發(fā)布時(shí)間：2021-11-23 13:10

　　近年來(lái),深度學(xué)習(xí)為癌癥預(yù)后分析提供了新的方法。對(duì)深度學(xué)習(xí)在癌癥預(yù)后應(yīng)用中的相關(guān)文獻(xiàn)進(jìn)行歸納總結(jié),可為深入開(kāi)展癌癥預(yù)后研究提供借鑒和參考。因此,本文對(duì)深度學(xué)習(xí)在癌癥預(yù)后模型中的最新研究進(jìn)展進(jìn)行了系統(tǒng)綜述。首先,明確深度學(xué)習(xí)癌癥預(yù)后模型的構(gòu)建思路及性能評(píng)價(jià)指標(biāo);其次,介紹搭建模型所采用的基本網(wǎng)絡(luò)結(jié)構(gòu),對(duì)所用數(shù)據(jù)類型、數(shù)據(jù)數(shù)量、具體網(wǎng)絡(luò)架構(gòu)及優(yōu)缺點(diǎn)進(jìn)行探討;然后,驗(yàn)證構(gòu)建深度學(xué)習(xí)癌癥預(yù)后模型的主流方法并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析;最后,對(duì)該領(lǐng)域現(xiàn)階段面臨的挑戰(zhàn)及未來(lái)研究方向進(jìn)行總結(jié)與展望。深度學(xué)習(xí)癌癥預(yù)后模型與以往模型相比,能夠更好地提高癌癥患者的預(yù)后預(yù)測(cè)能力。未來(lái)我們應(yīng)繼續(xù)探索深度學(xué)習(xí)在癌癥復(fù)發(fā)率、治療方案、藥物療效評(píng)估等方面的研究,充分挖掘深度學(xué)習(xí)在癌癥預(yù)后模型中的應(yīng)用價(jià)值與潛力,以便建立一個(gè)高效精準(zhǔn)的癌癥預(yù)后模型,實(shí)現(xiàn)精準(zhǔn)醫(yī)療的目標(biāo)。 

【文章來(lái)源】：生物醫(yī)學(xué)工程學(xué)雜志. 2020,37(05)北大核心EICSCD

【文章頁(yè)數(shù)】：12 頁(yè)

【部分圖文】：

深度學(xué)習(xí)癌癥預(yù)后模型構(gòu)建流程

Zhang等[32]使用AE和主成分分析提取五個(gè)基因數(shù)據(jù)集的特征，構(gòu)建PCA-AE集成預(yù)后模型預(yù)測(cè)乳腺癌患者遠(yuǎn)處轉(zhuǎn)移。實(shí)驗(yàn)表明：AE從基因中學(xué)習(xí)的特征可使模型具有良好的泛化能力；深度特征與傳統(tǒng)特征結(jié)合后所構(gòu)建的預(yù)后模型性能更優(yōu)（ACC:76.8%;SEN:84.0%;SPE:55.0%;MCC:0.320;AUC:0.740）。但該模型不易分析，無(wú)法評(píng)估具體特征的重要性，需加入更多數(shù)據(jù)提高模型泛化能力。Maggio等[33]提出一種新型多任務(wù)AE模型，首次將498例神經(jīng)母細(xì)胞瘤的轉(zhuǎn)錄組學(xué)數(shù)據(jù)應(yīng)用于生存分析，同時(shí)實(shí)現(xiàn)診斷與復(fù)發(fā)預(yù)測(cè)。多任務(wù)學(xué)習(xí)在訓(xùn)練時(shí)相當(dāng)于隱式的數(shù)據(jù)增強(qiáng)，可以在一定程度上防止模型過(guò)擬合，提高預(yù)測(cè)準(zhǔn)確率。但如果多個(gè)任務(wù)間的相關(guān)性差異較大，則不利于預(yù)后預(yù)測(cè)。Chaudhary等[34]第一個(gè)填補(bǔ)了采用DL整合多組學(xué)數(shù)據(jù)構(gòu)建癌癥預(yù)后模型從而預(yù)測(cè)肝細(xì)胞癌患者生存率的研究空白。該模型納入360例患者的RNA測(cè)序、mi RNA測(cè)序及甲基化數(shù)據(jù)，基于AE進(jìn)行特征選擇與優(yōu)化以區(qū)分患者不同生存亞群，但C-index僅為0.740。圖5 Autoencoder網(wǎng)絡(luò)結(jié)構(gòu)示意圖

組織病理圖像能夠反映患者當(dāng)前病變情況（如腫瘤良惡性、分化程度、組織病理分級(jí)等），隨ML方法的演進(jìn)，可挖掘出大量與預(yù)后相關(guān)的圖像特征從而提示潛在的癌癥進(jìn)程。Zhu等[21]根據(jù)404例肺癌患者的病理圖像，開(kāi)發(fā)了一種新的用于評(píng)估生存風(fēng)險(xiǎn)分層的DeepConv Surv模型，該模型由三個(gè)卷積層、兩個(gè)池化層和一個(gè)全連接層組成，C-index值為0.629，高于兩種Cox模型（C-index:0.562;C-index:0.556）和隨機(jī)森林生存模型（C-index:0.511）。DeepConv Surv是第一個(gè)采用CNN與病理圖像提高生存預(yù)測(cè)性能的研究，證明了CNN模型可以學(xué)習(xí)預(yù)后特征，為采用DL技術(shù)在生存分析中挖掘更多預(yù)后信息奠定了基礎(chǔ)。格里森（Gleason）評(píng)分是前列腺癌重要的預(yù)后指標(biāo)，Nagpal等[1]收集769名前列腺癌患者1 226張組織切片，交由32位病理學(xué)家注釋，通過(guò)深度CNN提取并選擇圖像特征，開(kāi)發(fā)了一個(gè)基于DL的Gleason評(píng)分模型。該模型診斷ACC可達(dá)70%，優(yōu)于29位普通病理專家61%的平均準(zhǔn)確率，解決了前列腺癌病理特征在顯微鏡檢查中可重復(fù)性差的問(wèn)題，對(duì)患者風(fēng)險(xiǎn)分層有更好的區(qū)分作用。Mobadersany等[22]基于769例腦膠質(zhì)瘤患者的1 061張組織切片，將VGG-19與Cox模型相結(jié)合，根據(jù)組織活檢和基因標(biāo)志物的顯微圖像預(yù)測(cè)患者生存。與當(dāng)前使用的腦膠質(zhì)瘤臨床分類標(biāo)準(zhǔn)相比性能更優(yōu)（C-index:0.754）。此外，該模型能夠可視化與預(yù)后密切相關(guān)的重要結(jié)構(gòu)（如微血管增生）以便病理學(xué)家分級(jí)，并且兼顧了不同患者間或患者個(gè)體中基因的異質(zhì)性與遺傳信息的豐富性，為進(jìn)一步提高DL癌癥預(yù)后模型的準(zhǔn)確性、客觀性和綜合性做出了貢獻(xiàn)。

【參考文獻(xiàn)】：
期刊論文
[1]經(jīng)典深度學(xué)習(xí)算法對(duì)中文隨機(jī)對(duì)照試驗(yàn)智能判別應(yīng)用[J]. 毛渤淳,陳圣愷,謝雨,姚攀,李春潔.  中國(guó)循證醫(yī)學(xué)雜志. 2019(11)
[2]影響肝內(nèi)膽管癌手術(shù)預(yù)后的危險(xiǎn)因素Logistic回歸分析[J]. 楊娟,母齊鳴,譚琴.  江蘇大學(xué)學(xué)報(bào)(醫(yī)學(xué)版). 2019(02)
[3]全身麻醉復(fù)合硬膜外麻醉對(duì)腫瘤患者預(yù)后影響的Meta分析[J]. 常小麗,朱丹,任許利,呂黃偉.  中國(guó)循證醫(yī)學(xué)雜志. 2011(08)



本文編號(hào)：3513949