深度学习在癌症预后预测模型中的应用研究

发布时间：2021-11-23 13:10

　　近年来,深度学习为癌症预后分析提供了新的方法。对深度学习在癌症预后应用中的相关文献进行归纳总结,可为深入开展癌症预后研究提供借鉴和参考。因此,本文对深度学习在癌症预后模型中的最新研究进展进行了系统综述。首先,明确深度学习癌症预后模型的构建思路及性能评价指标;其次,介绍搭建模型所采用的基本网络结构,对所用数据类型、数据数量、具体网络架构及优缺点进行探讨;然后,验证构建深度学习癌症预后模型的主流方法并对实验结果进行分析;最后,对该领域现阶段面临的挑战及未来研究方向进行总结与展望。深度学习癌症预后模型与以往模型相比,能够更好地提高癌症患者的预后预测能力。未来我们应继续探索深度学习在癌症复发率、治疗方案、药物疗效评估等方面的研究,充分挖掘深度学习在癌症预后模型中的应用价值与潜力,以便建立一个高效精准的癌症预后模型,实现精准医疗的目标。 

【文章来源】：生物医学工程学杂志. 2020,37(05)北大核心EICSCD

【文章页数】：12 页

【部分图文】：

深度学习癌症预后模型构建流程

Zhang等[32]使用AE和主成分分析提取五个基因数据集的特征，构建PCA-AE集成预后模型预测乳腺癌患者远处转移。实验表明：AE从基因中学习的特征可使模型具有良好的泛化能力；深度特征与传统特征结合后所构建的预后模型性能更优（ACC:76.8%;SEN:84.0%;SPE:55.0%;MCC:0.320;AUC:0.740）。但该模型不易分析，无法评估具体特征的重要性，需加入更多数据提高模型泛化能力。Maggio等[33]提出一种新型多任务AE模型，首次将498例神经母细胞瘤的转录组学数据应用于生存分析，同时实现诊断与复发预测。多任务学习在训练时相当于隐式的数据增强，可以在一定程度上防止模型过拟合，提高预测准确率。但如果多个任务间的相关性差异较大，则不利于预后预测。Chaudhary等[34]第一个填补了采用DL整合多组学数据构建癌症预后模型从而预测肝细胞癌患者生存率的研究空白。该模型纳入360例患者的RNA测序、mi RNA测序及甲基化数据，基于AE进行特征选择与优化以区分患者不同生存亚群，但C-index仅为0.740。图5 Autoencoder网络结构示意图

组织病理图像能够反映患者当前病变情况（如肿瘤良恶性、分化程度、组织病理分级等），随ML方法的演进，可挖掘出大量与预后相关的图像特征从而提示潜在的癌症进程。Zhu等[21]根据404例肺癌患者的病理图像，开发了一种新的用于评估生存风险分层的DeepConv Surv模型，该模型由三个卷积层、两个池化层和一个全连接层组成，C-index值为0.629，高于两种Cox模型（C-index:0.562;C-index:0.556）和随机森林生存模型（C-index:0.511）。DeepConv Surv是第一个采用CNN与病理图像提高生存预测性能的研究，证明了CNN模型可以学习预后特征，为采用DL技术在生存分析中挖掘更多预后信息奠定了基础。格里森（Gleason）评分是前列腺癌重要的预后指标，Nagpal等[1]收集769名前列腺癌患者1 226张组织切片，交由32位病理学家注释，通过深度CNN提取并选择图像特征，开发了一个基于DL的Gleason评分模型。该模型诊断ACC可达70%，优于29位普通病理专家61%的平均准确率，解决了前列腺癌病理特征在显微镜检查中可重复性差的问题，对患者风险分层有更好的区分作用。Mobadersany等[22]基于769例脑胶质瘤患者的1 061张组织切片，将VGG-19与Cox模型相结合，根据组织活检和基因标志物的显微图像预测患者生存。与当前使用的脑胶质瘤临床分类标准相比性能更优（C-index:0.754）。此外，该模型能够可视化与预后密切相关的重要结构（如微血管增生）以便病理学家分级，并且兼顾了不同患者间或患者个体中基因的异质性与遗传信息的丰富性，为进一步提高DL癌症预后模型的准确性、客观性和综合性做出了贡献。

【参考文献】：
期刊论文
[1]经典深度学习算法对中文随机对照试验智能判别应用[J]. 毛渤淳,陈圣恺,谢雨,姚攀,李春洁.  中国循证医学杂志. 2019(11)
[2]影响肝内胆管癌手术预后的危险因素Logistic回归分析[J]. 杨娟,母齐鸣,谭琴.  江苏大学学报(医学版). 2019(02)
[3]全身麻醉复合硬膜外麻醉对肿瘤患者预后影响的Meta分析[J]. 常小丽,朱丹,任许利,吕黄伟.  中国循证医学杂志. 2011(08)



本文编号：3513949