导言

深入学习——人工智能的一个精密分支——通过使计算机能够从大量数据中学习并识别人类眼中看不见的规律,改变了医学诊断。 其最有希望的应用包括:早期检测卵巢癌和内宫癌,两种妇科恶性肿瘤往往在进入后期之前就无法诊断。早期识别对于提高治疗结果和存活率至关重要。 本条探讨了如何开发和完善深入学习模型,以早期检测这些癌症、所涉数据和方法、仍然存在的障碍以及这些创新的潜在临床影响。

肿瘤和内地癌:临床概况

肿瘤

欧伐利亚癌是美国女性中第五个与癌症相关的死亡原因,五年存活率在晚期诊断时只有约50%. 发胀,盆腔疼痛,食欲变化等症状并不具体,导致许多女性在疾病蔓延到卵巢之外后被诊断出癌症. 相比之下,早期的卵巢癌存活率超过90%,凸显出对可靠筛查工具的迫切需要.

内地癌

子宫内膜癌起源于子宫内膜,是发达国家最常见的妇科恶性肿瘤。 多数病例是早期发现的,因为阴道出血异常,但具有攻击性的亚型仍然具有挑战性。 复发和抗药性强调了精确、早期诊断的重要性,可以指导个性化治疗。 目前对癌症的筛查方法—— 透视超声波、CA-125血液测试和内膜活体检查—— 的敏感性和特异性有限,为深入学习提高准确性创造了机会。

医学形象的深入学习如何发挥作用

深层学习模型,特别是神经网络(CNN),在分析医学图像方面非常出色。 它们通过多层抽象处理像素水平的数据,学习识别组织纹理、边界不规则等特征,以及与恶性相关的形状。 与传统的计算机辅助诊断不同,深层学习不需要手工绘制的特征提取;它直接从数据中发现相关的模式。

对于卵巢癌,模型被训练为超声波、CT、核磁共振和组织病理学幻灯片。 对于内膜癌,核磁共振和子宫镜镜像是常见的输入。 同样的方法可以扩展到基因组和蛋白质数据,从而能够进行多模式分析,将成像和分子标记结合起来,以提升预测力。

模型开发数据源

建立强有力的深层学习模式需要大量、说明充分的数据集。

  • 癌症成像档案(TCIA) – 包含CT,核磁共振,以及卵巢癌和内宫癌的组织病理学影像,常与临床结果相关.
  • 癌症基因组图集(TCGA) –提供基因组学,转录学,临床数据,可以与成像成像配合,用于多式联运模型.
  • 医院和机构数据库 — 协作中心提供的已查明的病人记录、成像研究和病理学报告。
  • 合成数据增强 – 旋转,缩放,基因对抗网络(GANs)等技术创造额外的培训实例,以改善模型的概括.

高质量的标签——由专家病理学家和放射学家加以核实——是不可或缺的,错误标签可以传播错误和降低模型性能,使注释协议标准化的努力,例如北美放射学会的注释协议,正在帮助提高数据的一致性。

使用的模型建筑

革命神经网络(CNN).

CNN仍然是大多数医学成像深层学习系统的支柱. 流行的架构包括ResNet,DenseNet,以及高效网,它们已经预先在大型自然图像数据集(如ImageNet)上进行了训练,并在医学图像上进行了微调. 转学减少了需要贴标签的医疗数据数量,并加速了培训.

视觉变形器

最近,视觉变形器在医疗分类任务上表现出了竞争性表现。 它们把图像补丁作为序列处理,并使用自觉机制来捕捉全球背景,这对检测卵巢组织和内地组织中扩散或微妙的异常特别有用。

多式联运模式

将成像数据与临床变量(年龄,BMI,家族历史)和生物标记(CA-125,HE4)相结合可以提高准确性. 共入网络和晚聚变模型等建筑融合了这些多样的数据源,模仿临床医生如何重击多个信息块.

培训和鉴定

示范培训涉及将数据分为培训、验证和测试组,通常进行交叉验证以确保强健性。 超参数调试、数据增强和规范化(漏出、重量衰减)有助于防止偏差。

  • 敏锐度(回顾) – 正确识别出的真正癌症比例.
  • 具体性 – 正确排除良性病例比例.
  • 接收器操作特征曲线(AUC)下的地区[ – 总体歧视能力.
  • 预测值(PPV) – 阳性结果表明实际癌症的概率.

2023年的一项利用CNN在横琴超声波上检测卵巢癌的研究在内部验证中达到了0.93的AUC,但在异医院外部组群测试时性能下降到0.85。 这一差异凸显出需要多元的多机构数据集[,在临床部署前需要严格的外部验证。

挑战和限制

数据隐私和访问

医学数据高度敏感,受美国HIPAA和欧洲GDPR等法规的制约。 各机构共享数据集需要去识别、放弃同意和安全的数据共享平台。 联邦学习 — — 跨越多个网站的培训模式而不转移原始数据 — — 是一个很有希望的解决办法。

类 平衡

癌症在人群筛查中相对罕见,导致严重的阶级失衡。 接受过不平衡数据培训的模型可以简单地预测所有病例的“无癌症 ” , 从而实现高整体准确性,缺少少数实际癌症。 过度抽样、合成少数群体过度抽样(SMOTE)等技术以及成本敏感的学习都被用于解决这一问题。

可解释性

临床医生往往不愿相信“黑盒”的决定。 解释性的AI方法如显性地图、关注覆盖和Grad-CAM可以突出影响模型预测、建立信任和促进临床审查的图像区域。

人口概况

培训的主要对象是一个族裔群体的数据或保健系统,这些模式对另一些族裔群体可能效果不佳,确保培训数据的多样性和在不同人口结构中进行外部验证对于公平部署至关重要。

当前研究和最近的进展

最近发表在JAMA网络 Open(2024)中,表明分析常规盆腔超声影像的深层学习模型可以识别出多中心欧洲研究中敏感度为92%,特异性为87%的卵巢癌. 另一项使用内膜活体分析滑翔影像的研究在区分良性与恶性内膜时达到了96%的精度. 研究人员还在探索辐射学[——从影像中提取数百个定量特征——被输入到深层学习分类器中以进一步提升性能.

在国家癌症研究所,像癌症月球拍摄这样的举措是资助将深度学习与液体活体检测数据(循环肿瘤DNA)相结合的项目,以便更早地检测。 整合多种数据模式可能是下一个前沿。

临床部署和工作流程整合

从研究转向现实世界实践需要仔细融入临床工作流程。 深层学习工具可能被用作第二读者,将可疑病例标注在放射学家或病理学家的审阅中。 理想的情况是,它应该快速(在几秒钟之内)运作,适合现有的PACS(图片存档和通信系统)环境,并为其结论提供清晰的解释。

在一些医学中心启动了一些试点方案,例如,Mayo Clinic正在测试一个人工辅助的超声波系统,用于高风险妇女的卵巢癌筛查,早期反馈表明,该工具缩短了阅读时间,改善了小病症检测,但是,广泛采用该工具有待FDA等机构监管批准,后者已经为其他癌症清除了数个人工辅助成像工具,但尚未用于卵巢癌或内膜筛查。

未来方向

多式联运和纵向数据

未来的模型可能包括相继成像(例如,随时间推移的扫描比较)、电子健康记录数据(症状、实验室趋势)和基因组剖面,以提供风险分层。 经常性神经网络和变压器可以模拟时间规律,有可能在临床发作前数年发现变化。

护理点和资源限制设置

部署在便携式超声波设备上的深层学习模型可以将早期癌症检测带入缺乏专家放射学家的低资源区。 智能手机和云处理的轻量级结构使得这一方法越来越可行。

持续学习和质量保证

一旦安装,模型可以通过积极学习或定期再培训更新新数据,确保它们适应人口变化和技术变化。 严格监测性能漂移对于维持安全和准确性至关重要。

结论

深入学习对早期检测卵巢癌和内宫癌有着巨大的希望。 通过分析医学影像、基因组数据和超人精确的临床记录,这些模型可以在干预最有效的时候识别恶性。 克服数据质量、隐私、可解释性和通俗化方面的挑战需要临床医生、数据科学家、监管者和患者持续合作。 随着验证的扩大和基础设施的成熟,深度学习工具将有可能成为常规的妇科癌症筛查的一个组成部分,最终通过早期诊断和个人化治疗拯救生命。