机器学习在颌面部囊肿及肿瘤中应用的研究进展

随着人工智能在图像识别等领域的发展，其在医学中的应用逐渐得到了重视。近年来，许多研究显示机器学习在口腔医学中应用场景广泛，尤其在颌面部囊肿及肿瘤的临床诊疗中具有较大的临床价值。本文就机器学习在颌面部囊肿及肿瘤中的应用进行综述，以期为口腔颌面部疾病的诊断提供新的方法。     

基于机器学习的老年创伤性颅脑损伤预后研究

目的建立老年创伤性颅脑损伤预后模型,并分析预后的影响因素。方法收集2009年1月—2019年1月颅脑外伤患者2272例资料,其中老年组患者680例（年龄≥65岁）,非老年组1592例（年龄＜65岁）。将伤后第3个月格拉斯哥结局评分、住院天数、并发症次数作为终点指标,利用多种机器学习的算法进行两组间预后因素差异的分析。结果老年组患者与非老年组患者相比,预后更差,住院时间更长,两组间差异有统计学意义（P=0.024,P＜0.001）。老年组经过筛选,老年组患者的3个终点指标使用多层感知器模型,非老年组中格拉斯哥结局评分使用多层感知器模型,住院天数、并发症次数的预测采用C5.0决策树模型。急诊GCS、具体年龄对老年组患者的预后有更大的影响。结论老年颅脑外伤患者与年轻人所适用的机器学习模型不尽相同,老年人预后更差,年龄和急诊GCS对预后的影响可能更大。     

基于机器学习的2型糖尿病并发症预测模型研究

目的：利用统计学和机器学习方法,探究2型糖尿病并发症的影响因素,构建2型糖尿病并发症预测模型,对并发症的发生进行预测,为2型糖尿病并发症的预防和早期筛查提供理论参考。方法：以国家人口健康科学数据中心2009年的2型糖尿病患者数据为研究对象,对性别、年龄、尿常规检查和生化检查等信息进行单因素和多因素logistic回归分析,并构建XGBoost模型,进行2型糖尿病并发症的预测。结果：单因素和多因素Logistic回归模型与XGBoost模型显示,2型糖尿病并发症的发生与14项影响因素具有相关关系,模型预测准确率为82.85%。结论：模型预测的效果良好,具有一定的参考价值。     

人工智能在胰腺疾病诊断及治疗中的应用及展望

人工智能是计算机科学的一个分支,是一门新的技术科学。以强大的计算和学习能力而广泛应用于临床实践的各个领域。本文回顾了人工智能在胰腺疾病诊断及治疗中的应用,特别是在急性胰腺炎的严重程度及预后评估、胰腺癌的诊断和预后等方面。然而人工智能是以“大数据”为基础的,多中心数据库的建立仍需要我们进一步努力。此外,随着人工胰腺在糖尿病应用中的普及,人机关系在医疗实践中占的比重也会越来越大。人工智能技术将会给临床诊疗活动带来更多的便利。     

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。     

基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价

目的 评价支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)3种机器学习算法与Logistic回归在重症缺血性脑卒中30天死亡结局的预测效果。方法 使用2008年至2019年MIMIC-IV数据库中符合纳排标准的2358例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost3种机器学习算法与Logistic回归结合合成少数类过采样(SMOTE)技术建立早期死亡预测模型,并使用通过受试者工作特征曲线下面积(AUC)、准确度、F1-score、布里尔分数等指标评价预测效果。结果 SVM、随机森林、XGBoost与Logistic回归模型在原始类不平衡数据死亡预测中AUC值分别为0.78、0.81、0.84、0.83。应用SMOTE合成数据集后,SVM、随机森林、XGBoost与Logistic回归模型的AUC值分别为0.72、0.84、0.83、0.83。除SVM 外,机器学习算法与Logistic回归之间有相似的预测能力,但准确率、布里尔分数等优于Logistic回归,综合分类性能更优。结论 机器学习算法在重症缺血性脑卒中早期死亡预测中性能较传统方法更优,在解决重症患者预后预测研究问题中具有优势。     

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。     

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。     

自动乳腺全容积扫描结合机器学习在乳腺癌HER-2状态术前预测中的价值

目的 探讨自动乳腺全容积扫描(ABVS)结合不同机器学习(ML)算法术前预测人表皮生长因子受体2(HER-2)状态的价值。方法 收集乳腺癌患者202例,HER-2阳性组68例,HER-2阴性组134例,按7∶3将患者随机分为训练组(141例)、测试组(61例)。采用最小绝对收缩和选择算子(LASSO)回归降维筛选最优特征,多因素Logistic回归筛选独立危险因素,并利用支持向量机(SVM)、最近邻算法(KNN)、决策树(DT)、随机森林(RF)、极端梯度推进(XGBoost)5种不同ML算法构建预测模型。结果 肿块边界、微分叶、微钙化、血流分级、冠状面汇聚征及虫噬征、腋窝淋巴结状态为最优特征,多因素分析微钙化、血流分级、冠状面汇聚征、腋窝淋巴结状态为独立危险因素,测试组SVM、KNN、DT、RF、XGBoost的曲线下面积(area under curve, AUC)分别为0.767、0.768、0.783、0.768、0.805。结论 ABVS超声特征结合机器学习术前能够有效预测乳腺癌HER-2状态,其中XGBoost表现最突出。