值得收藏!神刊CA(IF=224)全面分析:AI技术在癌症中的应用!

免疫组化抗体神器

好评必备! 免费下载

  今天,我们要分享的是,神刊CA(IF=224)上发表的一篇关于人工智能(AI)与癌症的重磅综述文章,这篇文章回顾了AI应用于癌症医学成像的当前现状,并概括4种癌症(肺癌,脑癌,乳腺癌和前列腺癌)的进展,以说明如何解决常见的临床问题。
  该文章表明:尽管截至目前,大多数评估肿瘤学中AI应用的研究尚未得到再现性和普遍性的有效验证,但是,目前科学家们正在越来越努力的将AI技术推向临床应用,这将对未来的癌症护理造成重大影响。
值得收藏!神刊CA(IF=224)全面分析:AI技术在癌症中的应用!
  尽管医疗技术有所改进,但癌症的准确检测、表征和监测仍存在诸多挑战。疾病的放射学评估通常依靠视觉评估,通过高级计算分析来加强。AI可以使图像的初始处理过程自动化,改变检测的临床工作流程,和决定是否采取管理干预,以及对随后一系列尚未发生的设想情况的监测。
  AI有望对癌症成像的定性方面取得重大突破,包括随时间推移肿瘤的体积大小和轮廓测定、从其放射学表型推断肿瘤基因型和生物学过程、预测临床结果、评估疾病和治疗对邻近器官的影响。
  AI在癌症成像中的应用
  随着对医疗保障服务需求的不断增加以及每天并行流产生的大量数据,临床工作流程的优化和简化变得越来越重要。AI擅长识别含有复杂图案的图像,因此,AI提供了一种可将图像的判断从纯粹的主观定性转为毫不费力的可量化的机会。
  此外,AI可以量化人眼无法看到的图像信息,从而进一步辅助临床决策。AI还可以将多个数据流聚合成功能强大的涵盖放射线图像、基因组学、病理学、电子健康记录和社交网络的集成诊断系统。
  在癌症成像中,AI在肿瘤的检测、表征和监测方面具有很大的实用性。(如下图所示)
值得收藏!神刊CA(IF=224)全面分析:AI技术在癌症中的应用!
  即:
  检测异常; 指放射线照片中感兴趣对象的定位,即计算机辅助检测(CADe),基于AI的检测工具可用于减少观察性疏忽,并作为初筛以防遗漏。
  通过定义其形状或体积,组织病理学诊断,疾病阶段或分子谱来表征疑似病变;
  监测期间随时间确定预后或对治疗的反应。
  除了为临床医生提供辅助信息以外,AI在临床决策阶段也被证明了其实用性。
  基于AI的集成诊断将分子和AI信息与基于图像的发现相结合,为结果增加了丰富的智能性并使决策更加明智。在临床诊断中,上述AI措施有望增强目前的临床工作流程(如下图所示)。
值得收藏!神刊CA(IF=224)全面分析:AI技术在癌症中的应用!
  传统治疗中,需要对肿瘤患者的肿块进行初步放射学诊断,根据临床因素和患者情况进行治疗或观察,在经过一段时间,获得组织进行明确的组织病理学诊断和分子基因分型后确定临床结果。
  相比之下,基于AI的措施提供了在肿瘤治疗的不同阶段增加临床工作流程和决策的潜力,且其结果的持续反馈和优化可以进一步完善AI系统。
  肺癌图像
  医学成像和AI通过区分良性和恶性结节在改善肺癌的早期检测和表征方面发挥重要作用。由于早期阶段通常是可以治愈的,因此可以大大改善患者的治疗效果,减少过度治疗,甚至挽救生命。
  此外,AI还可以增强肺癌分期和治疗选择,以及监测治疗反应。
值得收藏!神刊CA(IF=224)全面分析:AI技术在癌症中的应用!
  如上图显示了AI在肺癌筛查中检测偶发性肺结节的临床应用:成像分析显示,在初步检测到偶发性肺结节和区分惰性肺癌和侵袭性肺肿瘤时,AI可预测患肺癌的风险。
  AI评估靶向治疗和免疫疗法
  AI的优势非常适合克服当前一代靶向和免疫疗法带来的挑战,可产生明显的临床益处。
  越来越多的证据表明,AI可以通过识别与反应相关的放射性生物标志物来评估免疫疗法的效果;定量成像数据的AI分析还可以改善对靶向治疗的响应的评估;AI通过其表征肿瘤图像中复杂模式的能力提供了高度客观性。
  CNS肿瘤成像
  AI可以通过改进胶质瘤术前分类且超出人类专家提供的范围来提高当前标准诊断成像技术的效用。
  例如,AI已经应用于术前MRI的研究,通过使用从空间共同注册的多模式MRI获得的图像纹理特征,训练机器学习分类器来区分低级别和高级别肿瘤以及个体WHO等级。
  使用具有特定肿瘤亚型的预选患者群体训练AI算法,将诊断模型集成到临床工作流程中仍然具有一定的挑战性。
  乳腺癌成像
  成像和计算机的进步协同导致AI在乳腺成像中的使用迅速增加,例如风险评估,检测,诊断,预后和对治疗的反应。
  乳腺癌筛查:乳腺成像报告和数据系统模拟到数字。
  乳腺癌风险评估:密度和薄壁组织。目前已经开发了计算机视觉技术以提取图像上的薄壁组织模式的密度和特征,以产生用于乳腺癌风险预测的定量生物标记,并最终用于个性化筛选方案。
  AI改善乳腺癌诊断。AI应用于乳房图像数据,可以定量地获得肿瘤大小,形状,形态,质地和动力学的特征。
  基于预测图像的生物标记物。生物标志物的有效开发受益于来自多个患者检查的信息的整合(即临床、分子、成像和基因组数据)。
值得收藏!神刊CA(IF=224)全面分析:AI技术在癌症中的应用!
  磁共振成像乳腺癌基因组特征与放射学表型的显著相关性。
  前列腺癌成像
  最近深度学习在前列腺癌筛查和侵袭性癌症诊断中产生了较好的结果。
  多参数磁共振成像为临床上前列腺病变的检测和定位提供对比度,并提供关于组织解剖学,功能和特征的信息。
  前列腺癌的计算机辅助检测和诊断系统可以帮助临床医生减少在诊断MRI上的遗漏或过度诊断可疑目标的可能性,尽管这需要在常规临床合并之前的试验中进一步验证。
  尽管AI在癌症成像中取得了成功,但是但在广泛临床应用之前仍需克服一些限制和障碍。尽管AI可以检测到可能对临床有益的偶然发现,但这些发现也可能在临床上是不正确的,并且如果在正确的临床环境中没有仔细构建,可能会增加患者的压力,医疗保健成本和治疗中不希望的副作用。
  此外,成像不是检测疾病的唯一措施,越来越多的人认识到,癌症的分子特征,包括肿瘤的非侵入性血液生物标志物,社会经济状况,甚至社交网络,都会对癌症患者的结果产生影响。
  在没有人类专家提供的基本事实的情况下预测结果的策略,可能会破坏当今临床医生和患者熟悉的传统工作流程。然而,人工智能在监测卫生资源和结果方面的增加可能会提高效率并降低成本。与任何新的创新技术一样,开发的可能性会超出了当前的想象。
  参考资料
  Artificial intelligence in cancer imaging: Clinical challenges andapplications
  doi: 10.3322/caac.21552
责任编辑: wuli雪宝啊
0 0 0