Registries,Databases and Repositories for Developing Artificial Intelligence in Cancer Care

Modern artificial intelligence techniques have solved some previously intractable problems and produced impressive results in selected medical domains. One of their drawbacks is that they often need very large amounts of data. Pre-existing datasets in the form of national cancer registries, image/genetic depositories and clinical datasets already exist and have been used for research. In theory, the combination of healthcare Big Data with modern, data-hungry artificial intelligence techniques should offer significant opportunities for artificial intelligence development, but this has not yet happened. Here we discuss some of the structural reasons for this, barriers preventing artificial intelligence from making full use of existing datasets, and make suggestions as to enable progress. To do this, we use the framework of the 6Vs of Big Data and the FAIR criteria for data sharing and availability (Findability, Accessibility, Interoperability, and Reuse). We share our experience in navigating these barriers through The Brain Tumour Data Accelerator, a Brain Tumour Charity-supported initiative to integrate fragmented patient data into an enriched dataset. We conclude with some comments as to the limits of such approaches.     

下一代诊断病理学

随着人类基因组测序、生物大数据信息分析、分子病理检测和人工智能辅助病理诊断等技术进步及其应用, 临床医学发展迈向精准诊疗时代。这一时代背景下, 传统诊断病理学迎来前所未有的历史机遇, 正在向"下一代诊断病理学(next-generation diagnostic pathology)"迈进。下一代诊断病理学以病理形态和临床信息为诊断基础, 以分子检测与生物信息分析、智慧制样与流程质控、智能诊断与远程会诊、病灶活体可视化与"无创"病理诊断等创新前沿交叉技术为主要特征, 以多组学和跨尺度整合诊断为病理报告内容, 实现对疾病的"最后诊断", 并预测疾病演进和结局、建议治疗方案和评估治疗反应, 形成新的疾病诊断"金标准"。未来, 需要激发病理学科创新活力, 加快下一代诊断病理学成熟和应用, 重塑病理学科理论和技术体系, 发挥诊断病理学在疾病"防、诊、治、养"等过程中的重要作用, 促进临床医学进一步发展, 服务健康中国战略。     

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。     

基于人工智能的骨龄辅助评价系统对四川地区完全性生长激素缺乏症患儿骨龄研究

目的探讨采用基于"人工智能(AI)的骨龄辅助评价系统(上海初云医疗科技有限公司与四川大学华西第二医院合作开发)"(以下简称为AI系统)对完全性生长激素缺乏症(CGHD)患儿诊断及骨龄评价准确性。 方法选择2014年7月至2019年11月，于四川大学华西第二医院确诊的66例来自四川地区CGHD患儿为研究对象，纳入研究组。选择同期于病例收集医院儿童保健科进行骨龄测定的67例来自四川地区身高达标儿童作为对照，纳入对照组。对每例受试儿进行左手腕关节正位X射线摄片骨龄测定，由2位医师采用《TW₂骨龄评分法中国未成年人南方标准》(以下简称为TW₂CHN)》与《TW₃骨龄评分法标准》(以下简称为TW₃)，盲法评价受试儿TW₂CHN-桡、尺、掌指骨(RUS)与TW₂CHN-腕骨(carpal)、TW₂CHN-20、TW₃-RUS及TW₃-carpal骨龄(以下简称为5种传统骨龄)，以及以同性别、年龄身高达标儿童5种传统骨龄为标准，计算受试儿5种传统骨龄百分位数。同时，采用AI系统分别对每例受试儿采取TW₂CHN与TW₃法，评价其AI-TW₂CHN-RUS、AI-TW₂CHN-carpal、AI-TW₂CHN-20、AI-TW₃-RUS及AI-TW₃-carpal骨龄(以下简称为5种AI骨龄)及其相应百分位数。以上述5种传统骨龄＋5种AI骨龄(以下简称为10种骨龄)相应的P₅₀、P₂₅、P₁₀、P₃值(统称为P_n值)作为诊断CGHD患儿临界值，分别计算其诊断CGHD患儿的敏感度、特异度、约登(Youden)指数、准确率、阳性似然比、阴性似然比、阳性预测值、阴性预测值。采用Kappa值评价2组受试儿5种传统骨龄百分位数与对应的5种AI骨龄百分位数评价结果的一致性，以及2位医师对2组受试儿TW₂CHN-RUS骨龄百分位数评价结果一致性。绘制上述10种骨龄百分位数诊断CGHD患儿的受试者工作特征(ROC)曲线，并计算曲线下面积(AUC)。采用配对t检验，对2组受试儿TW₂CHN骨龄与TW₃骨龄进行比较。本研究遵循的程序符合2013年新修订的《世界医学协会赫尔辛基宣言》要求。2组受试儿年龄、性别构成比等一般临床资料比较，差异均无统计学意义(P>0.05)。 结果①采用10种骨龄的P_n值分别作为诊断CGHD临界值，对133例受试儿CGHD诊断结果显示，除了TW₃-RUS骨龄中，以骨龄≤P₁₀作为诊断CGHD患儿临界值时的诊断准确率最高(85.0%)，TW₂CHN-RUS、TW₂CHN-carpal、TW₂CHN-20、TW₃-carpal、AI-TW₂CHN-RUS、AI-TW₂CHN-carpal、AI-TW₂CHN-20、AI-TW₃-carpal、AI-TW₃-RUS骨龄中，均为以骨龄≤P₂₅作为临界值时，对CGHD的诊断准确率最高，分别为81.9%、75.2%、88.0%、78.2%、75.2%、73.6%、81.2%、72.9%、78.9%。②一致性检验结果显示，2组受试儿TW₂CHN-RUS与AI-TW₂CHN-RUS、TW₂CHN-carpal与AI-TW₂CHN-carpal、TW₂CHN-20与AI-TW₂CHN-20、TW₃-RUS与AI-TW₃-RUS、TW₃-carpal与AI-TW₃-carpal骨龄百分位数评价结果均为中等一致性，Kappa值分别为0.445、0.578、0.570、0.446、0.430(均为P<0.001)。③对2位医师对2组受试儿TW₂CHN-RUS骨龄百分位数评价结果进行一致性检验显示，其Kappa值为0.790(P<0.001)，一致性较高。④绘制10种骨龄百分位数评价结果诊断CGHD的ROC曲线分析结果显示，TW₂CHN-RUS、TW₂CHN-carpal、TW₂CHN-20、TW₃-carpal、TW₃-RUS、AI-TW₂CHN-RUS、AI-TW₂CHN-carpal、AI-TW₂CHN-20、AI-TW₃-carpal、AI-TW₃-RUS骨龄百分位数诊断CGHD患儿的AUC分别为0.932、0.859、0.915、0.895、0.844、0.823、0.805、0.866、0.860、0.764(均为P<0.001)。⑤133例受试儿的TW₃-RUS、TW₃-carpal、AI-TW₃-RUS、AI-TW₃-carpal骨龄，均分别显著低于TW₂CHN-RUS、TW₂CHN-carpal、AI-TW₂CHN-RUS、AI-TW₂CHN-carpal骨龄，并且差异均有统计学意义(t＝21.746、25.287、16.498、9.290，P<0.001)。 结论TW₂CHN法、TW₃法对CGHD患儿骨龄评价及诊断均有临床价值，TW₂CHN-RUS骨龄对于CGDH患儿诊断效能高。四川地区儿童TW₃骨龄较TW₂CHN骨龄低，TW₃法可能不完全适用于四川地区儿童骨龄评价。AI系统对于四川地区CGHD患儿骨龄评价结果与传统骨龄评价结果具有中等一致性，可为临床医师评价受试儿骨龄提供帮助。     

Bench to bedside: recent advances in lung cancer pathological research with implications for diagnostic clinical practice

After decades of relative stagnation lung cancer is emerging as a disease type where rapid progress is being made in diagnosis and therapy, as well as in our understanding of disease biology. Much of this progress is of immediate impact to diagnosticians, and more is likely to affect diagnostic practice in the near future. In this review we seek to briefly summarize several key areas of active research of immediate or probable imminent value to trainee and consultant pulmonary pathologists alike. We cover some major changes in tumour classification, grading, and patient stratification, as well as considering the state of the art in machine-assisted interpretation of lung cancer histology, and the use of genetically modified lung cancer models.     

基于LDA模型的中医药人工智能领域主题演化分析＊

目的 梳理总结中医药人工智能领域近40年的研究情况，分析该领域研究主题演化过程，发现热点主题和研究前沿。方法 本研究检索了CNKI和WOS中中医药人工智能领域的文献，根据生命周期理论划分不同时间片，将文献摘要作为研究对象，采用LDA主题模型挖掘文本主题，分析主题的演化过程，识别热点主题。结果 纳入中英文文献2750篇，根据生命周期理论划分中医药人工智能领域发展阶段，分别建立全局和各阶段的LDA模型，挖掘出全局热点主题有中医专家系统、中医辅助诊断系统、中医药数据挖掘等，发现主题演化路径并进行可视化展示。结论 中医药与人工智能主要的结合点在中医智能系统、中医药知识组织和中医智能诊疗机器人这3方面，这3个方向的研究均离不开神经网络技术的支持，同时也结合了关联规则发现、复杂网络研究等方法。