CRC（P<0.05）。在GSE39582数据集中,LASSO回归筛选MSI特征基因21个,SVM-RFE算法筛选基因6个,结合两种算法确定MSI特征基因为EIF5A、CXCL13、HNRNPL、HOXC6、RPL22L1、Y16709。在TCGA数据库中进一步验证MSI特征基因的诊断效能,研究发现EIF5A的诊断效能最高。在训练集和验证集中,EIF5A的AUC值分别为0.922和0.805。同时,Spearman相关性分析发现,EIF5A主要与CD8⁺T细胞,活化的树突状细胞,辅助性T细胞,M1型巨噬细胞,γδT细胞,中性粒细胞成正相关;与CD4⁺记忆性T细胞,M2型巨噬细胞,静止树突状细胞,嗜酸性粒细胞,调节性T细胞呈负相关。结论 CRC的新型MSI特征基因分析结果表明,EIF5A对CRC MSI的诊断具有较好的诊断作用和临床价值,同时提示EIF5A与免疫细胞及免疫微环境相关。因此,EIF5A可能成为免疫检查点治疗的新型标志物。     

机器学习在医学中的应用现状

人工智能在近年来已广泛应用于社会各个领域,取得巨大成就。但公众对人工智能的认知仍存在一定误区,笔者就人工智能的当前定义、主要思想及方法做了简要回顾;对当前主流的人工智能技术——机器学习及不足做简要介绍。介绍当前人工智能在医学领域中的应用。相信随着技术的进步,在可见的未来,人工智能将作为医师的强有力的助手,减轻医师负担,减少误诊、误治,提高医疗救治水平。     

机器学习算法在肝细胞癌微血管侵犯术前预测中的应用价值

目的探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料;男235例,女42例;年龄为(56±10)岁,年龄范围为33~80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图,支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标:(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以±s表示,组间比较采用配对t检验。计数资料以绝对数表示,组间比较采用χ2检验。单因素和多因素分析采用Logistic回归模型。结果(1)训练集及验证集患者临床病理资料分析:训练集和验证集患者性别(男,女)分别为157、36例和78、6例,两组比较,差异有统计学意义(χ2=6.028,P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析:训练集193例患者中,MVI阳性108例,MVI阴性85例。单因素分析结果显示:年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比=0.971,2.449,1.368,4.050,2.956,4.083,2.532,1.996,95%可信区间为0.943~1.000,1.169~5.130,1.180~1.585,1.316~12.465,1.310~6.670,2.214~7.532,1.016~6.311,1.323~3.012,P<0.05)。多因素分析结果显示:AFP>20μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比=3.680,3.100,1.438,3.628,95%可信区间为1.842~7.351,1.334~7.203,1.201~1.721,1.438~9.150,P<0.05),而年龄越大,MVI发生风险越低(比值比=0.958,95%可信区间为0.923~0.994,P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较:①应用多因素分析结果筛选指标,包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界,构建逻辑回归列线图,SVM、RF、ANN及LightGBM机器学习算法预测模型,一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815,SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.731~0.849,0.744~0.860,0.752~0.867,0.747~0.862,Z=0.995,0.245,0.130,0.102,P>0.05)和(95%可信区间为0.690~0.873,0.679~0.865,0.702~0.882,0.715~0.891,Z=0.325,0.026,0.744,0.803,P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序,选择重要度>0.01的指标,包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ-谷氨酰转移酶、ALP和纤维蛋白原,构建RF机器学习算法预测模型;挑选重要度>5.0的指标,包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原,构建LightGBM机器学习算法预测模型;由于ANN及SVM机器学习算法不具备筛选指标能力,应用单因素分析结果筛选指标,包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平,构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836,分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.740~0.857,0.779~0.887,0.729~0.848,0.789~0.895,Z=0.421,0.119,0.689,1.517,P>0.05)和(95%可信区间为0.710~0.888,0.700~0.881,0.701~0.881,0.740~0.908,Z=0.856,0.458,0.532,1.306,P>0.05)]。结论机器学习算法可用于术前预测肝细胞癌MVI,但其应用价值尚需多中心大样本数据进一步验证。     

中文专利文档关键词自动提取方法研究进展

专利是一种包含学术、商业、法律等信息的科技文献,记录了大量新颖、实用的研究成果,近年来关注度不断提高。利用共词分析、文本聚类等方法对专利文献进行信息分析时,往往需要借助关键词提取技术达到降低数据复杂度、过滤噪声的目的。关键词提取技术多数基于统计规律。本文对基于词频、关联信息和多特征的关键词提取方法研究进展进行了总结,介绍了常用的分别以TF-IDF、熵、词汇链、TextRank、遗传算法、决策树学习、朴素贝叶斯分类器、支持向量机等为主导的方法。另外,本文还总结了在专利文档关键词提取中可能用到的词频、位置、语义、关联、自身等方面的特征。实际应用中,关键词自动提取技术可作为一种有力的辅助手段,降低数据处理过程中的人力和时间成本。     

基于中医核心思维的机器学习医用诊疗系统设计

当前,中医凭借其独特的理论和无可比拟的临床疗效已经得到世界范围内的广泛认可。远观未来10年,中医药将与我们的日常生活连接的更为紧密。"基于中医核心思维的机器学习医用诊疗系统"以目前医疗单位的一般工作流程为基础,以中医"辨证施治"的核心思想为指导,从虚拟病人入院检查开始囊括了完整的诊疗过程,将同一病人的不同病症独立考察与中医诊病"因、位、性、势"诊断方式相结合,采用人在回路的动态诊疗方式,以中医自学习专家系统为核心,采用反馈神经网络算法完成了专家系统的机器学习功能,以期实现中医专家知识最大限度临床应用与自我更新,推动中医事业的发展。     

人工智能在眼科疾病诊疗的应用现状

近年来，人工智能（artificial intelligence，AI）在医学领域的应用范围不断扩大，已成为医疗行业关注的焦点，在心血管疾病、乳腺癌、皮肤癌、糖尿病视网膜病变、白内障、青光眼及早产儿视网膜病变等诊疗中均有新进展。本综述旨在了解AI在眼科领域的应用现状、优势、进展及不足，为AI在眼科领域的进一步应用及推广提供更多信息。     

基于迁移学习的2型糖尿病风险预测方案设计

提出了一种基于迁移学习的2型糖尿病风险预测方案，使用2型糖尿病发病相关危险因素作为原始糖尿病预测建模特征，对原有的糖尿病风险预测模型进行了优化，帮助医疗欠发达地区通过该模型实现对2型糖尿病的有效监测和防护。